KERAS

 

🔷 APA ITU KERAS?

Keras adalah sebuah library open-source yang menyediakan antarmuka (API) tingkat tinggi untuk membangun dan melatih model deep learning. Keras dirancang agar mudah digunakan, modular, dan extensible.

---

🔷 SEJARAH SINGKAT

• Keras dikembangkan oleh François Chollet dan pertama kali dirilis pada tahun 2015.

• Awalnya, Keras bisa berjalan di atas beberapa backend seperti TensorFlow, Theano, dan Microsoft Cognitive Toolkit (CNTK).

• Sejak TensorFlow 2.0, Keras menjadi API resmi dan default untuk TensorFlow, membuatnya semakin populer.

---

🔷 FITUR UTAMA KERAS

1. 🤖 API Tingkat Tinggi yang Mudah Digunakan

• Sintaksnya sangat sederhana dan intuitif, cocok untuk pemula dan profesional.

• Membantu membangun jaringan neural dengan cepat dan tanpa kerumitan.

2. 🧱 Modular dan Ekstensibel

• Komponen jaringan (layer, loss, optimizer, activation function) bisa digabung secara modular.

• Bisa dikustomisasi untuk kebutuhan khusus.

3. ⚙️ Backend Mendukung TensorFlow

• Secara default sekarang berjalan di atas TensorFlow.

• Mendukung pemrosesan GPU, TPU, dan distribusi pelatihan.

4. 🧠 Dukungan Model Beragam

• Mendukung model Sequential (susunan lapisan linear)

• Mendukung model Functional API (arsitektur lebih kompleks, multi-input/output)

• Mendukung model Subclassing (membuat model dari nol dengan kontrol penuh)

5. 🔄 Integrasi dengan Ekosistem TensorFlow

• Mudah menggunakan TensorBoard untuk visualisasi.

• Mendukung callback, preprocessing data, dan pipeline pelatihan.

---

🔷 MENGAPA KERAS POPULER?

• Memudahkan para developer dan peneliti untuk membuat model deep learning tanpa harus memahami detail backend.

• Dokumentasi lengkap dan komunitas besar.

• Cocok untuk prototyping cepat dan produksi.

---

🔷 CONTOH KODE SEDERHANA DENGAN KERAS

python
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# Membuat model neural network dengan 2 layer dense
model = Sequential([
    Dense(64, activation='relu', input_shape=(10,)),
    Dense(1)
])

model.compile(optimizer='adam', loss='mse')

# Dummy data
import numpy as np
x = np.random.random((100, 10))
y = np.random.random((100, 1))

model.fit(x, y, epochs=5)

---

🔷 RINGKASAN

Aspek	Keterangan
Pengembang	François Chollet & komunitas
Tahun Rilis	2015
Bahasa Utama	Python
Backend	TensorFlow (utama sekarang)
Fokus	API tingkat tinggi untuk deep learning
Kelebihan	Mudah digunakan, modular, integrasi TensorFlow
Penggunaan	Prototipe, pelatihan model, produksi