Tutorial Singkat Tentang Tensorflow.js
✏️ Edit catatan ini.Tensorflow.js adalah sebuah library yang dibangun diatas deeplearn.js untuk membuat modul deep learninglangsung dari web browser! Deep learning sendiri adalah sebuah cabang dari machine learning dan juga artificial intelligence. Dengan Tensorflow.js kita dapat membuat implementasi Convolutional Neural Network (CNN), Recurrent Neural Network (RNN) dan lain sebagainya.
Tensorflow sendiri merupakan library yang ditulis dengan bahasa C++ dan biasanya digunakan dengan bahasa pemrograman Python. Dengan adanya tensorflow.js, kita sekarang sudah bisa menggunakan beberapa fitur tensorflow di sisi web browser tanpa harus dibebani oleh instalasi yang cukup ‘menantang’. Dengan Tensorflow.js kita tinggal melakukan instalasi dengan npm install @tensorflow/tfjs ataupun juga dengan menggunakan CDN.
Berikut ini adalah cuplikan kode untuk memprediksi harga rumah berdasarkan luas tanah/luas bangunan.
import * as tf from "@tensorflow/tfjs";
// Define a model for linear regression.
const model = tf.sequential();
model.add(tf.layers.dense({ units: 1, inputShape: [1] }));
// Prepare the model for training: Specify the loss and the optimizer.
model.compile({ loss: "meanSquaredError", optimizer: "sgd" });
// Provide some housing data
const xs = tf.tensor1d([7.9, 8.1, 8.3, 8.5, 8.6, 8.4]);
const ys = tf.tensor1d([738967, 742371, 750984, 759598, 763905, 755291]);
// Train the model using the data provided
model.fit(xs, ys).then(() => {
const form = document.getElementById("myform");
const inputText = document.getElementById("inputText");
const predictPlaceholder = document.getElementById("predict");
form.addEventListener("submit", (e) => {
e.preventDefault();
// Use the model to predict or to inference
const output = model.predict(tf.tensor2d([parseFloat(inputText.value) / 10], [1, 1]));
predictPlaceholder.innerHTML = formatting(Array.from(output.dataSync())[0]);
});
});
const formatting = (num) => {
num *= 1000;
return num.toString().replace(/\B(?=(\d{3})+(?!\d))/g, ".");
};
Untuk mengetahui lebih lanjut silakan simak video berikut ini.
Repo: GitHub
Referensi
Artikel ini dirangkum dari episode ke-18 randomscreencast.com.
Praktikkan langsung mental model dari catatan ini: jalankan prompt terstruktur, tarik SKILL.md ke asisten AI, atau klon repositori pembuktiannya.
Kerangka menyusun prompt efektif dengan 4 komponen: Persona, Task, Result, dan Question untuk menjaga konteks dan kualitas keluaran LLM.
Meminta AI menggali ide aplikasi secara terstruktur lewat wawancara satu pertanyaan per satu waktu hingga siap menjadi spesifikasi teknis.
Mengatur sesi utama sebagai koordinator yang mendelegasikan perencanaan ke planner thread dan mengeksekusi tugas paralel dengan sub-agent hemat di git worktree.
Papan peringkat pengujian coding agent & LLM dalam membangun aplikasi CLI sederhana
Bukti: Evaluasi 7 tahap rekayasa CLI Elixir/OTP terukur (penyelesaian rencana, rasio tes lulus, efisiensi token, durasi, & biaya riil)
git clone https://github.com/rizafahmi/eval_leaderboard && cd eval_leaderboard && pnpm install && pnpm run dev
Extension Pi: klasifikasi prompt dengan Jev (TypeSafe System One) lalu ganti model per turn.
Bukti: Router deterministik per-turn di atas Pi coding agent dengan skema klasifikasi TypeSafe
git clone https://github.com/rizafahmi/pi-jev-task-router && cd pi-jev-task-router && npm install
Jika kamu suka tulisan ini, mari terhubung untuk obrolan seputar pemrograman, Elixir, dan AI: