Kursus Skripsi Tesis Disertasi Python YOLO ~ Sistem Deteksi Tumpahan Minyak di Laut Menggunakan Citra Satelit dan YOLO

Berikut adalah silabus 10 sesi @1.5 jam untuk topik “Sistem Deteksi Tumpahan Minyak di Laut Menggunakan Citra Satelit dan YOLO”. Silabus ini dirancang untuk mahasiswa tingkat akhir (S1/S2) yang memiliki dasar pemrograman Python dan pemahaman awal tentang machine learning atau computer vision.

📘 Silabus 10x Sesi – Sistem Deteksi Tumpahan Minyak di Laut Menggunakan Citra Satelit dan YOLO

Sesi 1: Pengenalan Topik dan Studi Literatur

• Overview tumpahan minyak di laut: penyebab dan dampaknya

• Teknologi pengamatan tumpahan minyak: citra satelit, radar, UAV

• Perbandingan metode deteksi: tradisional vs deep learning

• Studi literatur YOLO dan deteksi tumpahan minyak

• Tugas: Ringkasan 2 jurnal terbaru tentang deteksi tumpahan minyak

Sesi 2: Dasar Citra Satelit dan Dataset

• Pengenalan citra satelit optik vs SAR (Synthetic Aperture Radar)

• Resolusi spasial, spektral, temporal

• Dataset publik: OSD, Airbus, Sentinel-1

• Format data (GeoTIFF, PNG, JPG), preprocessing dasar

• Tugas: Download & visualisasi dataset citra satelit tumpahan minyak

Sesi 3: Pengenalan YOLO dan Arsitekturnya

• Evolusi YOLO: YOLOv1 – YOLOv8

• Komponen utama YOLO: backbone, neck, head

• Kelebihan YOLO untuk deteksi real-time

• Arsitektur YOLOv5 dan perbedaannya dengan YOLOv8

• Tugas: Instalasi YOLOv5/YOLOv8 dan inference gambar uji

Sesi 4: Labeling Data Citra Satelit

• Format anotasi YOLO (txt) dan konversi bounding box

• Tools untuk labeling: LabelImg, Roboflow, CVAT

• Strategi labeling citra satelit (termasuk noise reduction)

• Tugas: Label 20 gambar citra satelit dengan kasus tumpahan minyak

Sesi 5: Training Model YOLO

• Persiapan struktur folder dan file data.yaml

• Parameter penting dalam training YOLO

• Augmentasi data: mosaic, flip, color jitter

• Proses pelatihan dan validasi model

• Tugas: Melatih model YOLO pada dataset lokal (minimal 50 epoch)

Sesi 6: Evaluasi dan Interpretasi Hasil

• Metode evaluasi: mAP, precision, recall, IoU

• Visualisasi hasil deteksi di citra satelit

• Analisis hasil deteksi benar (TP), salah (FP/FN)

• Tugas: Laporan evaluasi model dengan confusion matrix dan mAP

Sesi 7: Optimasi Model dan Fine-tuning

• Teknik fine-tuning dan transfer learning

• Hyperparameter tuning dengan YAML

• Menggunakan pretrained weights untuk efisiensi

• Tugas: Bandingkan hasil deteksi dari model yang di-fine-tune

Sesi 8: Implementasi Sistem Deteksi

• Integrasi model ke dalam pipeline prediksi citra

• Proses batch detection untuk banyak citra sekaligus

• Simulasi sistem pemantauan berbasis folder image satelit

• Tugas: Buat skrip Python untuk pendeteksian otomatis folder citra

Sesi 9: Visualisasi dan Integrasi ke Dashboard

• Visualisasi deteksi di atas citra menggunakan OpenCV

• Konversi koordinat piksel ke geospasial (lat-lon)

• Integrasi hasil deteksi ke peta interaktif (contoh: folium, kepler.gl)

• Tugas: Presentasikan peta interaktif tumpahan minyak hasil deteksi

Sesi 10: Review, Diskusi, dan Presentasi Proyek

• Presentasi akhir proyek individu/kelompok

• Evaluasi keakuratan, kendala, dan solusi

• Diskusi pengembangan lanjutan (misal: drone, multisensor)

• Umpan balik dan penutup