Kursus Skripsi Tesis Disertasi Data Science ~ Penerapan CNN untuk Deteksi Objek pada Citra Satelit Pertanian

Berikut adalah Silabus 20 Sesi (masing-masing @1,5 jam) untuk topik “Penerapan CNN untuk Deteksi Objek pada Citra Satelit Pertanian Menggunakan Python”, lengkap dari teori dasar, pemrosesan citra satelit, hingga implementasi model CNN dan evaluasinya.

🧠 Judul Kursus:

Penerapan Convolutional Neural Network (CNN) untuk Deteksi Objek pada Citra Satelit Pertanian Menggunakan Python

⏱️ Durasi Total:

20 sesi x 1,5 jam = 30 jam pembelajaran

📚 Silabus Detail per Sesi

🔹 Modul 1: Dasar-dasar CNN dan Citra Satelit (Sesi 1-4)

Sesi 1:

• Pengenalan Data Science & Deep Learning dalam Pertanian

• Studi kasus deteksi objek pertanian (tanaman, irigasi, hama)

• Tools yang digunakan: Python, Jupyter, Keras, TensorFlow, OpenCV

Sesi 2:

• Dasar-dasar Citra Satelit (RGB, multispektral, resolusi spasial)

• Sumber data: Google Earth Engine, Sentinel-2, Landsat

• Format umum: GeoTIFF, JPG, PNG

Sesi 3:

• Teori dasar CNN: convolusi, pooling, aktivasi

• Arsitektur CNN populer: LeNet, AlexNet, VGG, ResNet

Sesi 4:

• Studi literatur dan paper tentang CNN di bidang pertanian

• Penentuan target deteksi objek: sawah, jagung, lahan gundul, irigasi, dll

🔹 Modul 2: Pengolahan & Preprocessing Citra Satelit (Sesi 5-8)

Sesi 5:

• Pengenalan ke NumPy, OpenCV, dan matplotlib untuk pemrosesan citra

• Membaca dan menampilkan citra satelit

Sesi 6:

• Augmentasi citra: rotasi, flip, zoom, resize

• Normalisasi dan cropping untuk CNN input

Sesi 7:

• Labeling objek menggunakan tool (LabelImg, CVAT, atau Roboflow)

• Format dataset: Pascal VOC, COCO, YOLO

Sesi 8:

• Pembagian data: train, validation, test

• Penyusunan direktori dan batch loading dengan Keras ImageDataGenerator

🔹 Modul 3: Membangun dan Melatih CNN (Sesi 9-13)

Sesi 9:

• Membuat model CNN dasar dengan Keras

• Layer convolution, pooling, flatten, dense

Sesi 10:

• Kompilasi model: optimizer, loss function (categorical/binary), metrics

• Early stopping dan checkpoint

Sesi 11:

• Training model CNN dengan dataset satelit pertanian

• Visualisasi akurasi dan loss dengan matplotlib

Sesi 12:

• Evaluasi model: confusion matrix, precision, recall, F1-score

• K-Fold Cross Validation (opsional)

Sesi 13:

• Fine-tuning dan transfer learning menggunakan model pretrained (VGG16 / ResNet50)

🔹 Modul 4: Implementasi Deteksi Objek (Sesi 14-17)

Sesi 14:

• Pengantar deteksi objek: bounding box vs klasifikasi

• Perbedaan CNN klasifikasi dan object detection (YOLO, SSD)

Sesi 15:

• Implementasi deteksi objek menggunakan CNN sederhana + sliding window

• Visualisasi bounding box pada citra satelit

Sesi 16:

• Implementasi YOLOv5 untuk citra satelit pertanian (Roboflow + PyTorch)

• Latihan deteksi objek: sawah vs bukan sawah

Sesi 17:

• Evaluasi hasil deteksi objek: IoU, mAP

• Perbandingan antara CNN klasifikasi vs YOLO deteksi

🔹 Modul 5: Proyek Akhir & Presentasi (Sesi 18-20)

Sesi 18:

• Proyek akhir: definisi kasus deteksi objek pada wilayah pertanian lokal

• Pengumpulan data dan labeling

Sesi 19:

• Training model akhir dan visualisasi hasil deteksi

• Penyusunan laporan dan dashboard sederhana dengan Streamlit atau Dash

Sesi 20:

• Presentasi proyek akhir

• Review, evaluasi, dan diskusi pengembangan lebih lanjut (seperti klasifikasi jenis tanaman, deteksi perubahan lahan)

🛠️ Tools yang Digunakan

• Python 3.8+

• TensorFlow / Keras

• OpenCV, NumPy, Matplotlib

• Roboflow atau LabelImg

• Google Colab / Jupyter Notebook

• (opsional) YOLOv5 via PyTorch