Kursus Skripsi Tesis Disertasi Yolo 11 | Pendeteksi Kebakaran dan Asap Dini di Hutan atau Gedung

Berikut adalah silabus 20 sesi @1,5 jam untuk proyek:
📌 “Pendeteksi Kebakaran dan Asap Dini di Hutan atau Gedung Menggunakan YOLOv11”

🔹 Level: Intermediate–Advanced

🔹 Tools utama: Python, OpenCV, YOLOv11, dataset kebakaran, Google Colab / Jupyter Notebook

🗂️ Silabus 20 Sesi (1,5 jam/sesi)

🔽 Tahap 1: Pengenalan & Dasar

1. Pengenalan Deteksi Kebakaran Otomatis

• Konsep dasar deteksi kebakaran dan asap

• Studi kasus penerapan nyata (hutan, gedung, bandara)

2. Dasar-Dasar Computer Vision

• Pengenalan OpenCV

• Operasi dasar: konversi warna, threshold, masking

3. Pengenalan Object Detection dan YOLO

• Sejarah YOLO hingga YOLOv11

• Perbedaan antara CNN, R-CNN, YOLO

4. Instalasi dan Setup Lingkungan

• Instalasi Python, OpenCV, PyTorch, YOLOv11

• Setup Google Colab atau Jupyter Notebook

5. Struktur Arsitektur YOLOv11

• Penjelasan arsitektur YOLOv11

• Layer penting: Backbone, Neck, Head

🔽 Tahap 2: Dataset & Pelabelan

6. Dataset Deteksi Kebakaran dan Asap

• Pencarian dataset publik (misalnya Kaggle, Roboflow)

• Struktur dataset YOLO (images, labels)

7. Teknik Pelabelan Citra

• Labeling manual dengan LabelImg/Roboflow

• Format YOLO: .txt dengan koordinat bounding box

8. Augmentasi Dataset

• Teknik augmentasi: flip, rotate, brightness

• Tujuan augmentasi dalam training

9. Eksplorasi Dataset

• Visualisasi dataset dan label

• Deteksi potensi outlier / kesalahan labeling

🔽 Tahap 3: Training Model

10. Konfigurasi YOLOv11 untuk Training

• Setting data.yaml, train.py, dan folder struktural

• Menentukan kelas (smoke, fire)

11. Training Model di Google Colab

• Upload dataset ke Colab

• Proses training, melihat loss dan mAP

12. Evaluasi Model

• Precision, recall, confusion matrix

• Perbandingan model dengan dan tanpa augmentasi

13. Validasi dan Fine-tuning Model

• Parameter tuning (batch size, epochs, learning rate)

• Transfer learning dengan pre-trained weights

🔽 Tahap 4: Deployment & Implementasi

14. Deteksi Kebakaran di Video

• Real-time detection via webcam atau video file

• Menampilkan bounding box, confidence score

15. Notifikasi Otomatis Deteksi Kebakaran

• Kirim notifikasi via email/Telegram/API saat terdeteksi api/asap

16. Optimasi Model untuk Edge Device (optional)

• Convert ke ONNX / TensorRT (jika ke Raspberry Pi atau Jetson Nano)

17. Simulasi Sistem Pengawasan Gedung

• Simulasi deteksi di gedung melalui video pengawasan

18. Simulasi Sistem Pengawasan Hutan

• Simulasi deteksi api di area terbuka (hutan)

🔽 Tahap 5: Penutup & Evaluasi

19. Uji Coba dan Studi Kasus

• Uji coba pada video nyata (YouTube/CCTV rekaman)

• Evaluasi kinerja model

20. Presentasi dan Dokumentasi Proyek

• Pembuatan laporan akhir

• Presentasi hasil proyek (PowerPoint atau demo langsung)