Kursus Skripsi Tesis Disertasi Android Studio ~ Aplikasi Android untuk Deteksi Objek Menggunakan YOLO dan TensorFlow Lite

Berikut adalah silabus 10x sesi pelatihan atau skripsi untuk topik:

“Aplikasi Android untuk Deteksi Objek Menggunakan YOLO dan TensorFlow Lite”

Masing-masing sesi berdurasi ±1,5 jam, cocok untuk bimbingan skripsi, kursus intensif, atau riset mandiri.

📚 Silabus 10x Sesi

Topik: Aplikasi Android untuk Deteksi Objek Menggunakan YOLO dan TensorFlow Lite

🔹Sesi 1: Pengenalan Deteksi Objek dan Arsitektur YOLO

• Apa itu deteksi objek?

• Perbedaan klasifikasi, deteksi, dan segmentasi.

• Pengenalan YOLO (You Only Look Once): YOLOv5 vs YOLOv8

• Alur umum penggunaan YOLO dalam aplikasi mobile (Android).

• Studi kasus aplikasi nyata.

🔹Sesi 2: Persiapan Lingkungan Pengembangan Android Studio

• Instalasi Android Studio dan emulator/device testing.

• Struktur project Android.

• Pengenalan TensorFlow Lite (TFLite) dan fungsinya di Android.

• Instalasi library pendukung: TensorFlow Lite, CameraX, OpenCV (opsional).

🔹Sesi 3: Dataset dan Pelatihan Model YOLO

• Pengenalan dataset deteksi objek (COCO, Roboflow, custom dataset).

• Membuat custom dataset (contoh: deteksi buah atau benda rumah).

• Labeling dengan LabelImg/Roboflow.

• Training model YOLOv5/Yolov8 menggunakan Google Colab.

• Export model ke format .tflite.

🔹Sesi 4: Konversi Model YOLO ke TensorFlow Lite

• Cara export YOLO ke ONNX → TensorFlow → TFLite.

• Tools: tf2onnx, tensorflow_converter, Netron.

• Optimasi model TFLite untuk performa Android (quantization, FP16, int8).

🔹Sesi 5: Integrasi TensorFlow Lite ke Android Studio

• Struktur file TFLite dan label map.

• Penempatan model ke dalam project Android (assets folder).

• Konfigurasi build.gradle untuk TFLite.

• Membuat class helper untuk memuat model dan label.

🔹Sesi 6: Implementasi Kamera Real-Time Menggunakan CameraX

• Instalasi dan setup CameraX.

• Preview kamera real-time.

• Integrasi kamera dengan ImageAnalysis untuk proses frame per frame.

• Menyambungkan kamera ke model deteksi objek.

🔹Sesi 7: Implementasi Deteksi Objek dengan TFLite Interpreter

• Mengubah frame kamera menjadi format input model.

• Menjalankan model dan membaca output deteksi (bounding box, label, confidence).

• Visualisasi hasil deteksi ke layar (bounding box + label).

🔹Sesi 8: UI/UX Aplikasi dan Tampilan Hasil

• Desain layout: live preview + overlay hasil deteksi.

• Menampilkan informasi confidence dan label di layar.

• Penanganan izin kamera & penyimpanan.

• Testing di emulator & perangkat asli.

🔹Sesi 9: Evaluasi Performa & Optimasi

• Ukur performa: kecepatan deteksi (FPS), penggunaan RAM/CPU.

• Optimasi ukuran model dan akurasi.

• Penggunaan Thread / Handler untuk efisiensi.

• Pengenalan strategi multi-threading untuk deteksi real-time.

🔹Sesi 10: Pengujian Aplikasi, Dokumentasi, dan Publikasi

• Uji coba aplikasi dengan berbagai objek dan kondisi cahaya.

• Debugging dan error handling.

• Export APK dan pengujian di berbagai device.

• Dokumentasi akhir untuk laporan skripsi atau publikasi (jurnal, GitHub, Play Store).

• Tips kelulusan skripsi jika digunakan sebagai proyek akhir.

📦 Output Akhir:

• Aplikasi Android .apk deteksi objek dengan kamera real-time.

• Model YOLO yang sudah dikonversi ke .tflite.

• Dokumentasi sistem dan cara penggunaan.

• (Opsional) Repository GitHub pribadi.