Kursus Skripsi Tesis Disertasi Python | “Implementasi Algoritma Convolutional Neural Network (CNN) untuk Deteksi dan Klasifikasi Sampah Menggunakan Python”

Berikut Silabus 40 Sesi: “Implementasi Algoritma Convolutional Neural Network (CNN) untuk Deteksi dan Klasifikasi Sampah Menggunakan Python”

Level: Pemula hingga Lanjutan

Durasi: 40 Sesi (1.5 Jam per Sesi)

Bagian 1: Pengantar dan Dasar-Dasar CNN (Sesi 1–10)

1. Sesi 1:
   • Pengantar Python untuk Deep Learning
   • Instalasi dan pengaturan lingkungan: Python, Jupyter Notebook, TensorFlow, Keras, OpenCV.
2. Sesi 2:
   • Dasar-dasar Convolutional Neural Network (CNN).
   • Perbedaan CNN dengan algoritma lainnya.
3. Sesi 3:
   • Arsitektur CNN: Convolution Layer, Pooling Layer, Flattening, dan Fully Connected Layer.
4. Sesi 4:
   • Penjelasan dataset gambar untuk klasifikasi sampah (contoh: dataset dari Kaggle).
   • Pengolahan data: resizing, normalisasi, dan augmentasi gambar.
5. Sesi 5:
   • Membuat model CNN sederhana dengan Keras untuk klasifikasi gambar.
6. Sesi 6:
   • Penjelasan aktivasi fungsi (ReLU, Sigmoid, Softmax) dan fungsi loss (categorical crossentropy).
7. Sesi 7:
   • Evaluasi model: metrik akurasi, confusion matrix, precision, recall, dan F1-score.
8. Sesi 8:
   • Overfitting dan underfitting: penyebab dan solusi (dropout, early stopping).
9. Sesi 9:
   • Membuat model CNN lebih kompleks untuk klasifikasi multi-kelas (organik, anorganik, berbahaya).
10. Sesi 10:
    • Latihan: Melatih model dengan dataset sampah sederhana dan menampilkan hasil klasifikasi.

Bagian 2: Deteksi Objek dengan CNN (Sesi 11–20)

11. Sesi 11:
    • Pengantar deteksi objek: perbedaan antara klasifikasi dan deteksi objek.
12. Sesi 12:
    • Pengenalan YOLO, Faster R-CNN, dan SSD.
13. Sesi 13:
    • Implementasi deteksi objek menggunakan YOLO pre-trained model.
14. Sesi 14:
    • Pelabelan data untuk deteksi objek menggunakan LabelImg atau tools lain.
15. Sesi 15:
    • Membuat dataset deteksi objek sampah dari gambar.
16. Sesi 16:
    • Training model deteksi objek pada dataset sampah.
17. Sesi 17:
    • Fine-tuning model YOLO untuk meningkatkan performa.
18. Sesi 18:
    • Integrasi deteksi objek ke aplikasi Python (Streamlit atau Flask).
19. Sesi 19:
    • Latihan: Menggunakan model untuk mendeteksi jenis sampah pada gambar dan video.
20. Sesi 20:
    • Evaluasi model deteksi objek: IoU, mAP, precision, dan recall.

Bagian 3: Optimasi dan Implementasi Lanjut (Sesi 21–30)

21. Sesi 21:
    • Transfer learning: menggunakan model pre-trained (VGG16, ResNet).
22. Sesi 22:
    • Melatih model transfer learning pada dataset sampah.
23. Sesi 23:
    • Teknik optimasi model: Adam, SGD, learning rate scheduler.
24. Sesi 24:
    • Latihan: Membandingkan performa antara model buatan sendiri dan transfer learning.
25. Sesi 25:
    • Meningkatkan performa dengan data augmentasi dan balancing dataset.
26. Sesi 26:
    • Penggunaan TensorFlow Lite untuk membuat model lebih ringan.
27. Sesi 27:
    • Deploy model klasifikasi ke aplikasi mobile dengan TensorFlow Lite.
28. Sesi 28:
    • Penggunaan GPU/TPU untuk mempercepat proses training.
29. Sesi 29:
    • Integrasi dengan perangkat keras (contoh: kamera Raspberry Pi).
30. Sesi 30:
    • Latihan: Proyek akhir klasifikasi dan deteksi objek sampah menggunakan video live.

Bagian 4: Proyek Akhir dan Penyempurnaan (Sesi 31–40)

31. Sesi 31:
    • Pembuatan aplikasi berbasis web untuk klasifikasi dan deteksi sampah.
32. Sesi 32:
    • Desain antarmuka aplikasi menggunakan Flask atau Streamlit.
33. Sesi 33:
    • Integrasi model klasifikasi dan deteksi ke aplikasi web.
34. Sesi 34:
    • Penanganan input data berupa gambar dan video dari pengguna.
35. Sesi 35:
    • Implementasi fitur hasil klasifikasi/deteksi dalam format laporan.
36. Sesi 36:
    • Penggunaan dashboard untuk menampilkan statistik hasil klasifikasi.
37. Sesi 37:
    • Testing aplikasi secara menyeluruh.
38. Sesi 38:
    • Dokumentasi proyek: laporan teknis dan presentasi.
39. Sesi 39:
    • Presentasi proyek akhir: aplikasi deteksi dan klasifikasi sampah.
40. Sesi 40:
    • Refleksi dan diskusi lanjutan: pengembangan ke depan dan integrasi AI dalam manajemen sampah.