Programming
Kursus Skripsi Tesis Disertasi Python YOLO ~ Pengembangan Framework YOLO dengan Federated Learning untuk Pengolahan Data Deteksi Terdistribusi
Berikut adalah silabus 10 sesi (masing-masing 1.5 jam) untuk topik “Pengembangan Framework YOLO dengan Federated Learning untuk Pengolahan Data Deteksi Terdistribusi”. Silabus ini cocok untuk riset tingkat tesis (S2) atau disertasi (S3), dengan kombinasi praktik coding, teori deep learning, dan pengujian kolaboratif.
🎓 Silabus 10x Sesi – Pengembangan Framework YOLO + Federated Learning
| Sesi | Topik | Deskripsi Materi |
|---|---|---|
| 1 | Pengenalan YOLO dan Federated Learning | – Konsep dasar YOLO (You Only Look Once) – Arsitektur YOLOv5 dan YOLOv8 – Prinsip kerja Federated Learning (FL) – Studi kasus penggunaan FL dalam deteksi objek |
| 2 | Persiapan Dataset Terdistribusi | – Struktur data pada sistem FL (klien dan server) – Simulasi pembagian dataset ke beberapa node – Preprocessing dan augmentasi data secara lokal |
| 3 | Implementasi YOLOv5 pada Dataset Lokal | – Instalasi dan konfigurasi YOLOv5 – Pelatihan model deteksi objek secara lokal – Evaluasi awal akurasi lokal (precision, recall, mAP) |
| 4 | Pengenalan dan Instalasi Framework Federated Learning | – Federated Averaging (FedAvg), FedProx, dll – Instalasi framework FL: Flower, TensorFlow Federated, atau PySyft – Arsitektur client-server FL |
| 5 | Integrasi YOLOv5 dengan Federated Learning (Tahap 1) | – Membuat skrip pelatihan YOLO dalam node FL – Menyusun struktur klien yang mengupdate model lokal – Validasi sinkronisasi model FL sederhana |
| 6 | Pengembangan Server Federated Learning | – Setup server agregator model – Sinkronisasi parameter dari node-node lokal – Implementasi Federated Averaging (FedAvg) |
| 7 | Sinkronisasi Federated YOLO dan Simulasi | – Simulasi proses pelatihan global: pengiriman, pembaruan model, agregasi parameter – Visualisasi convergence dan distribusi data – Logging hasil pelatihan tiap klien |
| 8 | Evaluasi Performa dan Keamanan | – Evaluasi global model: precision, recall, F1, mAP – Bandingkan hasil FL vs centralized training – Pengantar privasi diferensial dan keamanan model FL |
| 9 | Eksperimen Lanjutan: Federated Proximal dan Non-IID Data | – Penerapan FedProx untuk menangani data tidak seimbang antar klien – Studi efek data non-IID terhadap performa YOLO – Analisis efektivitas per node |
| 10 | Presentasi Akhir dan Pengembangan Framework Modular | – Penyusunan arsitektur modular untuk Federated YOLO – Rekomendasi pengembangan dan publikasi – Simulasi deployment pada lingkungan nyata (edge device, Raspberry Pi, dsb) |
📦 Tools & Teknologi:
-
Python, PyTorch, YOLOv5/YOLOv8
-
Flower / TensorFlow Federated / PySyft
-
Docker (opsional, untuk simulasi multi-klien)
-
TensorBoard / Weights & Biases (untuk monitoring)
📌 Hasil Akhir:
-
Framework modular YOLO-FL untuk deteksi objek terdistribusi
-
Dataset simulasi terbagi di beberapa node
-
Evaluasi akurasi model lokal dan global
-
Laporan ilmiah dan presentasi proyek
