Kursus Skripsi Tesis Disertasi Python YOLO ~ Pemanfaatan YOLO untuk Deteksi Dini Hama Tanaman Berbasis Drone

Berikut adalah silabus 10 sesi (masing-masing 1,5 jam) untuk topik “Pemanfaatan YOLOv8 untuk Deteksi Dini Hama Tanaman Berbasis Drone”, yang dirancang untuk mahasiswa tingkat akhir atau peserta pelatihan lanjutan dalam bidang AI pertanian, computer vision, dan teknologi drone.

📘 Silabus 10x Sesi – Pemanfaatan YOLOv8 untuk Deteksi Dini Hama Tanaman Berbasis Drone

🧩 Sesi 1: Pengantar Konsep Deteksi Hama Berbasis AI

• Pemahaman dasar mengenai hama tanaman dan dampaknya

• Kelebihan dan tantangan deteksi otomatis hama menggunakan AI

• Studi kasus: deteksi hama menggunakan drone dan YOLO

• Tools dan library yang akan digunakan (Python, Ultralytics YOLOv8, OpenCV, Google Colab, LabelImg)

🛸 Sesi 2: Dasar-dasar Drone dan Akuisisi Data Udara

• Pengenalan drone dan sensor kamera untuk pemetaan tanaman

• Teknik akuisisi citra dari udara (altitude, angle, overlap)

• Praktik: Simulasi pengambilan gambar menggunakan data publik atau UAV simulator

🖼️ Sesi 3: Dataset dan Labeling Citra Hama

• Struktur dataset YOLO (train/val/images dan labels)

• Teknik labeling menggunakan LabelImg atau Roboflow

• Penentuan kelas (misal: ulat grayak, wereng, belalang, dll.)

• Praktik: Labeling 10–20 gambar hama hasil UAV

📦 Sesi 4: Pengenalan YOLOv8 dan Instalasi Lingkungan

• Perbedaan YOLOv3, v5, v7, dan v8

• Instalasi Ultralytics YOLOv8 di Google Colab / lokal

• Penjelasan struktur file project YOLOv8

• Praktik: Training model YOLOv8 dengan dataset default (misal COCO subset)

🧠 Sesi 5: Training YOLOv8 dengan Dataset Hama

• Menyiapkan file .yaml dan dataset custom

• Konfigurasi hyperparameter dan augmentasi data

• Proses pelatihan model YOLOv8

• Evaluasi loss, precision, recall, mAP

🧪 Sesi 6: Validasi dan Evaluasi Model

• Teknik evaluasi performa model deteksi

• Confusion matrix, precision-recall curve

• Visualisasi hasil deteksi (bounding box, class confidence)

• Praktik: Uji model terhadap gambar baru dari drone

🔧 Sesi 7: Optimasi Model dan Transfer Learning

• Fine-tuning menggunakan pretrained weights

• Teknik augmentasi lanjutan dan image preprocessing

• Eksperimen: Membandingkan model YOLOv8n vs YOLOv8m

• Latihan: Mengurangi overfitting dan mempercepat training

📲 Sesi 8: Deploy Model ke Sistem Monitoring

• Export model ke format ONNX / TorchScript

• Simulasi sistem monitoring berbasis video drone

• Real-time object detection pipeline dengan OpenCV + YOLOv8

• Latihan: Jalankan deteksi live dari video drone

🛰️ Sesi 9: Integrasi Drone + Kamera + Model AI

• Arsitektur sistem lengkap: Drone → Gambar → Deteksi → Notifikasi

• Konsep edge computing dan IoT pertanian

• Simulasi integrasi dengan papan seperti Jetson Nano atau Raspberry Pi

• Studi kasus: Implementasi di kebun jagung/padi

📊 Sesi 10: Presentasi Mini Project dan Evaluasi

• Setiap peserta mempresentasikan hasil mini project:

  • Dataset, pelatihan, hasil evaluasi, dan penerapan

• Diskusi tantangan lapangan dan potensi pengembangan

• Umpan balik dan penutup