Kursus Skripsi Tesis Disertasi Python YOLO ~ Fusi Sensor Multispektral dan Model YOLO untuk Deteksi Objek pada Citra Satelit Resolusi Tinggi

Berikut adalah silabus 10 sesi (masing-masing 1,5 jam) untuk topik “Fusi Sensor Multispektral dan Model YOLO untuk Deteksi Objek pada Citra Satelit Resolusi Tinggi”. Silabus ini cocok untuk program riset atau pelatihan tingkat lanjut (S2/S3), dan dapat digunakan untuk persiapan tesis atau disertasi.

🎯 Tujuan Umum:

Memahami teknik fusi data multispektral dengan metode deep learning YOLO untuk meningkatkan akurasi deteksi objek pada citra satelit resolusi tinggi.

📚 Silabus 10 Sesi (1.5 Jam per Sesi)

Sesi 1: Pengenalan Citra Satelit dan YOLO

• Pengantar citra satelit (resolusi spasial, spektral, temporal)

• Jenis sensor satelit (Panchromatic, Multispektral, Hiperspektral)

• Dasar YOLO (You Only Look Once): arsitektur dan kelebihan

• Studi kasus penggunaan YOLO dalam remote sensing

Sesi 2: Pemrosesan Awal Citra Satelit

• Koreksi radiometrik dan geometrik

• Transformasi warna (RGB → NDVI, EVI, dsb)

• Resampling dan pansharpening (untuk meningkatkan resolusi)

• Library Python: Rasterio, GDAL, OpenCV, PIL

Sesi 3: Fusi Data Multispektral dan Panchromatic

• Teknik fusi: IHS, PCA, Brovey, Wavelet, Deep Fusion

• Praktik fusi data multispektral dan pansharpening

• Evaluasi hasil fusi (Q Index, ERGAS, SAM)

Sesi 4: Persiapan Dataset Deteksi Objek

• Labeling objek pada citra satelit (menggunakan Roboflow atau LabelImg)

• Format dataset YOLO (annotation .txt, struktur folder)

• Split dataset: train, validation, test

• Augmentasi data citra satelit (zoom, flip, rotate, brightness)

Sesi 5: Pelatihan YOLOv5 pada Dataset Satelit

• Setup YOLOv5: instalasi, arsitektur, pre-trained weights

• Modifikasi anchor box dan hyperparameter

• Transfer learning dari COCO ke dataset satelit

• Menjalankan proses training dan visualisasi hasil

Sesi 6: Evaluasi Model dan Metrik Kinerja

• Mean Average Precision (mAP), Precision, Recall

• Confusion Matrix dan IoU

• Analisis error dan false positives pada citra satelit

• Visualisasi hasil deteksi dalam koordinat spasial

Sesi 7: Penerapan YOLO pada Citra Satelit Real

• Deteksi objek: kendaraan, bangunan, kapal, tanaman, dll.

• Integrasi dengan data spasial (GeoTIFF, shapefile)

• Proyeksi hasil deteksi ke sistem koordinat (EPSG)

Sesi 8: Integrasi YOLO dengan Fusi Data

• Pipeline lengkap: Fusi multispektral → preprocessing → deteksi

• Analisis perbandingan hasil YOLO dengan dan tanpa fusi

• Studi kasus area urban vs area vegetasi

Sesi 9: Optimasi Model dan Deploy

• Kompresi model (ONNX, TensorRT) untuk efisiensi

• Implementasi YOLOv5-tiny untuk real-time detection

• Deploy ke cloud atau web service (Flask/FastAPI + Docker)

Sesi 10: Presentasi Proyek dan Diskusi

• Presentasi hasil proyek masing-masing peserta

• Diskusi tantangan dan solusi selama pelatihan

• Rencana pengembangan lanjutan (tesis/disertasi/jurnal)

📦 Tools dan Library yang Digunakan

• Python (PyTorch, OpenCV, Rasterio, NumPy, Matplotlib)

• YOLOv5/YOLOv8

• QGIS/ArcGIS (opsional untuk validasi spasial)

• Roboflow/LabelImg (untuk annotasi)

• Google Colab / Jupyter Notebook