Kursus Skripsi Tesis Disertasi Python YOLO ~ Implementasi YOLO untuk Deteksi Anomali Posisi Duduk Mahasiswa di Ruang Kelas

Berikut adalah silabus 10 sesi (masing-masing 1,5 jam) untuk topik:
“Implementasi YOLOv7 untuk Deteksi Anomali Posisi Duduk Mahasiswa di Ruang Kelas”.
Silabus ini mencakup teori dasar computer vision, implementasi YOLOv7, hingga deteksi anomali perilaku duduk mahasiswa menggunakan data video kelas.

🧠 Silabus 10x Sesi – YOLOv7: Deteksi Anomali Posisi Duduk Mahasiswa

Sesi 1: Pengantar Computer Vision dan Deteksi Objek

• Pengertian Computer Vision dan aplikasinya

• Konsep deteksi objek vs segmentasi

• Evolusi algoritma YOLO (v1 hingga v7)

• Studi kasus: monitoring perilaku di ruang kelas

Sesi 2: Instalasi dan Konfigurasi Lingkungan YOLOv7

• Persiapan perangkat (Google Colab / lokal + GPU)

• Clone repositori YOLOv7 dan dependensi

• Tes deteksi objek bawaan YOLOv7 dengan dataset COCO

Sesi 3: Dataset dan Labeling Anotasi Posisi Duduk

• Definisi posisi duduk normal vs anomali (miring, rebahan, mengganggu)

• Pengambilan data video kelas (kamera CCTV / webcam)

• Proses labeling manual dengan LabelImg / Roboflow

• Format anotasi YOLO (txt format per gambar)

Sesi 4: Training YOLOv7 dengan Dataset Kelas

• Persiapan folder dataset: images dan labels

• Konfigurasi file .yaml, cfg, dan hyperparameters

• Proses training dan checkpoint model

• Analisis performa: mAP, precision, recall

Sesi 5: Evaluasi Model Deteksi Posisi Duduk

• Visualisasi bounding box hasil training

• Evaluasi terhadap kasus anomali (duduk miring, selonjor, dll)

• Overfitting dan solusi augmentasi data

Sesi 6: Deteksi Realtime Menggunakan Kamera

• Integrasi YOLOv7 dengan webcam / video input

• Implementasi script Python untuk realtime detection

• Deteksi multi-person dalam satu frame

Sesi 7: Pengenalan Deteksi Anomali

• Apa itu anomali? Konsep deteksi perilaku menyimpang

• Deteksi anomali berbasis bounding box + rules

• Contoh rule: posisi bounding box terlalu miring dari sumbu vertikal

Sesi 8: Logika Deteksi Anomali Posisi Duduk

• Mengukur rotasi bounding box (jika tersedia)

• Alternatif: bounding box miring terhadap kursi / meja

• Perbandingan posisi antar frame: tracking duduk ke berdiri, miring ke normal

Sesi 9: Pengolahan Hasil dan Visualisasi Laporan

• Logging hasil deteksi ke file CSV

• Visualisasi pelanggaran posisi duduk dari waktu ke waktu

• Rangkuman jumlah anomali per mahasiswa (jika ada face recognition opsional)

Sesi 10: Presentasi dan Pengujian Proyek

• Uji coba sistem secara langsung dengan video kelas

• Diskusi hasil dan performa model

• Saran pengembangan lanjutan: integrasi face ID, analisis perilaku, dll