Kursus Skripsi Tesis Disertasi Python YOLO ~ Pengembangan Aplikasi Android Deteksi Buah Matang dengan YOLO-tiny

Berikut adalah silabus 10 sesi @1.5 jam untuk kursus “Pengembangan Aplikasi Android Deteksi Buah Matang dengan YOLO-tiny”. Silabus ini dirancang agar peserta memahami alur lengkap mulai dari dasar YOLO-tiny, anotasi data buah, training model, hingga integrasi ke aplikasi Android menggunakan TensorFlow Lite.

📚 Silabus Kursus – 10 Sesi (masing-masing 1.5 jam)

Topik: Pengembangan Aplikasi Android Deteksi Buah Matang dengan YOLO-tiny

🟢 Sesi 1: Pengantar Deteksi Buah dan YOLO-tiny

• Pengenalan deteksi objek (object detection)

• Studi kasus: Deteksi buah matang

• Konsep dasar YOLO (You Only Look Once)

• Kelebihan YOLO-tiny untuk perangkat mobile

🟢 Sesi 2: Persiapan Dataset Deteksi Buah

• Jenis buah dan kondisi matang vs mentah

• Pengumpulan dan klasifikasi dataset gambar buah

• Anotasi gambar dengan LabelImg / Roboflow

• Format YOLO (bounding box, class label)

🟢 Sesi 3: Instalasi dan Konfigurasi Lingkungan Training

• Instalasi Python, OpenCV, dan dependensi YOLOv4-tiny

• Clone repository YOLO-tiny (Darknet atau Ultralytics)

• Struktur folder untuk pelatihan model

• Penyesuaian konfigurasi .cfg, .names, dan .data

🟢 Sesi 4: Training Model YOLO-tiny

• Preprocessing dataset

• Penjelasan parameter training: batch, subdivisions, epochs

• Training model buah matang dengan GPU (Google Colab)

• Evaluasi hasil training (precision, recall, mAP)

🟢 Sesi 5: Konversi Model ke Format Mobile

• Export model YOLO-tiny ke TensorFlow Lite (TFLite)

• Menggunakan darknet2onnx lalu onnx2tflite

• Validasi hasil konversi dan testing awal

🟢 Sesi 6: Pengenalan Android Studio & Flutter/Java

• Instalasi Android Studio

• Struktur dasar proyek Android (MainActivity, layout)

• Perbandingan Java vs Flutter (pilih Java untuk minimal dependency)

• Library deteksi objek di Android (TensorFlow Lite + CameraX)

🟢 Sesi 7: Integrasi Model YOLO ke Aplikasi Android

• Menambahkan model .tflite ke proyek

• Mengakses kamera menggunakan CameraX

• Deteksi objek real-time dengan TFLite Interpreter

• Menampilkan bounding box deteksi

🟢 Sesi 8: Optimasi dan Visualisasi Deteksi

• Membuat UI overlay untuk hasil deteksi

• Peningkatan akurasi dan FPS

• Deteksi lebih dari satu buah

• Filter hanya buah matang

🟢 Sesi 9: Testing Lapangan dan Debugging

• Pengujian aplikasi di beberapa perangkat

• Analisis error umum (out of memory, model tidak terbaca)

• Kalibrasi ulang jika deteksi tidak akurat

• Dokumentasi penggunaan aplikasi

🟢 Sesi 10: Finalisasi dan Distribusi Aplikasi

• Export APK untuk Android

• Upload ke Google Drive/Play Store (opsional)

• Presentasi hasil proyek akhir

• Tips pengembangan lebih lanjut (YOLOv8, Federated Learning)