Kursus Skripsi Tesis Disertasi Python YOLO ~ Penggabungan YOLO dan Generative Adversarial Network (GAN) untuk Peningkatan Akurasi Deteksi Objek di Area Terbatas

Berikut adalah silabus 10 sesi (@1.5 jam) untuk topik “Penggabungan YOLO dan Generative Adversarial Network (GAN) untuk Peningkatan Akurasi Deteksi Objek di Area Terbatas” yang dirancang untuk peserta dengan latar belakang computer vision atau deep learning tingkat menengah–lanjutan.

📚 Silabus 10 Sesi – YOLO + GAN untuk Deteksi Objek di Area Terbatas

🔍 Tujuan Umum

Memahami integrasi YOLO dan GAN dalam meningkatkan akurasi deteksi objek, khususnya untuk citra terbatas (low-resource dataset), termasuk implementasi, pelatihan, evaluasi, dan optimasi model.

✅ Sesi 1: Pengantar YOLO dan GAN

• Penjelasan konsep YOLO (You Only Look Once) untuk deteksi objek

• Penjelasan konsep GAN (Generative Adversarial Network) untuk augmentasi data

• Studi kasus masalah deteksi di area terbatas (low-data, low-resolution)

• Tools yang digunakan: Python, PyTorch/TensorFlow, Google Colab

✅ Sesi 2: Arsitektur dan Variasi YOLO

• Evolusi YOLO (v1 hingga v8)

• Struktur model YOLOv5/YOLOv8 (Backbone, Neck, Head)

• Kelebihan dan kelemahan dalam konteks dataset terbatas

• Instalasi dan eksplorasi model YOLOv5

✅ Sesi 3: Arsitektur GAN dan Aplikasinya dalam Computer Vision

• Struktur GAN: Generator & Discriminator

• Conditional GAN vs Vanilla GAN

• Aplikasi GAN: augmentasi, restorasi, super-resolution

• Studi pustaka penggunaan GAN untuk perbaikan citra

✅ Sesi 4: Dataset dan Persiapan Pipeline

• Pemilihan dan anotasi dataset terbatas (labelimg, Roboflow)

• Preprocessing data untuk YOLO dan GAN

• Struktur direktori proyek YOLO + GAN

• Evaluasi baseline akurasi YOLO tanpa GAN

✅ Sesi 5: Implementasi GAN untuk Augmentasi Data

• Membangun model GAN dasar (DCGAN atau cGAN)

• Pelatihan GAN untuk menghasilkan citra serupa objek target

• Visualisasi hasil generator

• Menyimpan hasil sintetik untuk training YOLO

✅ Sesi 6: Pelatihan YOLO dengan Data Augmentasi dari GAN

• Menambahkan gambar GAN ke dataset YOLO

• Training YOLOv5 dengan data augmented

• Parameter penting: batch size, epochs, augmentation

• Perbandingan hasil dengan baseline

✅ Sesi 7: Evaluasi dan Validasi Model

• Metode evaluasi: mAP (mean Average Precision), Precision, Recall

• Membandingkan YOLO original vs YOLO + GAN

• Analisis kasus sukses dan kegagalan (false positives/negatives)

• Tools: TensorBoard, confusion matrix

✅ Sesi 8: Fine-tuning GAN dan YOLO untuk Spesifik Area

• Transfer learning pada GAN (pre-trained style/image)

• Custom training GAN untuk domain terbatas (e.g., medical, CCTV)

• Fine-tuning YOLO untuk domain dengan sedikit kelas

• Optimasi GPU usage dan training time

✅ Sesi 9: Integrasi dan Automatisasi Pipeline

• Workflow otomatis: training GAN → hasil ke YOLO → evaluasi

• Menyimpan model dan inference pipeline

• Deploy YOLO model untuk inference real-time

• Validasi hasil deteksi di video/camera feed

✅ Sesi 10: Studi Kasus dan Presentasi Proyek

• Implementasi akhir dalam bentuk proyek mini:

  • Misalnya: deteksi orang di ruang sempit (koridor, pintu masuk)

• Presentasi hasil dan dokumentasi

• Diskusi tantangan dan pengembangan lebih lanjut