Kursus Skripsi Tesis Disertasi Python YOLO ~ Sistem Deteksi Kendaraan Parkir Liar Menggunakan YOLO dan OpenCV

Berikut adalah silabus 10 sesi @1,5 jam untuk topik:
“Sistem Deteksi Kendaraan Parkir Liar Menggunakan YOLO dan OpenCV”

🎯 Tujuan Umum:

Mahasiswa mampu merancang dan mengimplementasikan sistem deteksi kendaraan parkir liar berbasis video menggunakan YOLO dan OpenCV, serta memahami alur kerja deteksi objek dan pengolahan citra secara menyeluruh.

📘 Silabus 10 Sesi (Total 15 Jam)

✅ Sesi 1: Pengenalan Sistem Deteksi Parkir Liar

• Konsep pelanggaran parkir dan pentingnya sistem deteksi otomatis

• Studi kasus dan teknologi yang digunakan

• Penjelasan YOLO dan OpenCV dalam konteks deteksi visual

• Tools yang akan digunakan (Python, OpenCV, YOLOv5/YOLOv8, Google Colab/VSCode)

✅ Sesi 2: Instalasi dan Setup Lingkungan

• Instalasi Python dan pustaka pendukung

• Instalasi YOLOv5/YOLOv8 via GitHub

• Setup Google Colab dan GPU runtime (alternatif lokal)

• Uji coba pertama YOLO dengan model pre-trained

✅ Sesi 3: Pengenalan YOLO dan Arsitekturnya

• Cara kerja YOLO (You Only Look Once)

• Perbedaan versi YOLO (v3 vs v4 vs v5 vs v8)

• Bounding box, confidence score, dan klasifikasi objek

• Evaluasi performa: mAP, precision, recall

✅ Sesi 4: Deteksi Kendaraan dengan YOLO Pre-trained

• Uji coba model YOLOv5 pada video jalan raya

• Deteksi mobil, motor, truk dalam video statis

• Menampilkan bounding box dan label kendaraan

• Menyimpan hasil deteksi ke dalam file video

✅ Sesi 5: Pengolahan Video dengan OpenCV

• Membaca video menggunakan OpenCV

• Menyusun loop frame-by-frame

• Region of Interest (ROI) untuk area larangan parkir

• Teknik masking area tertentu

✅ Sesi 6: Tracking Kendaraan (Optional: DeepSORT/SimpleTracker)

• Pengenalan tracking objek: perbedaan tracking vs detection

• Deteksi kendaraan diam dalam beberapa frame berturut-turut

• Menentukan kendaraan yang “parkir” vs hanya “berhenti sesaat”

• Threshold waktu kendaraan diam

✅ Sesi 7: Dataset dan Pelatihan YOLO Kustom

• Kebutuhan dataset parkir liar

• Labeling dataset dengan Roboflow/LabelImg

• Pelatihan ulang YOLOv5 dengan data lokal

• Evaluasi hasil pelatihan

✅ Sesi 8: Implementasi Deteksi Parkir Liar

• Penerapan model pada video jalan

• Identifikasi kendaraan yang diam dalam area tertentu

• Pemberian notifikasi “PARKIR LIAR TERDETEKSI”

• Logging kendaraan dan waktu parkir

✅ Sesi 9: Evaluasi dan Pengujian Sistem

• Uji sistem pada berbagai cuaca dan waktu

• Pengukuran akurasi deteksi dan false positives

• Pengujian di video dengan banyak kendaraan

• Analisis keterbatasan dan solusi

✅ Sesi 10: Dokumentasi dan Presentasi Proyek

• Struktur dokumentasi program

• Pembuatan laporan akhir (skripsi/tesis)

• Presentasi dan demo sistem

• Diskusi potensi pengembangan: integrasi ke CCTV real-time, notifikasi, GPS, atau web dashboard