Machine Learning
Kursus Skripsi Tesis Disertasi Python ~ “Sistem Pendeteksi Helm pada Pengendara Sepeda Motor Menggunakan YOLO dan Python”
Berikut adalah silabus lengkap untuk kursus/proyek 20x sesi @1,5 jam bertema:
“Sistem Pendeteksi Helm pada Pengendara Sepeda Motor Menggunakan YOLO dan Python”
Silabus ini mencakup tahap riset, pengumpulan data, pelatihan model YOLO, evaluasi, hingga pembuatan aplikasi sederhana.
Tools: Python, OpenCV, YOLOv5/YOLOv8, Roboflow, Ultralytics, Jupyter/VSCode
Output Akhir: Aplikasi Deteksi Helm pada Video (Real-Time / Rekaman)
| Sesi | Materi | Tujuan |
|---|---|---|
| 1 | Pendahuluan Sistem Deteksi Objek & YOLO | Memahami konsep object detection dan arsitektur YOLO |
| 2 | Pengenalan YOLOv5/v8 dan Perbedaannya | Memahami versi-versi YOLO dan keunggulan masing-masing |
| 3 | Setup Lingkungan Kerja (Python, Ultralytics, CUDA) | Siap menjalankan pelatihan dan inference YOLO di Python |
| 4 | Dasar OpenCV untuk Video dan Gambar | Manipulasi dasar video & citra dalam Python |
| 5 | Studi Kasus: Analisis Video Jalan Raya | Mengenali karakteristik video deteksi helm |
| 6 | Labeling Dataset (LabelImg / Roboflow) | Membuat dataset helm vs tanpa helm |
| 7 | Augmentasi Dataset dan Split Train/Val/Test | Menambah variasi dataset agar model robust |
| 8 | Pelatihan Model YOLOv5 (Pretrained Model) | Melatih model pertama dari dataset buatan |
| 9 | Visualisasi dan Evaluasi Metrik (mAP, Precision, Recall) | Menganalisis hasil pelatihan secara kuantitatif |
| 10 | Analisis False Positive dan False Negative | Mengetahui kelemahan model deteksi |
| 11 | Optimasi Hyperparameter dan Ukuran Gambar (imgsz) | Menyesuaikan model dengan kondisi real |
| 12 | Test Model ke Video Asli (Real-time + Rekaman) | Menerapkan model ke real-world footage |
| 13 | Pengenalan Bounding Box dan Class Confidence | Menyempurnakan visual output YOLO |
| 14 | Post-Processing dan Filter Berdasarkan Class (helm / tidak) | Meningkatkan akurasi dengan rule tambahan |
| 15 | Pengenalan Tracking dengan Deep SORT (opsional) | Menambahkan pelacakan ke sistem deteksi |
| 16 | Implementasi GUI Sederhana (Tkinter / PyQT) | Membuat antarmuka pengguna untuk sistem deteksi |
| 17 | Uji Coba di Video Berbeda (Generalization Test) | Mengevaluasi generalisasi model |
| 18 | Export Model (ONNX, TorchScript) | Menyiapkan model untuk deployment |
| 19 | Integrasi dengan Webcam dan Alert System (Buzzer/Warning) | Sistem lengkap: dari deteksi ke peringatan |
| 20 | Presentasi Hasil & Dokumentasi Laporan Akhir | Menyusun laporan proyek dan presentasi hasil kerja |
