Kursus Skripsi Tesis Disertasi Python YOLO ~ Sistem Deteksi dan Klasifikasi Jenis Ikan di Kolam Akuakultur Menggunakan YOLO

Berikut adalah silabus 10 sesi (@1,5 jam per sesi) untuk topik “Sistem Deteksi dan Klasifikasi Jenis Ikan di Kolam Akuakultur Menggunakan YOLO”, dirancang secara terstruktur dari pengenalan konsep hingga implementasi akhir.

🐟 Silabus 10 Sesi (1.5 Jam/Sesi)

Judul: Sistem Deteksi dan Klasifikasi Jenis Ikan di Kolam Akuakultur Menggunakan YOLO

✅ Sesi 1: Pengenalan Akuakultur dan Permasalahan Deteksi Ikan

• Konsep dasar akuakultur dan pentingnya monitoring ikan

• Tantangan dalam identifikasi jenis ikan secara otomatis

• Pengenalan YOLO dan aplikasinya dalam visi komputer

• Studi kasus deteksi ikan dari literatur

✅ Sesi 2: Pengenalan YOLO dan Arsitekturnya

• Sejarah dan evolusi YOLO (v1 hingga v8)

• Perbedaan YOLOv4, YOLOv5, YOLOv7, dan YOLOv8

• Arsitektur CNN pada YOLO

• Kelebihan dan kelemahan YOLO dibanding metode lain

✅ Sesi 3: Persiapan Dataset Ikan

• Sumber dataset (open-source atau custom capture dari kolam)

• Teknik pengambilan gambar yang baik untuk ikan (lighting, sudut, posisi)

• Struktur folder dan anotasi dataset

• Pengenalan LabelImg dan Roboflow

✅ Sesi 4: Anotasi dan Augmentasi Dataset

• Cara memberi label bounding box pada ikan

• Format anotasi YOLO

• Teknik augmentasi: flip, brightness, blur, dll.

• Upload dan preprocessing dataset di Roboflow

✅ Sesi 5: Instalasi dan Konfigurasi YOLOv5

• Setup environment (Python, Torch, YOLOv5 repo)

• Struktur file YOLOv5

• Menyiapkan file YAML (data.yaml, config model)

• Menentukan jumlah kelas (jenis ikan)

✅ Sesi 6: Training Model YOLOv5

• Menentukan parameter training (batch size, epochs, image size)

• Memulai training dan melihat output hasil log

• Menggunakan GPU vs CPU

• Evaluasi metrik (Precision, Recall, mAP)

✅ Sesi 7: Validasi dan Testing Model

• Melakukan inferensi terhadap video/citra kolam akuakultur

• Menyimpan hasil deteksi dalam format video atau frame

• Analisis error deteksi

• Penggunaan conf-threshold dan IOU-threshold

✅ Sesi 8: Penerapan Sistem Real-Time Deteksi Ikan

• Implementasi real-time YOLO dengan OpenCV

• Menangkap video dari webcam / kamera kolam

• Menampilkan label klasifikasi + confidence score

• Menyimpan hasil deteksi dalam log / file

✅ Sesi 9: Evaluasi Performa dan Visualisasi Data

• Membandingkan hasil deteksi dari berbagai jenis ikan

• Membuat dashboard sederhana hasil deteksi (jumlah, jenis, frekuensi)

• Visualisasi hasil klasifikasi ikan dengan grafik matplotlib atau seaborn

✅ Sesi 10: Finalisasi dan Presentasi Proyek Mini

• Dokumentasi dan presentasi hasil proyek akhir

• Penyusunan laporan dan skrip akhir

• Diskusi: Pengembangan lanjutan (integrasi IoT, edge computing, dsb.)

• Tips publikasi jurnal atau kompetisi AI bidang akuakultur