Kursus Skripsi Tesis Disertasi Matlab | “Deteksi dan Klasifikasi Objek Menggunakan Metode Convolutional Neural Network (CNN) Berbasis MATLAB”

Berikut adalah silabus 20 sesi (masing-masing durasi ±1.5 jam) untuk topik:

“Deteksi dan Klasifikasi Objek Menggunakan Metode Convolutional Neural Network (CNN) Berbasis MATLAB”

🔹 Tujuan Umum:

Mahasiswa atau peserta pelatihan mampu memahami konsep CNN dan mengimplementasikan deteksi dan klasifikasi objek menggunakan MATLAB secara praktis.

🧠 Silabus 20 Sesi

📘 Bagian I: Pengenalan dan Persiapan Lingkungan (Sesi 1–4)

Sesi 1: Pengenalan Deep Learning dan CNN

• Konsep AI, Machine Learning, dan Deep Learning

• Struktur dasar CNN (Convolution, Pooling, Flatten, FC)

• Studi kasus penggunaan CNN

Sesi 2: Pengenalan MATLAB untuk Deep Learning

• Toolboxes penting: Deep Learning Toolbox, Image Processing Toolbox

• Instalasi dan setup lingkungan MATLAB

Sesi 3: Pengolahan dan Augmentasi Data

• Teknik preprocessing citra

• Normalisasi dan augmentasi data

• Membuat image datastore

Sesi 4: Visualisasi dan Eksplorasi Dataset

• Contoh dataset: CIFAR-10, MNIST, custom dataset

• Menampilkan dan memahami distribusi kelas

📗 Bagian II: Membangun dan Melatih CNN (Sesi 5–10)

Sesi 5: Membangun Arsitektur CNN Sederhana

• Layer Convolution, ReLU, MaxPooling, Fully Connected

• Penjelasan arsitektur LeNet

Sesi 6: Proses Training Model

• Konfigurasi training: epoch, batch size, optimizer

• Fungsi trainNetwork() di MATLAB

Sesi 7: Evaluasi dan Validasi Model

• Membuat confusion matrix

• Mengukur akurasi, precision, recall, dan F1-score

Sesi 8: Transfer Learning dengan CNN Pre-trained

• Penggunaan model AlexNet, GoogLeNet, ResNet

• Memodifikasi layer terakhir untuk klasifikasi objek baru

Sesi 9: Fine-tuning CNN

• Strategi fine-tuning: freeze & retrain layers

• Pengaruh learning rate dan epoch

Sesi 10: Eksperimen Performa Model

• Latih ulang dengan variasi jumlah data

• Pengaruh augmentasi data terhadap hasil klasifikasi

📙 Bagian III: Deteksi Objek (Object Detection) (Sesi 11–15)

Sesi 11: Perbedaan Klasifikasi vs Deteksi Objek

• Deteksi bounding box vs klasifikasi tunggal

• Studi kasus deteksi multi-objek

Sesi 12: Pendahuluan Region-based CNN (R-CNN)

• Konsep Selective Search

• Perkenalan algoritma R-CNN, Fast R-CNN, Faster R-CNN

Sesi 13: Deteksi Objek dengan Pre-trained YOLO di MATLAB

• Instalasi YOLO dalam MATLAB

• Menjalankan deteksi objek realtime dari webcam

Sesi 14: Penerapan Fast R-CNN di MATLAB

• Menggunakan trainFastRCNNObjectDetector()

• Evaluasi bounding box IoU (Intersection over Union)

Sesi 15: Deteksi Objek pada Video

• Membaca dan menampilkan video

• Deteksi objek frame-by-frame

• Visualisasi hasil bounding box

📕 Bagian IV: Proyek dan Evaluasi (Sesi 16–20)

Sesi 16: Studi Kasus 1 – Klasifikasi Buah

• Dataset buah lokal

• Implementasi CNN dari awal

Sesi 17: Studi Kasus 2 – Deteksi Objek di Jalan Raya

• Dataset mobil, motor, pejalan kaki

• Menggunakan YOLO atau Fast R-CNN

Sesi 18: Evaluasi dan Interpretasi Hasil

• Membuat laporan performa model

• Analisis kesalahan klasifikasi dan deteksi

Sesi 19: Optimalisasi dan Deployment

• Menyimpan model dalam .mat

• Deploy ke aplikasi GUI sederhana

Sesi 20: Presentasi Proyek Akhir dan Review

• Masing-masing peserta mempresentasikan hasil deteksi & klasifikasi

• Review dan diskusi hasil implementasi

📌 Bonus (opsional jika ada waktu tambahan)

• Pengenalan ke Explainable AI (Grad-CAM, saliency maps)

• Integrasi CNN MATLAB dengan Python (via MATLAB Engine)