Machine Learning

Kursus Skripsi Tesis Disertasi Python YOLO ~ Sistem Pemantauan Kualitas Proses Produksi Otomatis Menggunakan YOLO pada Jalur Perakitan

Berikut adalah silabus 10 sesi (masing-masing 1,5 jam) untuk topik:
“Sistem Pemantauan Kualitas Proses Produksi Otomatis Menggunakan YOLO pada Jalur Perakitan”


πŸ”§ Tujuan Umum

Mahasiswa memahami, mengembangkan, dan mengimplementasikan sistem berbasis YOLO untuk mendeteksi cacat atau kesalahan produk secara otomatis di jalur perakitan industri manufaktur.


πŸ“… Silabus 10 Sesi @1,5 Jam

Sesi 1: Pengenalan Sistem Otomatisasi Industri dan Computer Vision

  • Konsep sistem produksi otomatis

  • Studi kasus pemantauan kualitas produk

  • Peran computer vision dalam inspeksi produk

Sesi 2: Dasar-dasar Deteksi Objek dengan YOLO

  • Pengantar YOLO (v3, v4, v5, v8)

  • Arsitektur dan keunggulan YOLO

  • Perbandingan dengan metode deteksi objek lainnya (RCNN, SSD)

Sesi 3: Persiapan Dataset untuk Kualitas Produk

  • Identifikasi jenis kecacatan produk (goresan, deformasi, warna)

  • Pengambilan gambar produk dari jalur perakitan

  • Teknik anotasi dataset (LabelImg / Roboflow)

Sesi 4: Training Model YOLO

  • Instalasi YOLO dan dependensi (PyTorch, OpenCV)

  • Konfigurasi file training (dataset.yaml, model config)

  • Latihan: Fine-tuning model YOLO pada dataset cacat produk

Sesi 5: Evaluasi Model dan Validasi Akurasi

  • Confusion matrix, precision, recall, mAP

  • Strategi augmentasi data

  • Perbaikan performa model dengan transfer learning

Sesi 6: Implementasi Sistem Deteksi Real-Time

  • Penerapan model YOLO untuk video stream dari kamera jalur perakitan

  • Deteksi real-time menggunakan OpenCV

  • Visualisasi hasil deteksi cacat produk

Sesi 7: Integrasi Sistem ke Proses Produksi

  • Simulasi sistem inspeksi otomatis

  • Integrasi output YOLO ke sistem SCADA/MES

  • Studi penerapan IoT + AI untuk kontrol kualitas otomatis

Sesi 8: Analisis Data Hasil Deteksi

  • Pembuatan log data cacat produk (CSV/Database)

  • Visualisasi tren kerusakan produk

  • Analisis statistik penyebab cacat dari histori data

Sesi 9: Optimasi Sistem dan Edge Deployment

  • Penggunaan YOLO-tiny untuk perangkat edge (Jetson Nano, Raspberry Pi)

  • Pengurangan latensi dan efisiensi inference

  • Latihan deploy ke perangkat embedded

Sesi 10: Uji Coba Mini Project & Presentasi

  • Simulasi sistem inspeksi kualitas otomatis pada jalur rakitan miniatur

  • Presentasi hasil deteksi, performa sistem, dan evaluasi

  • Diskusi: potensi implementasi industri 4.0 dan pengembangan lanjutan

Related Articles

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *

Back to top button