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