Jasa Skripsi Tesis Disertasi Yolo 11 | Deteksi Kendaraan Liar untuk Sistem Smart City

Berikut adalah silabus 20 sesi (@1,5 jam) untuk proyek “Deteksi Kendaraan Liar untuk Sistem Smart City berbasis YOLOv11”. Silabus ini cocok untuk skripsi, tugas akhir, atau proyek praktis menggunakan Python dan YOLOv11.

Silabus: Deteksi Kendaraan Liar untuk Sistem Smart City

Total: 20 Sesi x 1,5 jam

Level 1: Pengantar & Persiapan Data (Sesi 1–4)

Sesi 1: Pengenalan Proyek Deteksi Kendaraan Liar

• Konsep Smart City dan peran Computer Vision

• Studi kasus pelanggaran kendaraan (parkir liar, rambu dilanggar)

• Gambaran umum YOLOv11

Sesi 2: Instalasi Lingkungan Kerja

• Instalasi Python, OpenCV, PyTorch

• Setup YOLOv11 melalui Roboflow atau GitHub

• Struktur direktori proyek

Sesi 3: Dataset dan Labeling

• Dataset publik vs pengambilan data sendiri

• Labeling dataset menggunakan LabelImg/Roboflow

• Format YOLO (.txt)

Sesi 4: Augmentasi Data

• Teknik augmentasi (rotasi, flip, noise)

• Menggunakan albumentations untuk augmentasi otomatis

• Simpan hasil ke format YOLO

Level 2: Training YOLOv11 (Sesi 5–8)

Sesi 5: Arsitektur YOLOv11

• Perbedaan dengan versi sebelumnya

• Anchor boxes, Grid system

• Performa dan akurasi

Sesi 6: Konfigurasi Training

• Mengatur file .yaml, train.py, dan hyperparameter

• Menyesuaikan jumlah kelas dan dataset

Sesi 7: Proses Pelatihan Model

• Training YOLOv11 dari awal / transfer learning

• Monitoring loss dan mAP

• Menyimpan checkpoint model

Sesi 8: Evaluasi Model

• Precision, Recall, F1-Score, dan Confusion Matrix

• Visualisasi hasil deteksi

• Perbaikan dataset bila hasil kurang akurat

Level 3: Implementasi Sistem Deteksi (Sesi 9–13)

Sesi 9: Deteksi Real-Time dari Kamera

• Integrasi YOLOv11 dengan OpenCV (streaming)

• Menampilkan bounding box secara live

Sesi 10: Penentuan Area Parkir Terlarang

• Menggunakan koordinat area deteksi (polygon ROI)

• Menandai area terlarang secara visual

Sesi 11: Deteksi Pelanggaran

• Logika deteksi kendaraan di area terlarang

• Menyimpan pelanggaran (screenshot + waktu)

Sesi 12: Manajemen Data Pelanggaran

• Simpan data ke file CSV/Database

• Tampilan statistik jumlah pelanggaran per hari

Sesi 13: Notifikasi Otomatis

• Kirim notifikasi (email / Telegram bot)

• Sistem alert ke admin/operator

Level 4: Integrasi Smart City & Visualisasi (Sesi 14–17)

Sesi 14: Integrasi dengan Dashboard Web

• Gunakan Flask/Streamlit untuk menampilkan hasil deteksi

• Menampilkan statistik pelanggaran harian/mingguan

Sesi 15: Visualisasi Lokasi Pelanggaran

• Menambahkan koordinat lokasi (jika outdoor)

• Integrasi peta (Leaflet.js atau Google Maps)

Sesi 16: Manajemen Pengguna Sistem

• Login admin/operator

• Filter pelanggaran berdasarkan waktu

Sesi 17: Uji Coba di Lingkungan Nyata

• Uji dengan kamera CCTV atau webcam

• Catat kelemahan dan kelebihan sistem

Level 5: Dokumentasi & Penyelesaian Proyek (Sesi 18–20)

Sesi 18: Dokumentasi Proyek

• Dokumentasi kode, arsitektur sistem

• Panduan instalasi dan penggunaan

Sesi 19: Penulisan Laporan/Skripsi

• Bab 1–5 kerangka penulisan

• Penjabaran hasil dan kesimpulan

Sesi 20: Presentasi & Evaluasi

• Simulasi presentasi proyek

• Tanya jawab dan evaluasi sistem