Jasa Skripsi Tesis Disertasi Python YOLO ~ Analisis Performa YOLO terhadap Pencahayaan Rendah pada Deteksi Objek Malam Hari

Berikut adalah silabus 10 sesi (masing-masing @1.5 jam) untuk topik “Analisis Performa YOLO terhadap Pencahayaan Rendah pada Deteksi Objek Malam Hari”, dirancang untuk skripsi/penelitian atau pelatihan teknis. Silabus ini mencakup teori, praktik, dan eksperimen untuk mengevaluasi performa deteksi objek dalam kondisi pencahayaan rendah.

Silabus 10x Sesi – Analisis Performa YOLO di Pencahayaan Rendah

Sesi 1: Pengenalan Deteksi Objek dan YOLO

• Apa itu deteksi objek?

• Perkembangan YOLO (v3–v8): fitur utama dan arsitektur

• Studi kasus penggunaan YOLO di lingkungan nyata

• Tugas: install Python, OpenCV, dan YOLOv5 (via PyTorch)

Sesi 2: Dataset dan Pencahayaan Rendah

• Jenis-jenis dataset deteksi objek (COCO, BDD100K, custom)

• Karakteristik citra malam dan low-light

• Teknik mengumpulkan dataset malam hari

• Tugas: ambil 50–100 gambar malam hari untuk dataset awal

Sesi 3: Labeling Dataset dengan LabelImg/Roboflow

• Format YOLO: .txt bounding box

• Cara labeling dengan LabelImg atau Roboflow

• Pengaturan class objek (misalnya: mobil, motor, pejalan kaki)

• Tugas: labeling minimal 30 gambar low-light

Sesi 4: Pelatihan Model YOLOv5 Dasar

• Struktur proyek YOLOv5

• Preprocessing data: resize, normalisasi

• Training pertama: baseline model dengan pencahayaan normal

• Tugas: Latih model dasar menggunakan dataset normal

Sesi 5: Eksperimen pada Citra Pencahayaan Rendah

• Fine-tune model dengan dataset malam

• Analisis hasil awal (mAP, precision, recall)

• Evaluasi menggunakan confusion matrix

• Tugas: dokumentasi hasil deteksi pada malam hari

Sesi 6: Teknik Peningkatan Deteksi di Low-Light

• Histogram Equalization, CLAHE, Brightness Adjustment

• Bandingkan hasil sebelum dan sesudah preprocessing

• Integrasi preprocessing dalam pipeline YOLO

• Tugas: uji 3 teknik enhancement dan catat hasilnya

Sesi 7: Evaluasi Performa dan Robustness

• Performa berdasarkan level kecerahan (lumen/rating subjektif)

• mAP vs brightness level

• Analisis kesalahan: false positive dan false negative

• Tugas: plot grafik performa berdasarkan kondisi cahaya

Sesi 8: Bandingkan dengan Model Lain

• Bandingkan YOLOv5 dengan YOLOv8 atau SSD/RetinaNet

• Keunggulan dan kelemahan di low-light environment

• Uji model secara paralel

• Tugas: presentasi hasil perbandingan dalam tabel dan grafik

Sesi 9: Visualisasi dan Laporan

• Visualisasi bounding box dan confidence score

• Dokumentasi gambar gagal deteksi dan alasannya

• Penulisan bagian hasil dan pembahasan untuk laporan

• Tugas: buat 5–10 halaman laporan analisis

Sesi 10: Presentasi dan Simulasi Proyek

• Presentasi hasil akhir: metode, hasil, dan analisis

• Simulasi langsung deteksi objek malam hari

• Evaluasi dari instruktur atau reviewer

• Diskusi potensi pengembangan lebih lanjut (real-time, embedded device)

Output Akhir:

• Dataset low-light dengan labeling

• Model YOLO yang terlatih

• Grafik mAP dan precision-recall per kondisi pencahayaan

• Laporan mini penelitian dan presentasi final