Jasa Skripsi Tesis Disertasi Python YOLO ~ Pengembangan Model YOLO Adaptif untuk Deteksi Objek dalam Kondisi Cuaca Ekstrem

Berikut adalah silabus 10 sesi @1,5 jam untuk topik “Pengembangan Model YOLO Adaptif untuk Deteksi Objek dalam Kondisi Cuaca Ekstrem”. Silabus ini dirancang untuk mahasiswa tingkat akhir S2 atau S3, atau peneliti yang ingin mengembangkan dan menguji YOLO dalam skenario dunia nyata dengan kondisi lingkungan menantang seperti hujan, kabut, salju, atau malam hari.

Silabus 10x Sesi @1.5 Jam

✅ Sesi 1: Pengantar Deteksi Objek dan YOLO

• Konsep dasar deteksi objek: bounding box, confidence score, class prediction.

• Evolusi model YOLO: dari v1 hingga v8.

• Perbandingan YOLO dengan metode lain (Faster R-CNN, SSD).

• Studi kasus deteksi dalam kondisi normal vs ekstrem.

✅ Sesi 2: Studi Literatur dan Identifikasi Permasalahan

• Tinjauan literatur terkait deteksi dalam cuaca ekstrem.

• Tantangan cuaca: pencahayaan rendah, noise, kabut, blur.

• Kebutuhan model adaptif dan data augmentasi cuaca.

• Penetapan tujuan dan hipotesis riset.

✅ Sesi 3: Dataset dan Preprocessing

• Dataset populer: BDD100K, DENSE, Rainy Driving Dataset, Foggy Cityscapes.

• Teknik augmentasi cuaca (rain, snow, haze, low light) dengan OpenCV/Albumentations.

• Strategi split dataset: train/val/test.

✅ Sesi 4: Arsitektur YOLO dan Konfigurasi Model

• Komponen arsitektur YOLO (Backbone, Neck, Head).

• Konfigurasi model YOLOv5/v8 (yaml, anchor, input size).

• Transfer learning dengan pre-trained model.

• Tools: Ultralytics, Roboflow, LabelImg.

✅ Sesi 5: Training Model Standar

• Training YOLOv5 pada data normal (tanpa gangguan cuaca).

• Evaluasi: mAP, Precision, Recall, IoU.

• Visualisasi hasil prediksi.

• Logging dengan TensorBoard/W&B.

✅ Sesi 6: Simulasi Kondisi Cuaca Ekstrem

• Penambahan noise cuaca ke dataset (simulasi hujan, kabut, salju, malam).

• Fine-tuning model pada data cuaca ekstrem.

• Strategi adaptive training (weighted loss, focal loss).

• Perbandingan hasil terhadap baseline.

✅ Sesi 7: Pengembangan YOLO Adaptif

• Definisi model adaptif (self-attention, conditional detection).

• Modifikasi lightweight backbone (EfficientNet, GhostNet) untuk real-time.

• Penggunaan domain adaptation / style transfer (CycleGAN, AugGAN).

• Eksperimen arsitektur custom: YOLO + attention layer.

✅ Sesi 8: Evaluasi dan Analisis Kinerja Model

• Evaluasi multi-kondisi (cuaca cerah, hujan, malam, kabut).

• Metrik: mAP50, mAP@[.5:.95], latency (ms), FPS.

• Error analysis: false positives/negatives per kondisi.

• Visualisasi heatmap dan bounding box.

✅ Sesi 9: Optimasi dan Deployment

• Optimasi model: Pruning, Quantization, TensorRT.

• Uji real-time dengan kamera atau video.

• Konversi model ke ONNX/TFLite untuk deployment.

• Integrasi dengan edge device (Jetson Nano, Raspberry Pi).

✅ Sesi 10: Presentasi Proyek dan Penulisan Ilmiah

• Presentasi hasil proyek YOLO adaptif (slide/demo/video).

• Struktur penulisan jurnal/tesis (metodologi, eksperimen, analisis).

• Diskusi dan masukan peer-review.

• Rencana publikasi atau lanjutan riset.

Output Akhir

• Model YOLO adaptif siap uji cuaca ekstrem.

• Laporan hasil eksperimen dan analisis.

• Kode siap deploy di edge device atau aplikasi real-time.