Jasa Skripsi Tesis Disertasi Python YOLO ~ Pengembangan Sistem Deteksi dan Klasifikasi Kerusakan Jalan Menggunakan YOLO dan CNN

Berikut adalah silabus 10 sesi (masing-masing 1,5 jam) untuk topik:
“Pengembangan Sistem Deteksi dan Klasifikasi Kerusakan Jalan Menggunakan YOLO dan CNN”

Silabus Kursus 10x Sesi (1.5 Jam per Sesi)

Judul: Pengembangan Sistem Deteksi dan Klasifikasi Kerusakan Jalan Menggunakan YOLO dan CNN

Sesi 1: Pengantar Computer Vision dan Deteksi Objek

• Definisi dan ruang lingkup Computer Vision

• Pengenalan Deteksi Objek: metode klasik vs deep learning

• Studi kasus kerusakan jalan: lubang, retak, permukaan bergelombang

• Tools yang digunakan: Python, OpenCV, TensorFlow/PyTorch

Sesi 2: Pengenalan YOLO (You Only Look Once)

• Evolusi YOLO: dari YOLOv1 hingga YOLOv8

• Arsitektur dasar YOLO dan mekanisme grid-based prediction

• Perbandingan YOLO dengan SSD dan Faster-RCNN

• Instalasi dan setup YOLOv5 atau YOLOv8

Sesi 3: Dataset Kerusakan Jalan

• Sumber dataset: RDD2020, Crack500, atau dataset custom

• Kategori kerusakan jalan: Alligator Crack, Pothole, Transverse Crack, dsb

• Teknik labeling dengan Roboflow / LabelImg

• Format YOLO: .txt annotations dan struktur folder

Sesi 4: Preprocessing dan Augmentasi Data

• Normalisasi, resize, augmentasi gambar

• Teknik augmentasi untuk meningkatkan generalisasi model

• Pembagian dataset: training, validation, test

• Evaluasi jumlah dan distribusi label

Sesi 5: Training Model YOLO

• Konfigurasi parameter: batch size, epochs, learning rate

• Fine-tuning vs transfer learning

• Interpretasi log hasil training

• Mengatasi overfitting dan underfitting

Sesi 6: Evaluasi Model YOLO

• Metode evaluasi: mAP, precision, recall, IoU

• Visualisasi bounding box hasil prediksi

• Analisis kesalahan deteksi

• Export model ke format ONNX atau TorchScript

Sesi 7: Pengenalan CNN untuk Klasifikasi Citra

• Arsitektur CNN: convolution, pooling, flatten, dense

• Studi kasus klasifikasi jenis kerusakan jalan (retak vs lubang)

• Model CNN sederhana (dengan Keras/TensorFlow)

• Visualisasi fitur dengan heatmap dan Grad-CAM

Sesi 8: Integrasi YOLO + CNN (Hybrid Model)

• Menggabungkan deteksi (YOLO) dan klasifikasi (CNN)

• Workflow pipeline: crop hasil YOLO → klasifikasi CNN

• Manajemen input/output pipeline

• Simulasi alur kerja secara menyeluruh

Sesi 9: Deployment Aplikasi Deteksi Kerusakan Jalan

• Penerapan di platform desktop, web, atau mobile

• Stream dari video drone atau CCTV jalan

• Penerapan real-time inference dengan OpenCV

• Optimasi performa model untuk deployment

Sesi 10: Presentasi Proyek Mini & Evaluasi Akhir

• Mahasiswa mempresentasikan proyek deteksi kerusakan jalan

• Demo model hasil training

• Diskusi perbaikan model dan future work

• Ujian praktikum mini: Deteksi dan klasifikasi gambar uji