Jasa Skripsi Tesis Disertasi Python YOLO ~ Sistem Deteksi Kendaraan Parkir Liar Menggunakan YOLO dan OpenCV

Berikut adalah silabus 10 sesi @1,5 jam untuk topik:
“Sistem Deteksi Kendaraan Parkir Liar Menggunakan YOLO dan OpenCV”

Tujuan Umum:

Mahasiswa mampu merancang dan mengimplementasikan sistem deteksi kendaraan parkir liar berbasis video menggunakan YOLO dan OpenCV, serta memahami alur kerja deteksi objek dan pengolahan citra secara menyeluruh.

Silabus 10 Sesi (Total 15 Jam)

✅ Sesi 1: Pengenalan Sistem Deteksi Parkir Liar

• Konsep pelanggaran parkir dan pentingnya sistem deteksi otomatis

• Studi kasus dan teknologi yang digunakan

• Penjelasan YOLO dan OpenCV dalam konteks deteksi visual

• Tools yang akan digunakan (Python, OpenCV, YOLOv5/YOLOv8, Google Colab/VSCode)

✅ Sesi 2: Instalasi dan Setup Lingkungan

• Instalasi Python dan pustaka pendukung

• Instalasi YOLOv5/YOLOv8 via GitHub

• Setup Google Colab dan GPU runtime (alternatif lokal)

• Uji coba pertama YOLO dengan model pre-trained

✅ Sesi 3: Pengenalan YOLO dan Arsitekturnya

• Cara kerja YOLO (You Only Look Once)

• Perbedaan versi YOLO (v3 vs v4 vs v5 vs v8)

• Bounding box, confidence score, dan klasifikasi objek

• Evaluasi performa: mAP, precision, recall

✅ Sesi 4: Deteksi Kendaraan dengan YOLO Pre-trained

• Uji coba model YOLOv5 pada video jalan raya

• Deteksi mobil, motor, truk dalam video statis

• Menampilkan bounding box dan label kendaraan

• Menyimpan hasil deteksi ke dalam file video

✅ Sesi 5: Pengolahan Video dengan OpenCV

• Membaca video menggunakan OpenCV

• Menyusun loop frame-by-frame

• Region of Interest (ROI) untuk area larangan parkir

• Teknik masking area tertentu

✅ Sesi 6: Tracking Kendaraan (Optional: DeepSORT/SimpleTracker)

• Pengenalan tracking objek: perbedaan tracking vs detection

• Deteksi kendaraan diam dalam beberapa frame berturut-turut

• Menentukan kendaraan yang “parkir” vs hanya “berhenti sesaat”

• Threshold waktu kendaraan diam

✅ Sesi 7: Dataset dan Pelatihan YOLO Kustom

• Kebutuhan dataset parkir liar

• Labeling dataset dengan Roboflow/LabelImg

• Pelatihan ulang YOLOv5 dengan data lokal

• Evaluasi hasil pelatihan

✅ Sesi 8: Implementasi Deteksi Parkir Liar

• Penerapan model pada video jalan

• Identifikasi kendaraan yang diam dalam area tertentu

• Pemberian notifikasi “PARKIR LIAR TERDETEKSI”

• Logging kendaraan dan waktu parkir

✅ Sesi 9: Evaluasi dan Pengujian Sistem

• Uji sistem pada berbagai cuaca dan waktu

• Pengukuran akurasi deteksi dan false positives

• Pengujian di video dengan banyak kendaraan

• Analisis keterbatasan dan solusi

✅ Sesi 10: Dokumentasi dan Presentasi Proyek

• Struktur dokumentasi program

• Pembuatan laporan akhir (skripsi/tesis)

• Presentasi dan demo sistem

• Diskusi potensi pengembangan: integrasi ke CCTV real-time, notifikasi, GPS, atau web dashboard