Berikut Silabus 40 Sesi: “Implementasi Algoritma Convolutional Neural Network (CNN) untuk Deteksi dan Klasifikasi Sampah Menggunakan Python”
Level: Pemula hingga Lanjutan
Durasi: 40 Sesi (1.5 Jam per Sesi)
Bagian 1: Pengantar dan Dasar-Dasar CNN (Sesi 1–10)
-
Sesi 1 : Pengantar Python untuk Deep Learning
-
Instalasi dan pengaturan lingkungan: Python, Jupyter Notebook, TensorFlow, Keras, OpenCV.
-
Sesi 2 : Dasar-dasar Convolutional Neural Network (CNN).
-
Perbedaan CNN dengan algoritma lainnya.
-
Sesi 3 : Arsitektur CNN: Convolution Layer, Pooling Layer, Flattening, dan Fully Connected Layer.
-
Sesi 4 : Penjelasan dataset gambar untuk klasifikasi sampah (contoh: dataset dari Kaggle).
-
Pengolahan data: resizing, normalisasi, dan augmentasi gambar.
-
Sesi 5 : Membuat model CNN sederhana dengan Keras untuk klasifikasi gambar.
-
Sesi 6 : Penjelasan aktivasi fungsi (ReLU, Sigmoid, Softmax) dan fungsi loss (categorical crossentropy).
-
Sesi 7 : Evaluasi model: metrik akurasi, confusion matrix, precision, recall, dan F1-score.
-
Sesi 8 : Overfitting dan underfitting: penyebab dan solusi (dropout, early stopping).
-
Sesi 9 : Membuat model CNN lebih kompleks untuk klasifikasi multi-kelas (organik, anorganik, berbahaya).
-
Sesi 10 : Latihan: Melatih model dengan dataset sampah sederhana dan menampilkan hasil klasifikasi.
Bagian 2: Deteksi Objek dengan CNN (Sesi 11–20)
-
Sesi 11 : Pengantar deteksi objek: perbedaan antara klasifikasi dan deteksi objek.
-
Sesi 12 : Pengenalan YOLO, Faster R-CNN, dan SSD.
-
Sesi 13 : Implementasi deteksi objek menggunakan YOLO pre-trained model.
-
Sesi 14 : Pelabelan data untuk deteksi objek menggunakan LabelImg atau tools lain.
-
Sesi 15 : Membuat dataset deteksi objek sampah dari gambar.
-
Sesi 16 : Training model deteksi objek pada dataset sampah.
