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



