Berikut adalah silabus 10 sesi (masing-masing 1,5 jam) untuk topik “Pemanfaatan YOLOv8 untuk Deteksi Dini Hama Tanaman Berbasis Drone”, yang dirancang untuk mahasiswa tingkat akhir atau peserta pelatihan lanjutan dalam bidang AI pertanian, computer vision, dan teknologi drone.
Silabus 10x Sesi – Pemanfaatan YOLOv8 untuk Deteksi Dini Hama Tanaman Berbasis Drone
Sesi 1: Pengantar Konsep Deteksi Hama Berbasis AI
-
Pemahaman dasar mengenai hama tanaman dan dampaknya
-
Kelebihan dan tantangan deteksi otomatis hama menggunakan AI
-
Studi kasus: deteksi hama menggunakan drone dan YOLO
-
Tools dan library yang akan digunakan (Python, Ultralytics YOLOv8, OpenCV, Google Colab, LabelImg)
Sesi 2: Dasar-dasar Drone dan Akuisisi Data Udara
-
Pengenalan drone dan sensor kamera untuk pemetaan tanaman
-
Teknik akuisisi citra dari udara (altitude, angle, overlap)
-
Praktik: Simulasi pengambilan gambar menggunakan data publik atau UAV simulator
️ Sesi 3: Dataset dan Labeling Citra Hama
-
Struktur dataset YOLO (train/val/images dan labels)
-
Teknik labeling menggunakan LabelImg atau Roboflow
-
Penentuan kelas (misal: ulat grayak, wereng, belalang, dll.)
-
Praktik: Labeling 10–20 gambar hama hasil UAV
Sesi 4: Pengenalan YOLOv8 dan Instalasi Lingkungan
-
Perbedaan YOLOv3, v5, v7, dan v8
-
Instalasi Ultralytics YOLOv8 di Google Colab / lokal
-
Penjelasan struktur file project YOLOv8
-
Praktik: Training model YOLOv8 dengan dataset default (misal COCO subset)
Sesi 5: Training YOLOv8 dengan Dataset Hama
-
Menyiapkan file .yaml dan dataset custom
-
Konfigurasi hyperparameter dan augmentasi data
-
Proses pelatihan model YOLOv8



