Berikut adalah silabus 10 sesi @1,5 jam untuk topik “Pengembangan Model YOLO Adaptif untuk Deteksi Objek dalam Kondisi Cuaca Ekstrem”. Silabus ini dirancang untuk mahasiswa tingkat akhir S2 atau S3, atau peneliti yang ingin mengembangkan dan menguji YOLO dalam skenario dunia nyata dengan kondisi lingkungan menantang seperti hujan, kabut, salju, atau malam hari.
Silabus 10x Sesi @1.5 Jam
✅ Sesi 1: Pengantar Deteksi Objek dan YOLO
-
Konsep dasar deteksi objek: bounding box, confidence score, class prediction.
-
Evolusi model YOLO: dari v1 hingga v8.
-
Perbandingan YOLO dengan metode lain (Faster R-CNN, SSD).
-
Studi kasus deteksi dalam kondisi normal vs ekstrem.
✅ Sesi 2: Studi Literatur dan Identifikasi Permasalahan
-
Tinjauan literatur terkait deteksi dalam cuaca ekstrem.
-
Tantangan cuaca: pencahayaan rendah, noise, kabut, blur.
-
Kebutuhan model adaptif dan data augmentasi cuaca.
-
Penetapan tujuan dan hipotesis riset.
✅ Sesi 3: Dataset dan Preprocessing
-
Dataset populer: BDD100K, DENSE, Rainy Driving Dataset, Foggy Cityscapes.
-
Teknik augmentasi cuaca (rain, snow, haze, low light) dengan OpenCV/Albumentations.
-
Strategi split dataset: train/val/test.
✅ Sesi 4: Arsitektur YOLO dan Konfigurasi Model
-
Komponen arsitektur YOLO (Backbone, Neck, Head).
-
Konfigurasi model YOLOv5/v8 (yaml, anchor, input size).
-
Transfer learning dengan pre-trained model.
-
Tools: Ultralytics, Roboflow, LabelImg.
✅ Sesi 5: Training Model Standar
-
Training YOLOv5 pada data normal (tanpa gangguan cuaca).
-
Evaluasi: mAP, Precision, Recall, IoU.
-
Visualisasi hasil prediksi.
