Silabus 20 Sesi: Optimasi Algoritma YOLO untuk Pengenalan Objek Kendaraan di Jalan Raya Menggunakan MATLAB
Tujuan Kursus:
Peserta akan memahami cara mengimplementasikan dan mengoptimalkan algoritma YOLO (You Only Look Once) untuk mendeteksi kendaraan di jalan raya menggunakan MATLAB. Kursus ini mencakup pemahaman teori, pemrosesan dataset, pelatihan model, evaluasi performa, dan optimasi untuk meningkatkan akurasi serta kecepatan deteksi.
???? Sesi 1-4: Pengenalan dan Persiapan Lingkungan MATLAB
-
Pengenalan MATLAB untuk Deep Learning
- Overview MATLAB dalam bidang Computer Vision
- Pengenalan Deep Learning Toolbox
- Instalasi dan konfigurasi MATLAB untuk YOLO
-
Konsep Dasar YOLO dan Algoritma Deteksi Objek
- Arsitektur YOLO (versi YOLOv3, YOLOv4, YOLOv5, dan YOLOv8)
- Perbandingan dengan metode deteksi lain (Faster R-CNN, SSD)
- Studi kasus deteksi kendaraan
-
Dataset dan Labeling Data Kendaraan
- Pengumpulan dataset kendaraan di jalan raya (COCO, KITTI, OpenImages)
- Penggunaan MATLAB Image Labeler untuk anotasi dataset
- Konversi format dataset agar kompatibel dengan MATLAB
-
Pra-pemrosesan Data dan Augmentasi
- Resize, normalisasi, dan augmentasi dataset
- Teknik augmentasi: flipping, rotation, brightness adjustment
- Persiapan dataset untuk model YOLO
???? Sesi 5-8: Implementasi YOLO di MATLAB
-
Arsitektur YOLO dalam MATLAB
- Cara kerja YOLO di MATLAB
- Implementasi YOLO menggunakan Deep Learning Toolbox
- Menjalankan YOLO pada dataset kendaraan
-
Melatih Model YOLO dengan Dataset Kendaraan
- Menentukan hyperparameter model YOLO
- Pelatihan model menggunakan GPU dengan MATLAB
- Evaluasi awal hasil pelatihan
-
Evaluasi Model dan Perbaikan
- Menggunakan Precision-Recall Curve, Confusion Matrix
- Analisis mAP (Mean Average Precision)
- Identifikasi false positives dan false negatives
-
Testing Model YOLO pada Data Nyata
- Pengujian menggunakan video kendaraan di jalan raya
- Real-time object detection dengan MATLAB
- Debugging hasil deteksi
???? Sesi 9-12: Optimasi Performa YOLO
-
Optimasi Model dengan Transfer Learning
- Penggunaan model pretrained YOLO
- Fine-tuning bobot model YOLO
- Transfer learning dengan dataset yang lebih kecil
-
Optimasi Kecepatan dan Akurasi Deteksi
- Teknik pruning dan quantization untuk YOLO
- Kompresi model tanpa kehilangan akurasi
- Implementasi metode batch processing untuk meningkatkan efisiensi
-
Implementasi Post-processing untuk Hasil Deteksi yang Lebih Baik
- Non-Maximum Suppression (NMS) untuk mengurangi overlapping boxes
- Filtering threshold untuk meningkatkan akurasi
- Teknik penghalusan bounding box
-
Mengatasi Tantangan Deteksi Kendaraan di Jalan Raya
- Deteksi di kondisi pencahayaan berbeda (malam, siang, hujan)
- Mengatasi occlusion dan motion blur
- Evaluasi perbedaan performa di berbagai kondisi jalan
???? Sesi 13-16: Integrasi dengan Sistem Kendali dan Real-Time Processing
-
Optimasi YOLO untuk Real-Time Processing
- Teknik percepatan inferensi dengan GPU Acceleration
- Penggunaan Parallel Computing Toolbox di MATLAB
- Implementasi YOLO untuk streaming video secara real-time
-
Integrasi dengan Sensor dan Kamera Jalan Raya
- Pengolahan data dari CCTV, drone, atau kamera mobil
- Menghubungkan YOLO dengan input live video stream
- Implementasi sistem peringatan dini berbasis deteksi kendaraan
-
Implementasi YOLO untuk Pelacakan Kendaraan
- Tracking kendaraan menggunakan Kalman Filter dan Optical Flow
- Penggabungan YOLO dengan metode pelacakan multi-objek (Deep SORT)
- Studi kasus tracking kendaraan di jalan raya
-
Ekstraksi Data dan Analisis Statistik
- Menyimpan hasil deteksi kendaraan ke dalam database
- Analisis jumlah kendaraan berdasarkan waktu dan lokasi
- Visualisasi data menggunakan MATLAB (heatmap, grafik)
???? Sesi 17-20: Studi Kasus dan Final Project
-
Studi Kasus: Implementasi YOLO untuk Analisis Lalu Lintas
- Penggunaan YOLO untuk menghitung jumlah kendaraan dalam video
- Pembuatan laporan analisis lalu lintas berbasis MATLAB
- Evaluasi performa pada berbagai skenario lalu lintas
-
Studi Kasus: Pengenalan Jenis Kendaraan
- Deteksi dan klasifikasi jenis kendaraan (mobil, truk, motor)
- Penggunaan YOLO dengan kombinasi CNN untuk klasifikasi
- Implementasi sistem berbasis dataset spesifik
-
Optimasi Model Akhir dan Persiapan Deployment
- Penyempurnaan model untuk performa maksimal
- Pembuatan GUI sederhana untuk sistem deteksi kendaraan
- Export model YOLO dalam format siap deployment
-
Presentasi Hasil dan Evaluasi Final
- Demo proyek akhir deteksi kendaraan di jalan raya
- Evaluasi performa model terhadap dataset baru
- Pembahasan pengembangan lebih lanjut dan potensi penelitian
???? Hasil Pembelajaran:
✅ Peserta memahami konsep YOLO dan implementasinya di MATLAB
✅ Peserta dapat mengumpulkan dan memproses dataset kendaraan
✅ Peserta mampu melatih dan mengoptimalkan model YOLO
✅ Peserta dapat mengatasi tantangan deteksi kendaraan di berbagai kondisi
✅ Peserta mampu menerapkan YOLO untuk sistem real-time dan analisis lalu lintas
