Computer Vision (TIF58)

RENCANA PROGRAM KEGIATAN PEMBELAJARAN SEMESTER (RPKPS) Visi Terwujudnya Program Studi Teknik Informatika bertaraf nasional dan internasional pada tahun 2020. Misi (1) Melaksanakan Tridarma perguruan tinggi secara berkesinambungan. (2) Melaksanakan kurikulum berbasis kompetensi dengan keahlian grafis dan multimedia, rekayasa perangkat lunak cerdas, dan jaringan komputer sesuai dengan perkembangan ilmu pengetahuan dan teknologi. (3) Menjalin kerjasama dengan berbagai instansi swasta, pemerintah dalam peningkatan kualitas lulusan. (4) Menyediakan sarana prasarana yang bermutu dalam penyelenggaraan proses belajar mengajar yang berkualitas.

MATA KULIAH:

Computer Vision (TIF58) Oleh: SUPATMAN

PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INFORMASI UNIVESITAS MERCU BUANA YOGYAKARTA MARET 2013 ..//supatman/doc/silabus_computer_vision

A. PENDAHULUAN 1. Latar Belakang Computer Vision merupakan mata kuliah wajib Program Stud Teknik Informatika yang diberikan bagi mahasiswa semester 2 Program Studi Teknik Informatika dan Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Mercu Buana Yogyakarta.Tujuan mata kuliah ini agar mahasiswa mampu dan trampil mengembangkan algoritma pada human vision presention. Untuk mencapai tujuan yang diinginkan secara maksimal, pada setiap proses pembelajaran memerlukan perencanaan, persiapan, dan pengendalian yang baik. Sehubungan dengan hal itu, diperlukan pengembangan kegiatan yang disebut Rencana Program Kegiatan Pembelajaran Semester (RPKPS). Implementasi kegiatan tersebut diharapkan dapat menciptakan suasana akademik yang kondusif sehingga muncul kegairahan dalam proses pembelajaran. Kegiatan ini diharapkan juga dapat meningkatkan motivasi, kreativitas, kesungguhan, dan keteraturan dalam proses belajar mengajar serta meningkatkan keaktifan mahasiswa dalam mengikuti proses pembelajaran.

2. Deskripsi Mata Kuliah Konsep dasar Computer Vision. Imaging dan representasi image, Analisa Image Biner, Konsep Pengenalan Pola, Filtering dan Enhancing Images, Color dan Shading, Tekstur, Image Retrieval, Image Segmentasi, Matching Image 2D, Perceiving 3D dari 2D image, 3D model dan Maching. 3. Kompetensi kuliah terdadap lulusan Setelah menyelesaikan perkuliahan ini mahasiswa diharapkan memiliki kompetensi dalam pengembangan algoritma Computer Vision memecahkan berbagai kasus nyata pada data 1 dimensi, 2 dimensi, dan 3 dimensi.

untuk

B. PERENCANAAN PEMBELAJARAN 1. 2. 3. 4. 5.

Nama Mata Kuliah Kode/SKS Semester Status Mata Kuliah Prasyarat

: Computer Vision : TIF58 / 2 sks : 6 (Enam). : Wajib : Multimedia

..//supatman/doc/silabus_computer_vision

6. Tujuan Pembelajaran

:

Proses pembelajaran pada mata kuliah Computer Vision berfokus pada student-centerd Learning yang akan memberi kompetensi-kompetensi khusus pada mahasiswa. Setelah mengikuti Computer Vision, mahasiswa diharapkan mampu menjelaskan teori-teori Computer Vision yang terkait dengan keilmuan didunia teknologi informasi serta mampu secara trampil mengembangkan konsep human preception. Manfaat model pembelajaran ini adalah mahasiswa tidak hanya sekadar menguasai teori-teori Computer Vision saja, tetapi mahasiswa dapat menerapkan pengetahuan dan ketramiplan logika Computer Vision ke dalam menyelesaikan tugas pada bidang kehidupan nyata, memiliki wawasan luas, memanfaatkan teknologi informasi, berkreativitas, berinovasi, dan memiliki jiwa kepemimpinan. Selain itu, mahasiswa mendapat kesempatan untuk lebih mengembangkan kemampuan berpikir kritis, berani mengemukakan pendapat sehingga timbul percaya diri dan terdorong melakukan entrepreneurship/wirausaha di bidang keahliannya berbasis teknologi informasi. Mahasiswa diharapkan mampu mensinergikan bidang Computer Vision dengan bidang-bidang lain, misalnya agroteknologi, teknik, ekonomi dan bisnis, psikologi, bahasa, komunikasi, , matematika, serta isu-isu aktual sehingga Computer Lanjut dapat membantu dalam tugas transformasi informasi dan berdaya guna bagi masyarakat.

7. Outcome Pembelajaran Untuk mencapai tujuan mata kuliah Computer Vision mahasiswa diharapkan mampu: a. Pengetahuan dan pemahaman (knowledge) i. Memahami konsep human preseption ii. Memahami image dan representasi image iii. Memahami image biner iv. Memahami enhancing v. Memahami space colour vi. Memahami teksture vii. Memahami image retrieval viii. Memahami image segmentasi ix. Memahami teknik matching 2D dan 3D b. Kemampuan/Ketrampilan (skill) i. Skill Vision dan Human Preseption ii. Skill Bahasa Analisis ..//supatman/doc/silabus_computer_vision

c. Sikap (attitude) i. Kreatifitas ii. Ulet iii. Teliti

8. Jumlah dan Pembagiannya Perkuliahan Computer Vision dalam satu semester direncanakan berlangsung 16 kali program kuliah yang terdiri dari 14 kali tatap muka, 1 kali ujian tengah semester dan 1 kali ujian akhir semester. Setiap program tatap muka terdiri atas 150 menit kuliah. Pembagian waktu selengkapnya adalah sebagai berikut.

No

Jenis Program

Jumlah Program 14 kali

Jumlah Waktu 150

Keterangan 1. memberikan teori-teori konsep human preseption 2. memberi pengetahuan dan pembekalan kepada mahasiswa tentang teori-teori image dan segmentasi image, motion 3. memberi pengetahuan dan wawasan konsep recognition 4. memberi pengetahuan dan wawasan leadership (hidden curriculum), serta kewirausahaan (hidden curriculum).

1

Tatap muka: Ceramah, tanya jawab

2

Praktek

14

150

a. Human perception algoritm (mandiri) b. Recognition Algoritm (mandiri)

3

Diskusi/Presentasi

50 menit

1) Membahas hasil praktek problem human perseption yang telah dilakukan mahasiswa di laboratorium 2) Teknis penyelesaian (problem solving).

4

Evaluasi Browsing Internet Kunjungan Ke kantor-kantor yang memanfaatkan DAS Ujian Tengah Semester Ujian Akhir Ujian Project Akhir

10-20 menit x 4kali -

Mengevaluasi tugas-tugas mahasiswa

5 6

10-12 kali 10-12 kali 1-7 kali 1 kali

1 kali

120

Menjawab pertanyaan-pertanyaan

1 kali 1 kali

120 100

Menjawab pertanyaan-pertanyaan Menyelesaikan kasus dengan komputer di laboratorium

7 8 9

Di luar jam kuliah Di luar jam kuliah yang dilakukan secara mandiri oleh kelompok mahasiswa


9. Materi Pembelajaran dan rencana Kegiatan Pembelajaran Mingguan Mgg ke-

Kompetensi

Topik/Pokok Bahasan Pengantar Perkuliahan Computer Vision

1

Mahasiswa mengerti sistem pembelajaran mata kuliah Computer Vision

2

Mahasiswa mengerti konsep human persepsi

3

Mahasiswa Image dan mengerti Image dan representasi representasi image image

4

Mahasiswa mengerti image biner

Konsep human presention

Image Biner

Sub Pokok Bahasan a. Perkenalan b. Aturan main perkuliahan c. Fungsi dan tugas dosen dan mahasiswa d. Bahan kuliah e. Literatur Wajib dan acuan a. Mesin melihat b. Masalah aplikasi c. Image oprasional

a. Pencahayaan b. Device Image c. Fungsi Gambar dan Image Digital d. Keuntungan dan Masalah pada Real Image e. 3D dari 2D a. Piksel da ketetanggaan b. Aplikasi Mask pada image c. Perhitungan objek

Waktu (menit) 150

Metode Pembelajaran Tatap Muka di kelas 1. Menerangkan 2. Tanya Jawab 3. Diskusi

150

150

150

Evaluasi

Indikator

Sumber Pustaka 1

Porfolio

Mahasiswa memahami sistem pembelajaran mata kuliah Computer Vision

Tatap Muka di kelas 1. Menerangkan 2. Tanya Jawab 3. Presentasi 4. Diskusi Tatap Muka di kelas 1. Menerangkan 2. Tanya Jawab 3. Presentasi 4. Diskusi

Porfolio

Mahasiswa memahami konsep human persepsi

1

Porfolio

Mahasiswa memahami Image dan representasi image

1

Tatap Muka di kelas 1. Menerangkan 2. Tanya Jawab 3. Presentasi 4. Diskusi

Porfolio

Mahasiswa memahami image biner

1


d. e.

5

Mahasiswa mengerti konsep pengenalan pola

Konsep Pengenalan Pola

f. g. a. b. c. d. e. f. g. h. i. j. k. l.

6

Mahasiswa mengerti Image enhance

Perbaikan kualitas image

a. b. c. d. e.

image Koneksi komponen labeling Morphology image biner Properti Region Threshold Image Masalah pengenalan pola Model clasifikasi Precission vs recall Feature esed dan representasi Feature vector representasi Implementasi klasifikasi Teknik Struktur Konfusion Matrik Keputusan Tree Keputusan Bayesian Keputusan pada multidimensi data Mesin dan Pembelajaran Mean fixing Grey level mapping Removal of small image region Image smoothing Median filter

150


Porfolio

Mahasiswa memahami konsep pengenalan pola

1

150


Porfolio

Mahasiswa memahami i Image enhance

1


7

Mahasiswa mengerti space colour

Space colour

8 9

UTS Mahasiswa mengerti tekstur

UTS Tekstur

10

Mahasiswa mengerti Image retrieval

Image Retrieval

11

Mahasiswa mengerti Motion dari 2D image

Motion dari 2D image

f. Dekti edge menggunakan defferent Mask g. Gaussian filter h. Detector canny a. RGB Basic b. Othe model colour c. Color Histogram d. Color Segmentasi e. Shading

a. Texture, Texels and Statitical b. Texture description c. Quantitative texture measure d. Texture Segmentasi a. Image database b. Image database query c. Image Distance Measure d. Database Organization a. Motion Phenomena & Application b. Image Substraction c. Computation Motion Vector d. Computation the

150


Mahasiswa memahami space colour

1

UTS Mahasiswa memahami tekstur

150


Porfolio

150


Porfolio

Mahasiswa memahami Image retrieval

1

150


Porfolio

Mahasiswa memahami Motion dari 2D image

1


e. 12

Mahasiswa mengerti Image Segmentasi

Image Segmentasi

a. b. c. d. e. f.

13

Mahasiswa mengerti Teknik Matching 2D

Teknik Matching 2D

14

Mahasiswa mengerti Teknik matching 3D

Teknik matching 3D

Part of Moving Points Detecting Significant Changes Point Identifikasi Region Representasi Region Identifikasi Countur Fitting Models to Segments Identifikasi High-level Struktur Segmentasi menggunakan motion Coherence

a. Registrasi 2D b. Registrasi Titik c. Afline Mapping Function d. 2D Object Recognition via Afline Mapping e. 2D Object Recognition via relational Matching f. Nonlinier Wraping a. Representasi Matching 3D b. True 3D Model vsView-Class Model c. Physics-based dan Deformable Model

150


Porfolio

Mahasiswa memahami Image Segmentasi

1

150


Porfolio

Mahasiswa memahami Teknik Matching 2D

1

150


Mahasiswa memahami Teknik matching 3D


15

Mahasiswa mengerti Virtual Reality

16

Virtual Reality

d. 3D Object Recognition Paradigms a. Feature pada virtual reality Systems b. Virtual Reality Device c. Redering Simple 3D Model d. HCI and Psychological Issue

150


Porfolio

Mahasiswa memahami Virtual Reality

UTS

Metode Pembelajaran yang dikembangkan Model pengembangan proses pembelajaran mata computer vision tidak hanya sekedar kuliah dan praktek saja, tetapi pengembangannya berupa diskusi, presentasi mahasiswa, browsing artikel di internet, dan pemilihan teks-teks actual terkait dengan masalah nyata. Pelaksanaannya sebagai berikut: 1) Dosen menyiapkan bahan kuliah, serta menyiapkan bahan computer vision yang sesuai dan dapat implementasikan pada bidang-bidang actual. 2) Mahasiswa diharapkan: a) b) c) d) e) f)

mampu memahami Computer Vision sebagai sains terhadap beberapa jenis kegiatan yang terkait dengan tranformasi informasi. mampu menganalisa dan membuat ide serta gagasan ke dalam bahasa tulisan maupun presentasi. mampu memanfaatkan teknologi informasi sebagai media transformasi informasi kepada masyarakat. mampu berkreativitas mampu berinovasi mampu bekerja sama dalam kelompon dan mampu memimpin kelompok. ..//supatman/doc/silabus_computer_vision

1

g) memberikan pendapat saling memberikan masukan secara aktif sesuai dengan pokok bahasan sehingga diskusi lancar. h) mempunyai kepercayaan diri dalam berpresentasi. i) mampu menciptakan ide mata kuliah “Computer Vision” dapat digunakan sebagai sains untuk mengembangkan gagasan baru sehingga tumbuh jiwa profesionalisme didunia teknologi informasi. Media Media yang digunakan dalam proses pembelajaran berupa komputer, papan tulis/white board, dan LCD Proyektor, referensi online, browsing internet. Tugas kelompok dan mandiri bersifat wajib sesuai topic bahasan. Studi literature melalui browsing di dunia maya yang terkait dengan computer vision baik perkelompok atau mandiri. Setelah studi seaching kasus, mahasiswa diharapkan mampu berinovasi dan bermotivasi akan pentingnya computer vision sebagai hidden sains pada dunia kerja dan atau transformasi informasi di masyarakat. 10. Penilaian Aspek penilaian yang digunakan pada proses pembelajaran ini adalah: Aspek Penilaian Pemahaman dan Ketrampilan Aktivitas / Tugas Leadership

Attitude

Unsur penilian Tugas:teori,praktek,ujian mid, ujian akhir Aktivitas didalam kelas, diskusi, praktek Kedisplinan, kemampuan mengemukaan pendapat, partisipasi dikelas Sikap/Sopan santun

Skor Maks 500

Presentasi 50%

300

30%

100

10%

100 1000

10% 100%


Evaluasi dilakukan pada hasil pengumpulan poin oleh masing-masing mahasiswa dan hasil akhir ditentukan sebagai berikut: -

Nilai A untuk mahasiswa yang mencapai jumlah 800-1000

-

Nilai B untuk 700-799

-

Nilai C untuk 600-699

-

Nilai D untuk 500-599

-

Nilai E untuk kurang dari 500 dan dianggap Tidak Lengkap/Tidak Lulus.

Apabila minmal 75% mahasiswa memperoleh nilai A dan B pada semua komponen evaluasi, maka dapat dikatakan proses pembelajaran dan hasil pembelajaran berhasil.

11.

Bahan, Sumber Informasi, dan Referensi

1).

Shapiro, Linda, 2000, “Computer Vison”, E-Books.

2).

Bernd Jähne, 2000, “Computer Vision and Applications: A Guide for Students and Practitioners”, Academic Press.

&&& e-Calista 2012 &&&


Computer Vision (TIF58)

Recommend Documents