LMS-SPADA INDONESIA
Course Content
Topic outline
-
GREETING
Assalammualaikum wr, wb, Hallo teman-teman Cvisioner!!
Selamat datang dan selamat bergabung pada matakuliah Computer Vision.
Matakuliah IFB-301 Computer Vision ini merupakan matakuliah wajib di Program Studi Informatika, Fakultas Teknologi Industri, Institut Teknologi Nasional Bandung yang diselenggarakan di semester ganjil atau tepatnya di semester 5. Bobot matakuliah Computer Vision adalah 3 SKS.Perkenalkan saya Irma Amelia Dewi, selama satu semester ini akan menemai teman-teman Cvisioner untuk lebih memahami tidak hanya konsep dari metode-metode computer vision tetapi juga implementasinya di bidang industri.
Pembelajaran yang diterapkan merupakan collaborative learning dan active learning, mengajak CVisioner terlibat secara partisipasi aktif dalam diskusi/small group discussion, group activity dalam menyelesaikan case study, problem-based yang berasal dari dunia usaha dan dunia industri (DUDI). Jika teman-teman Cvisioner memiliki pertanyaan atau kebutuhan, jangan ragu untuk menghubungi saya melalui platform ini. Saya selalu siap membantu teman-teman dalam proses pembelajaran ini.
Jadi, mari kita mulai! Siapkan diri Anda untuk menggali ilmu baru, berdiskusi, dan menjalani pengalaman pembelajaran yang luar biasa.
Terima kasih telah bergabung, dan saya berharap kita akan memiliki waktu yang sangat bermanfaat bersama. Selamat belajar!"
-
Deskripsi Matakuliah
Mata kuliah ini membahas konsep dan teknik computer vision, yang berfokus pada kemampuan komputer untuk menginterpretasikan data visual 2D atau video. Mahasiswa akan mengeksplorasi dan mengimplementasikan berbagai topik seperti pemrosesan gambar, ekstraksi fitur, deteksi objek, klasifikasi gambar, dan deep learning untuk aplikasi computer vision. Melalui perkuliahan teori, hands-on assignments, dan proyek kolaboratif dengan industri untuk menyempurnakan dan meningkatkan solusi computer vision, mengatasi kebutuhan dan tantangan spesifik industri. -
Pada bagian ini berisi informasi mengenai Capaian Pembelajaran Lulusan (CPL) yang dibebankan pada mata kuliah. Selain itu juga berisikan informasi mengenai Capaian Pembelajaran Mata Kuliah (CPMK) yang diturunkan dari CPL, CPL ini lebih difokuskan atau disesuaikan dengan bahan kajian mata. Kemudian Sub-Capaian Pembelajaran Mata Kuliah (Sub-CPMK) diturunkan dari CPMK yang sudah dirumuskan untuk mengukur ketercapaian di setiap pertemuan perkuliahan. -
Temen-temen CVisioner berikut ini informasi mengenai bahan-bahan kajian pada mata kuliah selama satu semester. Bahan kajian adalah konten esensial yang dicapai pada satu periode pembelajaran (babakan). -
CVisioner skema perkuliahan matakuliah Computer Vision menerapkan Hybrid Learning dengan peserta yang berasal dari prodi Informatika Itenas dan luar PT. Pengimplementasian Flipped Classroom akan men-trigger teman-teman menjadi active learner dengan memperbanyak diskusi dan group activity. Selain itu rencana penilaian disusun untuk setiap Sub-CPMK dengan dilengkapi panduan Rencana Tugas Mahasiswa (RTM) sehingga teman-teman CVisioner dapat mengikuti panduan pengerjaan, indikator dan kriteria penilaiannya.
-
Sudah menyaksikan video nya kan?? Ini adalah dokumen RPS (Rencana Pembelajaran Semester) Matakuliah Computer Vision
-
CVisioner kita perkenalan dulu yuk sama dosen pengampu dan pengajar matakuliah IFB-301 Computer Vision di prodi Informatika Itenas Bandung
-
Berikut ini daftar rujukan yang dapat teman-teman CVisioner jadikan referensi dalam kuliah Computer Vision. -
Aplikasi-aplikasi yang dapat digunakan untuk menunjang pembelajaran Computer Vision
-
Simulasi Computer Vision adalah aplikasi berbasis website yang dapat membantu teman-teman CVisioner untuk lebih memahami proses atau metode pada computer vision melalui simulasi dari proses-prosesnya. Melalui simulasi ini teman-teman CVisioner dapat mencoba operator sebagai berikut ini:
- Pre-processing : grayscalling, global thresholding, brightness, contrast stretching dll
- Image Segmentation dan Feature Extraction: Canny edge detection, Otsu's Thresholding, Histogram Orientation of Gradient, Local Binary Pattern, dll
- Image Classification: Haar Cascade untuk mendeteksi wajah, face swipe dl
Untuk lebih jelasnya silahkan jelajah sendiri simulasinya sebelum mempelajari materi pertemuannya untuk mendapatkan gambaran penerapan metode yang dipelajari.
-
Pixel Spot Detection adalah simulasi berbasis website yang dapat digunakan oleh teman-teman CVisioner untuk memehami lebih dalam lagi melalui implementasinya mengenai materi object detection pada materi perkuliahan di Computer Vision. Penerapan metode deep learning teknologi Artificial Intelligence yang dibahas pada pertemuan Object Detection dapat memberikan arahan bagi teman-teman CVisioner bagaimana deep learning mampu mengenali objek disekitar kita. Teman-teman Cvisioner dapat mencoba fitur real-time dengan mengaktifkan kamera dan PixelSpot Dtection dapat mendeteksi objek-objek di sekitar kalian, atau dapat menggunakan fitur offline dengan meng-upload video untuk mendeteksi objek yang ada di video tersebut.
-
Pixel TalkBot adalah fitur penunjang dalam pembelajaran Computer Vision. Aplikasi yang dikembangkan dengan menggunakan teknologi Natural Language Processing dengan library OpenAI menjadikan PixelTalkBot tidak kalah serunya dari ChatGPT loh CVisioner. Teman-teman CVisioner dapat memanfaatkan PixelTalkBot ini untuk mempelajari materi atau matakuliah secara mendalam, atau biasanya akan digunakan pada aktifitas diskusi dan group activity yang di-trigger dengan pertanyaan-pertanyaan dan studi kasus yang membutuhkan penjelasalan lebih mendalam dari teman-teman CVisioner.
Silahkan teman-teman CVisioner dapat memanfaatkan PixelTalkBot untuk memahami lebih lanjut materi pada setiap pertemuannya.
-
CVisioner, sudah saatnya masuk ke group activity untuk project based learning dengan case berasal dari DUDI yang telah bekerjasama dengan prodi Informatika Itenas Bandung.
-
Hai Cvisioner...
sudah punya project akhir yang kita peroleh dari industries kan yah...sekarang waktunya teman-teman untuk melakukan manajemen project dan monitoring juga nih pekerjaan teman-teman untuk mengukur sejauh mana capaian teman-teman sekalian. Cek Trello secara periodik untuk melihat feedback dari mentor dan teman anggotanya yah...
-
-
Greeting
Selamat datang teman-teman CVisioner pada pertemuan ke-tiga belas Computer Vision. Pada pertemuan ini teman-teman CVisioner diharapkan dapat menerapkan metode image classification menggunakan metode suppervised learning . Pada pertemuan ini akan dibahas metode Support Vector Machine (SVM), K-Nearest Neighbor (KNN) dan Unsupervised Learning menggunakan K-Means . Semoga teman-teman CVisioner dalam keadaan sehat dan semangat mempelajari materi di pertemuan ini.
Deskripsi Materi
Dalam pembuatan aplikasi artificial intelligence termasuk computer vision terdapat dua pendekatan yaitu supervised learning dan unsupervised learning. Supervised learning adalah pendekatan pembelajaran mesin yang ditentukan oleh penggunaan set data berlabel. Dataset ini dirancang untuk melatih atau "mengawasi" algoritma agar dapat mengklasifikasikan data atau memprediksi hasil secara akurat. Dengan menggunakan input dan output berlabel. Salah satu metode yang digunakan berupa Support Vector Machine (SVM), K-Nearest Neighbor (KNN). Sementara unsupervised learning menggunakan algoritme pembelajaran mesin untuk menganalisis dan mengelompokkan kumpulan data yang tidak berlabel. Algoritma ini menemukan pola tersembunyi dalam data tanpa perlu campur tangan manusia (oleh karena itu, algoritma ini disebut "tanpa pengawasan"). Model pembelajaran tanpa pengawasan / unsupervised learning digunakan untuk tiga tugas utama: pengelompokan, asosiasi, dan pengurangan dimensi. Salah satu metode yang dapat digunakan adalah K-Means,
Sub-Capaian Pembelajaran MataKuliah (Sub-CPMK)
SubCPMK 5: Mahasiswa mampu secara kolaboratif mengidentifikasi dan mengimplementasikan metode supervised dan unsupervised learning serta deep learning architecture pada computer vision dalam pengenalan dan deteksi single atau multiple object serta melakukan analisis model untuk menghasilkan aplikasi yang optimal sesuai kebutuhan industri
Indikator Capaian Pembelajaran
- Mahasiswa mampu mengimplementasikan SVM, KNN, dan K-Means untuk klasifikasi dataset gambar menggunakan bahasa pemrograman
- Mahasiswa mampu melakukan evaluasi dan interpretasi hasil klasifikasi berdasarkan metrik akurasi, presisi, recall, dan matriks konfusi
- Mahasiswa mampu membandingkan kelebihan dan kekurangan penggunaan SVM, KNN, dan K-Means untuk kasus klasifikasi gambar
Skenario Pembelajaran
Matakuliah Computer Vision diselenggarakan dengan menggunakan model pembelajaran flipped classroom. Mahasiswa mempelajari materi pembelajaran baik handout, video pembelajaran, modul praktek pemrograman, infografis diluar jam perkuliahan sebelum kelas dimulai. Teman-teman CVisioner setelah mempelajari terlebih dahulu materi mengenai metode classification menggunakan supervised dan unsupervised learning dan modul pemrograman optical flow yang dapat teman-teman praktekkan menggunakan Google Colaboratory.
Sebelum Pertemuan (90 menit):
- Mahasiswa menonton video dan mempelajari infografis materi SVM, KNN, dan K-Means untuk klasifikasi gambar (30 menit)
- Mahasiswa membaca handout ringkasan dan modul praktik coding SVM, KNN, dan K-Means (30 menit)
- Mahasiswa mengerjakan kuis pemahaman materi di LMS (30 menit)
Saat Pertemuan (150 menit):
- Warming-up dan Dosen membahas poin-poin penting materi dan menjawab pertanyaan (15 menit)
- Mahasiswa dibagi 5 kelompok, tiap kelompok 4-5 orang. Tiap kelompok diberi tugas proyek studi kasus klasifikasi gambar dengan SVM, KNN, dan K-Means (60 menit).
- Tiap kelompok mempresentasikan hasil proyek. Kelompok lain memberi pertanyaan dan saran (60 menit).
- Dosen memberi ulasan, menjelaskan yang masih membingungkan, dan merangkum materi (15 menit).
=====================================================================================================
-
Hai teman-teman Cvisioner..sekarang kita coba pelajari terlbeih dahulu infografis dari proses Support Vector Machine (SVM).
SVM merupakan algoritma supervised learning yang dapat digunakan untuk klasifikasi dan regresi. SVM bertujuan menemukan hyperplane terbaik yang memisahkan dua atau lebih kelas dalam ruang berdimensi tinggi Hyperplane dipilih berdasarkan margin maksimal untuk memisahkan kelas dengan akurasi tertinggi
-
Cvisioner ada fakta menarik mengenai SVM loh..SVM awalnya dirancang untuk masalah klasifikasi biner (dua kelas). Namun kemudian dikembangkan juga untuk masalah regresi dan klasifikasi multikelas. Yuk sekarang kita coba pelajari lebih lanjut di handout Support Vector Machine.
-
Fakta menarik lagi nih mengenai SVM, yaitu Keunggulan SVM adalah kemampuannya menangani dimensionalitas tinggi dan overfitting dengan baik, serta akurasinya yang tinggi. SVM banyak digunakan dalam aplikasi computer vision dan text classification. Contoh penggunaannya antara lain untuk deteksi penipuan kartu kredit dan filter spam email.
Sekarang kita simak video penjelasannya yah..
-
CVisioner, silahkan mencoba mempraktekan metode support vector machine (SVM) dengan bantuan handout multimedia. Didalamnya sudah ada video tutorial yang membabntu teman-teman mengimplementasikan SVM. Selamat mempraktekan, ya..
-
Hai CVisioner, sekarang kita coba untuk mempraktekan yuk Support Vector Machine menggunakan Python di Google Colaboratory, simak video tutorialnya ya..
-
Selain SVM , ada metode supervised learning lainnya nih yang cukup akurat juga mengklasifikasikan image yaitu K-Nearest Neighbor (KNN). K-nearest neighbor (KNN) adalah salah satu algoritma supervised learning yang paling sederhana.
Ada fakta menarik nih KNN merupakan algoritma lazy learner, artinya tidak ada proses training model terlebih dahulu. Model KNN "dilatih" saat digunakan untuk memprediksi data baru.
Data input terdiri dari vektor-vektor data dengan label kelas masing-masing. Ketika ada data input baru yang ingin diprediksi, KNN akan mencari K buah data terdekat dengan data input baru tersebut, berdasarkan jaraknya. Jarak diukur menggunakan euclidean distance atau hamming distance.
Dari ke-K tetangga (neigbor) terdekat yang didapatkan, KNN akan melakukan voting kelas mana yang paling banyak muncul. Kelas dengan voting tertinggi itulah yang diprediksi sebagai kelas data input tersebut. Nilai K merupakan hyperparameter yang harus di-tuning agar didapatkan hasil prediksi terbaik.
-
Haiii CVisioner, sudah mempelajari infografis metode KNN sekarang saatnya kita implementasikan codingannya nih di Google Colab. Selamat mencoba yah..
-
Hai Cvisioner...sebelumnya sudah mempelajari supervised learning, nah sekarang kita coba bahas mengenai unsupervised learning. Pada bagian deskripsi sudah dijelaskan yah apa itu unsupervised learning. Salah satu metode nya adalah K-Means.
K-means clustering adalah sebuah metode kuantisasi vektor, yang berasal dari pemrosesan sinyal, yang bertujuan untuk mempartisi n observasi ke dalam k cluster di mana setiap observasi menjadi bagian dari cluster dengan rata-rata terdekat (pusat cluster atau cluster centroid), yang berfungsi sebagai prototipe cluster.
-
Cvisioner yuk kita coba praktekan menggunakan Python di Google Colaboratory untuk proses K-Means. Selamat mempraktekan ya.
-
Silahkan teman-teman Cvisioner dapat menggunakan ini sebagai bahan untuk mem-praktekan K-Means
-
Temen-temen Cvisioner setelah mempelajari materinya di rumah nih, sekarang coba teman-teman dapat rangkum dan dapat dijadikan bahan diskusi saat student learing activity at classroom.
-
Hai Cvisioner,,sudah mempelajari materi minggu ini kan...Saatnya kita diskusi bahasan yang sudah kalian siapkan pada student learning activity at home. Metode pembelajarn hari ini adalah Jigsaw.
- Kelas dibagi menjadi 5-6 kelompok asal yang beranggotakan 5 mahasiswa. Masing-masing anggota dalam satu kelompok bertanggung jawab mempelajari sub materi yang berbeda (25 menit).
- Kelompok ahli dibentuk, terdiri dari anggota dari tiap kelompok asal yang bertanggung jawab untuk sub materi yang sama. Mereka mendiskusikan sub materi tersebut (30 menit).
- Mahasiswa kembali ke kelompok asal dan bergantian mengajar teman satu kelompok tentang sub materi yang mereka kuasai (30 menit).
- Evaluasi pembelajaran oleh dosen dan mahasiswa, rangkuman, umpan balik (20 menit).
- Tes individual dilakukan melalui kuis/ujian untuk menilai pemahaman materi dan kontribusi masing-masing pada diskusi kelompok (15 menit).
-
Receive a grade Receive a passing grade
Hai CVisioner, setelah teman-teman mempelajari materi mengenai metode-metode pada pembelajaran supervised dan unsupervised learning. Saatnya sekarang kita coba evaluasi pemahaman kalian yah. Terdaoat 3 kali kesempatan untuk memperoleh highest score loh..semangat mengerjakan...
LMS-SPADA INDONESIA