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-sembilan Computer Vision. Pada pertemuan ini teman-teman CVisioner diharapkan dapat mengekstraksi fitur berdasarkan texture. Pada pertemuan ini akan dibahas image feature extraction berdasarkan tekstur objek menggunakan metode Local Binary Pattern (LBP). Semoga teman-teman CVisioner dalam keadaan sehat dan semangat mempelajari materi di pertemuan ke-sembilan ini.
Deskripsi Materi
Texture-based feature descriptor adalah metode ekstraksi fitur pada citra digital yang bertujuan untuk menangkap informasi tekstur dari suatu citra atau objek
Tekstur pada citra digital merujuk pada pola variasi intensitas piksel di dalam suatu area atau region citra. Tekstur memberikan informasi tentang kerapatan, kekasaran, kelembutan, keteraturan pola, dan karakteristik lain dari suatu permukaan atau objek pada citra.
- Local Binary Pattern (LBP) adalah operator sederhana yang digunakan untuk ekstraksi fitur tekstur dari citra digital.
- LBP bekerja dengan membandingkan nilai pixel pusat dengan nilai pixel tetangga di sekitarnya berdasarkan threshold, lalu mengkodekan hasil perbandingan biner menjadi bilangan biner.
Sub-Capaian Pembelajaran MataKuliah (Sub-CPMK)
Sub-CPMK 3: Mahasiswa dapat mengidentifikasi fitur berdasarkan objek citra dan menerapkan teknik ekstraksi fitur dalam pemrosesan gambar berdasarkan ciri bentuk/geometri, tekstur, warna, descriptor visual, depth, orientasi atau fitur lainnya sesuai dengan kebutuhan image yang banyak digunakan di industri atau DUDI
Indikator Capaian Pembelajaran
- Mahasiswa mampu menjelaskan proses perhitungan nilai LBP dari sebuah citra digital.
- Mahasiswa mampu menerapkan operator LBP untuk mengekstraksi fitur tekstur dari berbagai jenis citra.
- Mahasiswa terampil mengimplementasikan algoritma LBP menggunakan library pemrograman tertentu.
- Mahasiswa mampu melakukan evaluasi dan analisis hasil ekstraksi fitur tekstur menggunakan LBP.
Skenario Pembelajaran
Matakuliah Computer Vision diselenggarakan dengan menggunakan model pembelajaran flipped classroom. Mahasiswa mempelajari materi pembelajaran baik handout, video pembelajaran, modul praktek pemrograman diluar jam perkuliahan sebelum kelas dimulai. Teman-teman CVisioner setelah mempelajari terlebih dahulu materi mengenai feature extraction berdasarkan tekstur menggunakan LBP dan modul pemrograman dengan metode LBP yang dapat teman-teman praktekkan menggunakan Google Colaboratory.
Sebelum pertemuan (90 menit):
- Mahasiswa menonton video materi Local Binary Pattern (LBP) selama 30 menit. Video berisi penjelasan konsep dasar LBP dan contoh implementasinya.
- Mahasiswa membaca handout ringkasan materi LBP dan modul praktik coding LBP selama 30 menit.
- Mahasiswa mengerjakan kuis pemahaman materi di LMS selama 30 menit.
Saat pertemuan (120 menit):
- Dosen membahas poin-poin penting materi LBP dan menjawab pertanyaan mahasiswa (15 menit).
- Mahasiswa dibagi dalam 5 kelompok, masing-masing 4-5 orang. Tiap kelompok diberi tugas proyek berbasis studi kasus untuk diimplemetasikan coding LBP (60 menit).
- Setiap kelompok mempresentasikan hasil proyeknya. Kelompok lain memberi pertanyaan dan masukan (30 menit).
- Dosen memberikan umpan balik dan penjelasan bagian yang masih membingungkan, lalu merangkum materi (15 menit).
Pengukuran pemahaman materi feature extraction akan dilakukan juga dalam bentuk quiz di Spada Indonesia. Selamat Belajar
-
CVisioner mari kita lanjutkan belajar mengenai ekstrasi ciri. Jika sebelumnya membahas mengenai ekstrasi ciri dengan fitur warna, orientasi, bentuk maka kali ini kita akan belajar ekstraksi ciri berdasarkan tekstur menggunakan metode Local Binary Pattern (LBP). Pelajari baik-baik handout mengenai LBP berikut ini yah..
-
CVisioner, berikut ini video penjelasan mengenai Local Binary Pattern. Selamat menyaksikan ya.
-
Modul Local Binary Pattern (LBP) dan SIFT (Scale Invariant Feature Transform) membantu teman-teman CVisioner lebih memahami lagi proses dalam meng-implementasikan kedua metode feature extraction computer vision.
-
hai CVisioner, sekarang waktunya kita coba praktekkan Local binary Pattern (LBP) untuk fitur ekstraksi dalam computer vision. Ada juga SIFT descriptor yang biasa digunakan dalam proses ekstrasi fitur namun juga cukup reliable untuk proses image stitching. Semangat...
-
Hai selamat datang di pertemuan Local Binary Pattern masih membahas satu topik lagi mengenai ekstraksi ciri. Sebelum mulai perkuliahannya, teman-teman CVisioner diharapkan sudah mempelajari materi hari ini. Saatnya sekarang kita lakukan warming-up dulu untuk mengukur sejauh mana pre-lecture terhadap materi minggu ini.
-
Pada forum ini teman-teman Cvisioner akan diberikan kasus seputar feature extraction dari beragam ciri citra tidak hanya berbasis tekstur saja. Selesaikan kasus ini bersama dengan teman kelompok kalian dan berikan jawaban yang paling keren dari hasil diskusi tersebut. Kalian boleh memanfaatkan juga PixelTalkBot loh..
-
Receive a grade Receive a passing grade
LMS-SPADA INDONESIA