• Introduction

    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 dan Peta Kompetensi Page

      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.

    • CPL, CPMK dan SUb-CPMK Page

      headerPada 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. 

    • Bahan Kajian (Materi Ajar Mata Kuliah) Page

      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).

    • Skema Perkuliahan dan Rencana Asesmen Page

      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. 

    • Rencana Pembelajaran Semester (RPS)

      Selamat datang di matakuliah Computer Vision. Teman-teman yang penasaran tentang matakuliah ini dan apa saja kira-kira yang akan dipelajari di matakuliah ini, yuk kita simak video overview dari Rencana Pembelajaran Semester matakuliah Computer Vision selama satu semester ini. Selamat Menyaksikan!!

    • RPS IFB-301 Computer Vision File

      Sudah menyaksikan video nya kan?? Ini adalah dokumen RPS (Rencana Pembelajaran Semester) Matakuliah Computer Vision

    • Dosen Pengampu dan Pengajar Page

      CVisioner kita perkenalan dulu yuk sama dosen pengampu dan pengajar matakuliah IFB-301 Computer Vision di prodi Informatika Itenas Bandung

    • Referensi Matakuliah Page

      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 Operasi Computer Vision Page

      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 Page

      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 Page

      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.

    • Virtual Synchronous Matakuliah Computer Vision untuk Kegiatan Pembelajaran Hybrid
    • List Collaborative Project Learning from industry Page

      CVisioner, sudah saatnya masuk ke group activity untuk project based learning dengan case berasal dari DUDI yang telah bekerjasama dengan prodi Informatika Itenas Bandung.

    • Trello-Monitoring Project Akhir URL

      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...

Pertemuan (12-13)-Convolutional Neural Network (CNN) | Deep Learning Image Classification & Detection

  • Pertemuan (12-13)-Convolutional Neural Network (CNN) | Deep Learning Image Classification & Detection

    HEADER

    Greeting

    Selamat datang teman-teman CVisioner pada pertemuan kali ini di Computer Vision. Pada pertemuan ini teman-teman CVisioner diharapkan dapat mengimplementasikan metode convolutional neural network (CNN) untuk image classification atau object detection. Semoga teman-teman CVisioner dalam keadaan sehat dan semangat mempelajari materi di pertemuan ini. 

    Deskripsi Materi

    CNN (Convolutional Neural Network) adalah jaringan syaraf tiruan yang dirancang khusus untuk pengolahan data gambar.

    Terinspirasi dari sistem visual biologis Struktur dan konsep CNN terinspirasi dari cara kerja sistem visual pada makhluk hidup. CNN meniru konsep lapisan-lapisan sel saraf di area visual korteks serebral.

    CNN pertama kali diperkenalkan pada tahun 1980-an Meski saat itu belum sepopuler sekarang, CNN telah ada konsep dan risetnya sejak 30-40 tahun lalu oleh ilmuwan bernama Fukushima. Kemampuan mengenali citra lebih baik dari manusia Beberapa arsitektur CNN modern seperti inception Net dan ResNet mampu melampaui manusia dalam mengenali pola pada gambar & video. CNN Membutuhkan data latih dalam jumlah besar Proses training CNN membutuhkan ribuan hingga jutaan data gambar danpelabelan untuk performa akurasi tinggi. Seiring waktu, dataset image recognition CNN kian besar.

    Sub-Capaian Pembelajaran MataKuliah (Sub-CPMK)

    Sub-CPMK 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

    1. Mahasiswa mampu menjelaskan arsitektur dan konsep dasar jaringan syaraf tiruanconvolutional neural network
    2. Mahasiswa mampu melakukan pra-pemrosesan data gambar yang sesuai sebagai input untuk CNN
    3. Mahasiswa mampu membangun dan melatih model CNN untuk deteksi objek atau klasifikasi gambar menggunakan library deep learning
    4. Mahasiswa mampu melakukan augmentasi data, hyperparameter tuning dan teknik regularisasi untuk meningkatkan performa CNN
    5. Mahasiswa mampu mengevaluasi dan meng-interpretasikan hasil deteksi objek atau klasifikasi gambar berdasarkan metrik evaluation seperti mAP, akurasi, loss dan matriks konfusi

    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):

    1. Mahasiswa menonton video materi Image Classification dan Object Detection menggunakan CNN selama 30 menit.
    2. Mahasiswa membaca handout ringkasan materi dan modul praktik coding CNN untuk klasifikasi gambar dan deteksi objek selama 30 menit.
    3. Mahasiswa mengerjakan kuis pemahaman materi di LMS selama 30 menit.

    Saat Pertemuan (150 menit):

    1. Dosen membahas poin-poin penting materi dan menjawab pertanyaan mahasiswa (15 menit).
    2. Mahasiswa dibagi dalam 5 kelompok, tiap kelompok beranggotakan 4-5 orang. Tiap kelompok diberikan tugas proyek studi kasus classification dan detection mengimplementasikan CNN (60 menit).
    3. Tiap kelompok mempresentasikan hasil proyek. Kelompok lain memberi pertanyaan dan saran (60 menit).
    4. Dosen memberi ulasan dan penjelasan bagian yang masih membingungkan, lalu merangkum materi (15 menit).

    Pada pertemuan ini juga akan ada kuliah tamu dari DUDI yang dapat memberikan insight dan ilmu dari sudut pandang yang berbeda.

    =====================================================================================================================

    • Infografis Convolutional Neural Network (CNN) Page

      Hai temen-temen CVisioner..pada pertemuan kita kali ini akan membahas metode yang cukup fenomenal di deep learning yang terkenal banget dalam proses image classification yang cukup handal yaitu CNN atau Convolutional Neural Network. Yuk kita intip infografis nya dari CNN. 

    • Animation of Convolutional Neural Network Process Page

      CVisioner, kenapa coba CNN ini bisa lebih handal mendeteksi atau mengklasifikasi objek,,,???

      Iya betul sekali karena, prosesnya yang ber-layer-layer. Yuk kita simak bagaimana secara animasi proses dari CNN dalam mengklasifikasikan object citra digital. 

    • Video Penjelasan CNN Page

      CVisioner, jika sebelumnya kita sudah menyaksikan nih proses dari CNN sekarang kita dengarkan dan lihat penjelasan dari masing-masing blok proses di dalam CNN mulai dari input, proses konvolusi yang di pertemuan fitering sudah kita bahas juga kan yah, lalu proses pooling, flatten sampai dengan activation function atau outputnya. 

      Selamat menyaksikan..

    • Video Tutorial Pemrograman CNN Page

      CVisioner berikut ini video tutorial dalam mengimplementasikan CNN. Selamat mem-praktekkan yah

    • Modul Pembelajaran Pemrograman CNN Page

      CVisioner coba cek yah modul pembelajaran pemrograman Convolutional Neural Network (CNN). Selamat mencoba..

    • Case-Study Deep Learning Forum

      Klasifikasi gambar dan deteksi objek adalah dua tugas penting dalam pengolahan gambar dan penglihatan komputer. Klasifikasi gambar bertujuan untuk mengkategorikan seluruh gambar ke dalam kelas yang telah ditentukan, seperti mobil, pesawat, kucing, anjing, dan lain-lain. Sedangkan deteksi objek bertujuan untuk mengidentifikasi dan melokalisasi objek tertentu di dalam sebuah gambar, misalnya mendeteksi wajah manusia atau mobil di dalam foto.

      Convolutional Neural Network (CNN) telah terbukti sangat efektif dalam menyelesaikan kedua tugas tersebut. CNN mampu secara otomatis mempelajari fitur-fitur yang diperlukan dari data gambar untuk melakukan klasifikasi dan deteksi objek. Oleh karena itu, CNN banyak digunakan dalam aplikasi pengolahan gambar modern.

    • Evaluasi Convolutional Neural Network Quiz

      Hai CVisioner,,,setelah mempelajari materi mengenai Convolutional Neural Network (CNN) untuk mengklasifikasikan citra, saatnya teman-teman untuk mengecek sejauh mana pehaman kalian mengenai CNN. Selamat mencoba 3 percobaan dengan score tertinggi..

Previous section
Pertemuan 11- Optical Flow | Video Analysis & Motion TrackingNext section
Pertemuan (14)- Image Classification Supervised & Unsupervised Learning