• 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 6-Color Based: Color histograms & color moments|Feature Extraction

  • Pertemuan 6-Color Based: Color histograms & color moments|Feature Extraction

    HEADER

    Greeting

    Selamat datang teman-teman CVisioner pada pertemuan ke-enam Computer Vision. Pada pertemuan ini  teman-teman CVisioner diharapkan dapat mengekstraksi fitur berdasarkan warna. Pada pertemuan ini akan dibahas image feature extraction berdasarkan warna citra menggunakan Color Hostogram dan Color Moments. Semoga teman-teman CVisioner dalam keadaan sehat dan semangat mempelajari materi di pertemuan ke-enamini. 

    Deskripsi Materi

    Feature extraction adalah proses mengambil informasi penting dari suatu citra digital guna merepresentasikan karakteristik atau ciri khas dari citra tersebut.

    Color histograms dan color moments termasuk metode feature extraction berbasis warna (color-based) yang memanfaatkan informasi distribusi dan momen statistik dari warna pada citra.

    Color histograms menampilkan distribusi frekuensi kemunculan kombinasi warna (dalam ruang warna tertentu, seperti RGB/HSV) pada citra. Dapat digunakan sebagai ciri citra dan input untuk klasifikasi pola.

    Color moments menghitung nilai statistik (rata-rata, standar deviasi, skewness) dari distribusi warna pada citra. Digunakan sebagai fitur untuk membedakan citra berdasarkan warnanya.

    jSub-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

    1. Mahasiswa mampu menjelaskan proses perhitungan dan pembentukan color histograms dari citra digital.
    2. Mahasiswa mampu menghitung color moments dari citra digital sebagai fitur statistik warna.
    3. Mahasiswa memahami kelebihan dan kekurangan penggunaan color histograms dan color moments sebagai fitur.
    4. Mahasiswa mampu membedakan penggunaan berbagai ruang warna untuk ekstraksi fitur berbasis warna.
    5. Mahasiswa terampil menerapkan algoritma color histograms dan color moments menggunakan library OpenCV dan Python
    6. Mahasiswa mampu menganalisis hasil ekstraksi fitur warna pada studi kasus tertentu

    Skenario Pembelajaran 

    Sebelum pertemuan (90 menit):

    1. Mahasiswa menonton video materi Color Histogram dan Color Moments (30 menit)
    2. Mahasiswa membaca handout tentang konsep dasar color-based feature extraction (15 menit)
    3. Mahasiswa mengerjakan praktik pada modul tentang ekstraksi fitur warna dari citra digital (45 menit)

    Pertemuan di kelas (140 menit):

    1. Presensi dan penjelasan singkat tentang topik pertemuan (10 menit)
    2. Warming-up tentang pemahaman materi video dan handout (20 menit)
    3. Diskusi materi dan praktik, sekaligus menjawab pertanyaan mahasiswa di forum (25 menit)
    4. Mahasiswa melakukan gorup-activity orang untuk mengerjakan studi kasus tentang ekstraksi fitur warna dari dataset citra (60 menit)
    5. Presentasi hasil studi kasus oleh perwakilan kelompok dan sesi tanya jawab (15 menit)
    6. Penjelasan pokok bahasan yang perlu diperdalam dan tugas mandiri (10 menit)

    • Collecting Image Dataset Page

      Dalam computer vision menggunakan metode machine learning ataupun deep learning membutuhkan kumpulan data citra yang relevan dengan jumlah yang sangat besar. Jika dilakukan secara manual tentu saja akan menyita banyak waktu dalam mengumpulkan data. Maka video ini akan menjelaskan dan memberikan tutorial beberapa cara yang dapat dilakukan untuk mengumpulkan image dataset . Selamat mencoba teman-teman CVisioner..

    • Handout Color Feature Extraction Page

      Color histograms dan color moments termasuk metode feature extraction berbasis warna (color-based) yang memanfaatkan informasi distribusi dan momen statistik dari warna pada citra. Selanjutnya teman-teman CVisioner akan mempelajari bagaimana cara kerja dari color histogram dan color moments. Selamat belajar. 

    • Video Color-based Feature Extraction Page

      Apakah sudah paham handoutnya? bagaimana kalau seterusnya kita coba simak video animasi dari color based feature extraction. Selamat menyaksikan!! Jangan di-skip videonya yah karena akan ada interaktif soal di video. Selamat mengerjakan

    • Video Tutorial Color Histogram Page

      Sudah selesai mempelajari materi color based feature extraction kan, Cvisioner? Sekarang kita coba belajar mengimplementasikan metodenya yuk. Ikuti video tutorial berikut ini yah.

      Setelah teman-teman mempraktekan modul dan video tutorial color based feature extraction, coba yuk kerjakan worksheet case study programming ini..Coba kalian isikan atau melengkapi atau juga memperbaiki codingan dalamGame based color histogram ini. Selamat mempraktekkan...

    • Color Histogram || Challenge Programming Assignment

      Teman-teman CVisioner yang dibanggakan. Setelah mempelajarai proses kerja serta mempraktekkan proses color histogram. Kali ini kalian ditantang nih untuk mengikuti Challenge Programming. Tentukan Level kesulitan sesuai dengan kemampuan teman-teman. Ikuti indikator dan kriteria penilaian ya supaya bisa mencapai skor tertinggi. Selamat mencoba!!

      Copy file Colaboratory berikut ini ke Gdrive teman-teman, kerjakan sesuai kemampuan, run entire code, pastikan tidak ada error. Cara pengumpulan dapat meng-upload link Google colaboratory yang sudah di share ke dosen pengampu irma_amelia@itenas.ac.id ya.

      Challenge Programming Color Histogram

       

    • 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, ada dari PT Formulatrix, PT Huawei Tech Investment, dan PT ALITA.

Previous section
Pertemuan 5-Watershed Segmentation| Region-based segmentationNext section
Pertemuan 7-Chain Code and HOG| Shape and OerientationFeature descriptor