Topic outline

  • 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!"

  • Pertemuan 1-Introduction Computer Vision

    HEADER

    Greeting

    Selamat datang teman-teman CVisioner pada pertemuan pertama perkuliahan Computer Vision. Pada pertemuan pertama matakuliah Computer Vision ini  teman-teman CVisioner diharapkan dapat mendeskripsikan penerapan computer vision di berbagai bidang, keterkaitan keilmuan computer vision dengan bidang ilmu lainnya. Semoga teman-teman Cvisioner dalam keadaan sehat dan semangat mempelajari materi di pertemuan pertama ini. 

    Deskripsi Materi

    Pertemuan pertama dalam matakuliah Computer Vision merupakan langkah awal dalam memahami konsep fundamental tentang pemrosesan gambar dan visualisasi data. Selama pertemuan ini, mahasiswa akan diperkenalkan kepada berbagai aspek penting terkait dengan Computer Vision, seperti:

    1. Definisi dan Ruang Lingkup: Dalam pertemuan pertama, mahasiswa akan memahami apa yang dimaksud dengan Computer Vision dan bagaimana bidang ini berfokus pada pengembangan algoritma dan teknik untuk memungkinkan komputer memahami dan menginterpretasi gambar dan video.
    2. Aplikasi dan Signifikansi: Pertemuan pertama akan menjelaskan berbagai aplikasi Computer Vision dalam dunia nyata, termasuk pengenalan wajah, kendaraan otonom, pemantauan keamanan, dan banyak lagi. Mahasiswa akan memahami betapa pentingnya konsep ini dalam berbagai industri dan sektor.
    3. Keterkaitan dengan Bidang Lain: Mahasiswa akan diajarkan bagaimana Computer Vision berkaitan dengan bidang lain seperti Machine Learning, Artificial Intelligence, Augmented Reality, dan Virtual Reality. Mereka akan memahami bahwa Computer Vision adalah salah satu elemen penting dalam menciptakan sistem yang cerdas dan dapat berinteraksi dengan dunia nyata.
    4. Peran dalam Matakuliah Ini: Pertemuan pertama akan menjelaskan bagaimana konsep-konsep yang diajarkan dalam Computer Vision akan menjadi dasar untuk seluruh matakuliah. Mahasiswa akan diberikan gambaran mengenai topik-topik yang akan dibahas dalam pertemuan-pertemuan selanjutnya, termasuk ekstraksi fitur, segmentasi, deteksi objek, dan pengenalan pola.

    Sub-Capaian Pembelajaran MataKuliah (Sub-CPMK)

    Sub-CPMK 1: Mahasiswa dapat mengidentifikasi kualitas citra dan menerapkan operasi dasar citra digital termasuk image filtering, image enhancement, image restoration dalam pra-pemrosesan citra digital untuk menghasilkan kualitas citra yang lebih baik. 

    Indikator Capaian Pembelajaran

    1. Ketepatan menjelaskan konsep dan penerapan aplikasi computer vision di berbagai bidang
    2. Ketepatan menerapkan operasi dasar dan teknik image enhancemenet pada image pre-processing aplikasi computer vision

    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. Saat perkuliahan dimulai pada pertemuan  pertama perkuliahan ini, akan dilakukan pre-assessment untuk mengukur sejauh mana pemahaman temen-temen CVisioner mengenai metode Computer Vision. Setelah mahasiswa mempelajari materi sebelum perkuliahan, terdapat group discussion mengenai Implementasi computer vision di berbagai bidang yang sangat berkesan atau yang pernah digunakan serta case based mengenai Smart-car driving. Di activity ini temen-temen Cvisioner dapat menggunakan PixelTalkBot untuk mendapatkan jawaban yang lebih beragam. Setiap kelompok akan mem-presentasikan hasil diskusinya dan dosen serta mahasiswa lain memberikan feedback. 

    Sebelum pertemuan (90 menit):

    1. Mahasiswa menonton video pengenalan computer vision beserta contoh penerapannya selama 30 menit.
    2. Mahasiswa membaca handout ringkasan materi computer vision selama 30 menit.
    3. Mahasiswa mengerjakan kuis pemahaman konsep dasar computer vision di LMS selama 30 menit.

    Saat pertemuan (120 menit):

    1. Dosen melakukan pre-assessment untuk mengukur kemampuan dari setiap mahasiswa terutama mahasiswa pertukaran dari luar Perguruan tinggi Itenas (20 menit)
    2. Dosen membahas poin-poin penting materi dan menjawab pertanyaan selama 15 menit.
    3. Mahasiswa dibagi dalam 5 kelompok, tiap kelompok 4-5 orang, untuk melakukan studi kasus implementasi computer vision selama 20 menit dan mem-posting di Padlet, mahasiswa dapat memanfaatkan PixelTalkBot.
    4. Dosen menunjuk beberapa kelompok mempresentasikan . Kelompok lain memberi pertanyaan dan saran selamac20 menit.
    5. Mahasiswa diberikan case based mengenai Smart-car driving yang dapat diselesaikan secara group selama 20 menit .
    6. Tiap kelompok mempresentasikan hasil studi kasus. Kelompok lain memberi pertanyaan dan saran selama 20 menit.
    7. Dosen memberi ulasan dan merangkum materi selama 15 menit.

  • Pertemuan 2-Tapis Linear Konvolusi | Image Enhancement

    HEADER

    Greeting

    Selamat datang teman-teman CVisioner pada pertemuan kedua Computer Vision. Pada pertemuan ini  teman-teman CVisioner diharapkan dapat mengidentifikasi kualitas citra, menentukan masalah yang muncul pada citra digital, kemudian menentukan operasi citra untuk meningkatkan kualitas citra menggunakan image filtering, enhancement teknik, image restoration dalam pra-pemprosesan citra digital. Semoga teman-teman Cvisioner dalam keadaan sehat dan semangat mempelajari materi di pertemuan kedua ini. 

    Deskripsi Materi

    Pertemuan kedua dalam matakuliah Computer Vision teman-teman CVisioner akan mempelajari materi mengenai metode image enhancement. Image enhancement merupakan metode yang digunakan dalam computer vision untuk meningkatkan kualitas citra dan sebagai tahap awal atau pre-processing pada tahapan pengembangan aplikasi computer vision. Image enhancement adalah proses meningkatkan kualitas citra dengan mengubah berbagai aspeknya, seperti kontras, ketajaman, kecerahan, reduksi noise dan lainnya. Proses ini bertujuan untuk membuat citra lebih informatif dan lebih mudah dianalisis oleh algoritma komputer.

    Pada pertemuan kedua ini, salah satu metode dalam image enhancement yang akan dipelajari adalah operasi konvolusi. Konvolusi citra digital adalah proses matematika yang menggabungkan dua fungsi input, yaitu citra input dan kernel konvolusi, untuk menghasilkan citra output yang telah di-enhance. Proses ini dilakukan dengan cara mengalikan setiap piksel citra input dengan nilai kernel konvolusi, lalu menjumlahkan semua hasil perkalian ini untuk mendapatkan nilai piksel pada citra output.

    Dengan melakukan konvolusi citra digital menggunakan kernel yang sesuai, kita dapat melakukan enhancement citra seperti mengurangi noise, menajamkan detail, memberi efek artistik, dll. Ini sangat bermanfaat dalam computer vision untuk memperbaiki kualitas citra input sebelum diolah lebih lanjut.

    Sub-Capaian Pembelajaran MataKuliah (Sub-CPMK)

    Sub-CPMK 1: Mahasiswa dapat mengidentifikasi kualitas citra dan menerapkan operasi dasar citra digital termasuk image filtering, image enhancement, image restoration dalam pra-pemrosesan citra digital untuk menghasilkan kualitas citra yang lebih baik. 

    Indikator Capaian Pembelajaran

    Indikator capaian pembelajaran pada pertemuan kedua mengenai image enhancement menggunakan tapis linear operasi konvolusi untuk mencapai Sub-CPMK 1 ini adalah:

    1. Mampu menjelaskan pentingnya image enhancement dalam konteks pemrosesan citra
    2. Mahasiswa dapat menyebutkan dan membedakan berbagai jenis kernel konvolusi seperti Mean Filter, Gaussian, sharpening, embossing.
    3. Mampu menjelaskan proses operasi konvolusi dan bagaimana filter bergerak melintasi citra.
    4. Mahasiswa mampu menerapkan konvolusi citra digital dengan kernel yang sesuai untuk melakukan proses enhancement seperti mengurangi noise, menajamkan detail, dsb.
    5. Mahasiswa mampu menganalisis hasil konvolusi citra digital dan memahami pengaruh penggunaan kernel yang berbeda.
    6. Mahasiswa memahami penerapan dan kegunaan konvolusi citra digital dalam bidang computer vision.
    7. Mahasiswa mampu mengimplementasikan algoritma konvolusi citra digital pada project aplikasi computer vision menggunakan library openCV dengan pemrograman Python

    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. Pertemuan kedua dalam matakuliah Computer Vision teman-teman CVisioner setelah mempelajari terlebih dahulu materi mengenai image enhancement menggunakan konvolusi citra digital, selanjutnya CVisioner akan dibagi menjadi small group untuk melakukan Group activity Discussion dengan kasus citra citra image.

    Sebelum Pertemuan (90 menit):

    1. Mahasiswa menonton video dan handout materi konsep dasar tapis linear konvolusi dan teknik image enhancement selama 30 menit.
    2. Mahasiswa mengerjakan quiz image filtering selama 30 menit.
    3. Mahasiswa mengerjakan challenge programming pada LMS untuk mengevaluasi pemahaman selama 30 menit.

    Saat Pertemuan (120 menit):

    1. Review singkat dan diskusi tentang materi yang telah dipelajari (15 menit)
    2. Mahasiswa diberikan case-study mengenai image filtering. Teman-teman CVisioner harus mencermati dan menyebutkan masalah yang berkaitan dengan kualitas dari beberapa citra yang diberikan dalam kondisi buruk atau low quality, kemudian menentukan metode yang tepat untuk mengatasi masalah tersebut. Case lain berasal dari teman-teman sendiri untuk mencari foto dengan kualitas yang rendah, lakukan analisis dan pecahkan permasalahannya dengan menggunakan metode image enhancement yang tepat terutama berkaitan dengan konvolusi.  (60 menit).
    3. Presentasi hasil praktikum oleh masing-masing kelompok dan sesi tanya-jawab (30 menit)
    4. Penjelasan konsep yang masih membingungkan dan kesimpulan (15 menit)

     

  • Pertemuan 3-Histogram Equalization & Image Interpolation| Image Enhancement

    HEADER

    Greeting

    Selamat datang teman-teman CVisioner pada pertemuan ketiga Computer Vision. Pada pertemuan ini  teman-teman CVisioner diharapkan dapat mengidentifikasi kualitas citra, menentukan masalah yang muncul pada citra digital, kemudian menentukan operasi citra untuk meningkatkan kualitas citra menggunakan image filtering, enhancement teknik, image restoration dalam pra-pemprosesan citra digital terutama menggunakan Histogram Equaization dan image interpolation. Semoga teman-teman Cvisioner dalam keadaan sehat dan semangat mempelajari materi di pertemuan ketiga ini. 

    Deskripsi Materi

    Histogram equalization adalah teknik enhancement citra digital yang bertujuan untuk meningkatkan kontras citra dengan cara menyebarkan kembali distribusi intensitas piksel pada citra agar merata di seluruh rentang nilai intensitas.

    Image interpolation adalah teknik untuk meningkatkan resolusi citra digital dengan cara memperkirakan nilai piksel baru di antara piksel-piksel yang sudah ada.

    Beberapa metode image interpolation:

    1. Nearest neighbor interpolation: nilai piksel baru diisi dengan nilai piksel terdekat. Metode ini sederhana tapi menghasilkan efek blok piksel.
    2. Bilinear interpolation: nilai piksel baru dihitung berdasarkan rata-rata nilai 4 piksel terdekat, sehingga hasilnya lebih halus.
    3. Bicubic interpolation: nilai piksel baru diestimasi berdasarkan rata-rata nilai 16 piksel terdekat, menghasilkan 

    jSub-Capaian Pembelajaran MataKuliah (Sub-CPMK)

    Sub-CPMK 1: Mahasiswa dapat mengidentifikasi kualitas citra dan menerapkan operasi dasar citra digital termasuk image filtering, image enhancement, image restoration dalam pra-pemrosesan citra digital untuk menghasilkan kualitas citra yang lebih baik. 

    Indikator Capaian Pembelajaran

    1. Mahasiswa mampu menjelaskan proses perhitungan dan pembentukan histogram citra digital.
    2. Mahasiswa mampu menerapkan algoritma histogram equalization untuk melakukan perataan histogram citra.
    3. Mahasiswa dapat menganalisis pengaruh histogram equalization terhadap peningkatan kontras dan kualitas citra.
    4. Mahasiswa terampil menerapkan histogram equalization pada citra digital menggunakan perangkat lunak.
    5. Mahasiswa mampu memilih dan menerapkan teknik enhancement yang sesuai dengan karakteristik dan tujuan pengolahan citra.
    6. Mahasiswa mampu mengimplementasikan histogram equalization pada project computer vision menggunakan CopenCV dengan bahasa pemrograman Python.

    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. Pertemuan tiga dalam matakuliah Computer Vision teman-teman CVisioner setelah mempelajari terlebih dahulu materi mengenai image enhancement menggunakan Histogram Equalization dan Image Interpolasii. selanjutnya CVisioner akan dibagi menjadi small group untuk melakukan Group activity Discussion dengan kasus citra citra image.

    Sebelum Pertemuan (90 menit):

    1. Mahasiswa menonton video dan handout materi konsep dasar histogram equalization dan image interpolation beserta contoh penerapannya selama 30 menit.
    2. Mahasiswa membaca handout ringkasan materi dan modul praktikum serta menyelesaikan tantangan dalam challenge programming. Kalian dapat memilih level kesulitan pengerjaannya dan akan diberikan score dengan kriteria penilaian yang tercantum dalam dokumen Rencana Tugas Mahasiswa. Ikuti panduan yang diberikan pada bagian Challenge Programming. (30 menit)
    3. Mahasiswa mengerjakan kuis pemahaman materi di LMS selama 30 menit.

    Saat Pertemuan (120 menit):

    1. Review singkat dan diskusi materi yang telah dipelajari sebelumnya (15 menit)
    2. Mahasiswa praktik menerapkan histogram equalization dan image interpolation pada studi kasus secara berkelompok (60 menit)
    3. Presentasi hasil praktikum oleh tiap kelompok dan sesi tanya jawab. pada kegiatan Group Activity akan diarahkan untuk menggunakan PixelSimulation untuk menganalisis histogram dari citra digital dengan kualitas yang rendah, kemudian menjelaskan bagaimana analisis gambar berdasarkan histogram berkaitan dengan kecerahan dan kontras. Dengan PixelSimulation mahasiswa diminta untuk menganalisi hasil image yang telah dilakukan image interpolation. (30 menit)
    4. Penjelasan bagian yang masih membingungkan dan kesimpulan (15 menit)

  • Pertemuan 4-Contour Segmentation | Image Segmentation

    Greeting

    Selamat datang teman-teman CVisioner pada pertemuan ke-empat Computer Vision. Pada pertemuan ini  teman-teman CVisioner diharapkan dapat mengidentifikasi fitur suatu citra untuk menentukan metode image segmentasi yang sesuai. Pada pertemuan ini akan dibahas image segmentasi berdasarkan kontur citra serta penggunaan Otsu's Thresholding sebagai proses segmentasi citra grayscale. Semoga teman-teman Cvisioner dalam keadaan sehat dan semangat mempelajari materi di pertemuan ke-empat ini. 

    Deskripsi Materi

    Image segmentation adalah proses membagi citra menjadi beberapa region berdasarkan karakteristik tertentu. Contour segmentation adalah teknik segmentasi yang mengidentifikasi dan menandai batas-batas objek pada citra.

    Canny edge detection algorithm adalah teknik contour segmentation yang paling populer. Algoritma ini bekerja dengan tahapan:

    1. Noise reduction menggunakan Gaussian filter
    2. Mendeteksi gradient intensitas piksel untuk menandai candidate edge
    3. Non-maximum suppression untuk menipiskan edge
    4. Hysteresis thresholding untuk menentukan strong dan weak edge.

    Otsu's thresholding adalah teknik segmentasi citra grayscale untuk pemisahan foreground dan background. Algoritma ini secara otomatis mencari nilai ambang optimal yang memaksimalkan variansi antar kelas foreground dan background

    jSub-Capaian Pembelajaran MataKuliah (Sub-CPMK)

    Sub-CPMK 2: Mahasiswa dapat menentukan dan menerapkan teknik segmentasi citra dalam pemrosesan gambar berdasarkan bentuk/geometri, tekstur, warna, descriptor visual, depth dan/atau orientasi dalam perancangan dan pengembangan perangkat lunak computer vision

    Indikator Capaian Pembelajaran

    1. Mahasiswa menjelaskan teknik-teknik contour segmentation untuk mendeteksi batas objek pada citra digital
    2. Mahasiswa mampu menerapkan Canny edge detection untuk ekstraksi contour dari citra digital.
    3. Mahasiswa mampu menerapkan Otsu's thresholding untuk segmentasi citra grayscale.
    4. Mahasiswa mengimplementasikan algoritma Canny edge detection dan Otsu's thresholding menggunakan library OpenCV bahasa pemrograman Python.
    5. Mahasiswa dapat memilih dan menerapkan teknik segmentasi yang sesuai untuk kasus dan data tertentu.

    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. Pertemuan tiga dalam matakuliah Computer Vision teman-teman CVisioner setelah mempelajari terlebih dahulu materi mengenai image segmentation berbasis kontur menggunakan metode Canny Edge Detection dan Otsu's Thresholding. Selain itu terdapat modul pemrograman dengan topik Canny edge dan Otsu;s thresholding yang dapat teman-teman praktekkan menggunakan Google Colaboratory. 

    Teman-teman CVisioner pada awal pertemuan akan dilakukan warming-up berkaitan dengan fundamental step of Digital Image Processing dan sejauh mana pemahaman kalian mengenai image segmentation. Sesi berikutnya adalah Group Activity dengan kasus yang berasal dari teman-teman Cvisioner akan mempraktekkan Canny edge detection dan Otsu's Thresholding untuk objek yang kalian tentukan, kemudian analisis hasil segmentasi menggunakan canny atau Otsu's Thresholding. 

  • Pertemuan 5-Watershed Segmentation| Region-based segmentation

    HEADER

    Greeting

    Selamat datang teman-teman CVisioner pada pertemuan ke-lima Computer Vision. Pada pertemuan ini  teman-teman CVisioner diharapkan dapat mengidentifikasi fitur suatu citra untuk menentukan metode image segmentasi yang sesuai. Pada pertemuan ini akan dibahas image segmentasi berdasarkan region citra menggunakan Watershed Algorithm. Semoga teman-teman CVisioner dalam keadaan sehat dan semangat mempelajari materi di pertemuan ke-lima ini. 

    Deskripsi Materi

    Region-based segmentation adalah teknik segmentasi citra yang berfokus membagi citra menjadi beberapa region atau area berdasarkan kesamaan atribut piksel tertentu seperti intensitas, warna, tekstur, dll.

    Watershed algorithm adalah salah satu teknik region-based segmentation yang paling populer. Algoritma ini menganggap citra grayscale sebagai topografi permukaan. Piksel-piksel dengan intensitas rendah dianggap sebagai lembah dan piksel intensitas tinggi sebagai puncak.

    Proses watershed algorithm:

    1. Menandai piksel-piksel yang merupakan lokal minimum sebagai seed marker.
    2. Melakukan flooding simulation dimulai dari seed marker.
    3. Membuat barrier ketika air dari region yang berbeda bertemu.

    Keuntungan watershed algorithm:

    • Dapat menghasilkan segmentasi yang akurat untuk berbagai kasus.
    • Sangat baik dalam mendeteksi batas-batas region atau objek pada citra.

    Kekurangan watershed algorithm:

    • Oversegmentation jika jumlah seed marker terlalu banyak.
    • Sensitif terhadap noise.

    jSub-Capaian Pembelajaran MataKuliah (Sub-CPMK)

    Sub-CPMK 2: Mahasiswa dapat menentukan dan menerapkan teknik segmentasi citra dalam pemrosesan gambar berdasarkan bentuk/geometri, tekstur, warna, descriptor visual, depth dan/atau orientasi dalam perancangan dan pengembangan perangkat lunak computer vision

    Indikator Capaian Pembelajaran

    1. Mahasiswa mampu menjelaskan tahapan proses segmentasi citra menggunakan watershed algorithm.
    2. Mahasiswa mampu menerapkan watershed algorithm untuk kasus segmentasi citra grayscale.
    3. Mahasiswa mampu melakukan evaluasi dan pengukuran tingkat akurasi hasil segmentasi citra.
    4. Mahasiswa dapat memilih dan menerapkan algoritma segmentasi yang sesuai dengan karakteristik dan tujuan aplikasi.
    5. Mahasiswa terampil mengimplementasikan watershed algorithm menggunakan library OpenCV dan bahasa pemrograman Python.

    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 image segmentation berbasis region menggunakan metode Watershed dan modul pemrograman dengan topik Watershed segmentation yang dapat teman-teman praktekkan menggunakan Google Colaboratory. 

    Teman-teman CVisioner pada awal pertemuan akan dilakukan warming-up berkaitan dengan Algoritma Watershed dan sejauh mana pemahaman kalian mengenai image segmentation. Sesi berikutnya adalah Group Activity dengan Problem-based Learning: Identifikasi dan Pemisahan Wadah Medis dalam Gambar untuk Pengisian Cairan (Kasus dari DUDI), kemudian di presentasikan di minggu depan. 

    Pengukuran pemahaman materi image segmentation diberikan quiz di Spada Indonesia, dengan topik yang berkaitan dengan Canny edge detection, Otsu's Thresholding dan Watershed Algorithm. 

  • 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)

  • Pertemuan 7-Chain Code and HOG| Shape and OerientationFeature descriptor

    Greeting

    Selamat datang teman-teman CVisioner pada pertemuan ke-tujuh Computer Vision. Pada pertemuan ini  teman-teman CVisioner diharapkan dapat mengekstraksi fitur berdasarkan bentuk. Pada pertemuan ini akan dibahas image feature extraction berdasarkan warna bentuk menggunakan Chain code. Semoga teman-teman CVisioner dalam keadaan sehat dan semangat mempelajari materi di pertemuan ke-enamini. 

    Deskripsi Materi

    Chain code

    Shape feature descriptor mengekstraksi fitur bentuk dari contour objek seperti luas, keliling, eksentrisitas, kebulatan, dll. Digunakan dalam object recognition untuk membedakan objek berdasarkan bentuknya.

    Chain code merupakan representasi kompak dari batas/contour suatu objek 2D pada citra digital. Chain code menyimpan informasi geometris kontur dengan cara memetakan arah perubahan titik-titik piksel pembentuk kontur relatif terhadap titik sebelumnya.

    Histogram of Oriented Gradients (HOG)

    Orientation feature extraction adalah teknik ekstraksi fitur pada citra digital yang bertujuan untuk menangkap informasi orientasi atau arah gradient intensitas piksel pada citra. HOG (Histogram of Oriented Gradients) adalah metode feature extraction yang bekerja dengan membagi citra menjadi beberapa cell, lalu menghitung histogram arah gradient pada masing-masing cell. Hasilnya digabungkan menjadi descriptor HOG untuk merepresentasikan distribusi arah gradient pada area citra tersebut.

    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

    1. Mahasiswa mampu menjelaskan cara kerja chain code untuk ekstraksi fitur bentuk dari citra digital dan HOG untuk ekstraksi fitur berdasarkan orientasi.
    2. Mahasiswa mampu menghitung shape feature descriptor seperti luas, keliling, rasio, kebulatan, dll dari contour objek.
    3. Mahasiswa mampu menerapkan chain code dan shape descriptor menggunakan library pemrograman Python dan OpenCV.
    4. Mahasiswa mampu menerapkan HOG dan orientation descriptor menggunakan library pemrograman Python dan OpenCV.

    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 bentuk menggunakan chain code dan berdasarkan orientasi menggunakan HOG dan modul pemrograman dengan metode HOG yang dapat teman-teman praktekkan menggunakan Google Colaboratory. 

    Sebelum pertemuan (90 menit):

    1. Mahasiswa menonton video materi Chain Code dan Histogram of Oriented Gradient selama 30 menit. Video berisi penjelasan konsep dasar dan contoh penerapan.
    2. Mahasiswa membaca handout dan modul praktik yang disediakan dosen selama 30 menit. Handout berisi ringkasan materi dan modul praktik berisi panduan coding.

    Saat pertemuan (120 menit) menerapkan Metode Jigsaw:

    1. Kelas dibagi menjadi 5-6 kelompok asal yang beranggotakan 5-6 mahasiswa. Masing-masing anggota dalam satu kelompok bertanggung jawab mempelajari sub materi yang berbeda (25 menit).
    2. 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).
    3. Mahasiswa kembali ke kelompok asal dan bergantian mengajar teman satu kelompok tentang sub materi yang mereka kuasai (30 menit).
    4. Evaluasi pembelajaran oleh dosen dan mahasiswa, rangkuman, umpan balik (20 menit).
    5. Tes individual dilakukan melalui kuis/ujian untuk menilai pemahaman materi dan kontribusi masing-masing pada diskusi kelompok (15 menit).

  • Pertemuan 8-Ujian Tengah Semester (UTS)

    HEADER

    Greeting

    Hallo Teman-teman CVisioner, Pada minggu ini kita akan melaksanakan Ujian Tengah Semester (UTS). kegiatan UTS IFB-301 Computer Viison diselenggarakan pada tanggal 9 November 2023 pukul 07.30 WIB. Mohon persiapkan teknis dan non-teknisnya. Semoga teman-teman CVisioner dalam keadaan sehat dan bahagia. Aamiin..\

    Deskripi Ujian

    UTS IFB-301 Computer Vision mencakup 3 materi atau topik pembelajaran yang memenuhi Sub CPMK yang telah dipelajari di kelas sebelumnya,diantaranya:

    SubCPMK 1: Mahasiswa dapat mengidentifikasi kualitas citra dan menerapkan operasi dasar citra digital termasuk image filtering, enhancement teknik, image restoration dalam pra-pemprosesan citra digital untuk menghasilkan kualitas citra yang lebih baik.

    SubCPMK 2 : Mahasiswa dapat menentukan dan menerapkan teknik segmentasi citra dalam pemrosesan gambar berdasarkan bentuk/geometri, tekstur, warna, descriptor visual, depth dan/atau orientasi dalam perancangan dan pengembangan perangkat lunak computer vision

    SubCPMK 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

    Soal ujian berupa studi kasus yang berkaitan dengan proses pre-processing, image segmentation dan feature extraction. 

    Mekanisme Ujian

  • Pertemuan 9-Local Binary Pattern | Texture-based feature descriptor

    HEADER

    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

    1. Mahasiswa mampu menjelaskan proses perhitungan nilai LBP dari sebuah citra digital.
    2. Mahasiswa mampu menerapkan operator LBP untuk mengekstraksi fitur tekstur dari berbagai jenis citra.
    3. Mahasiswa terampil mengimplementasikan algoritma LBP menggunakan library pemrograman tertentu.
    4. 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):

    1. Mahasiswa menonton video materi Local Binary Pattern (LBP) selama 30 menit. Video berisi penjelasan konsep dasar LBP dan contoh implementasinya.
    2. Mahasiswa membaca handout ringkasan materi LBP dan modul praktik coding LBP selama 30 menit.
    3. Mahasiswa mengerjakan kuis pemahaman materi di LMS selama 30 menit.

    Saat pertemuan (120 menit):

    1. Dosen membahas poin-poin penting materi LBP dan menjawab pertanyaan mahasiswa (15 menit).
    2. Mahasiswa dibagi dalam 5 kelompok, masing-masing 4-5 orang. Tiap kelompok diberi tugas proyek berbasis studi kasus untuk diimplemetasikan coding LBP (60 menit).
    3. Setiap kelompok mempresentasikan hasil proyeknya. Kelompok lain memberi pertanyaan dan masukan (30 menit).
    4. 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

  • Pertemuan 10-Image Stitching

    HEADER

    Greeting

    Selamat datang teman-teman CVisioner pada pertemuan ke-sepuluh Computer Vision. Pada pertemuan ini teman-teman CVisioner diharapkan dapat menggabungkan beberapa citra menjadi citra panoramic. Pada pertemuan ini akan dibahas image stitching. Semoga teman-teman CVisioner dalam keadaan sehat dan semangat mempelajari materi di pertemuan ke-sepuluh ini. 

    Deskripsi Materi

    Image stitching adalah teknik menggabungkan beberapa citra dengan area overlap untuk menghasilkan citra panorama dengan sudut pandang lebih lebar.

    Tahapan image stitching:

      1.  Feature detection menggunakan SIFT descriptor untuk menemukan keypoint pada area overlap citra.
    1. Feature matching antar citra dilakukan berdasarkan jarak euclidean deskriptor SIFT.
    2. Estimasi homography antar citra menggunakan RANSAC untuk menghitung transformasi affine yang memadakan sudut pandang citra.
    3. Image warping dilakukan untuk mentransformasikan dan menyelaraskan citra berdasarkan estimasi homography.
    4. Image blending dengan teknik gradient domain blending untuk mencampur area overlap agar stitching terlihat halus dan tidak kentara.

    Image stitching banyak diaplikasikan dalam pembuatan panorama, video streaming, dan augmented reality.

    Sub-Capaian Pembelajaran MataKuliah (Sub-CPMK)

    SubCPMK 4:  Mahasiswa mampu mengimplementasikan teknik pengolahan citra pada video atau motion image serta tracking gerakan pada satu atau lebih gambar atau dari frame video pada aplikasi berbasis video di bidang jaringan komputer, data science dan AI dalam dunia industri

    Indikator Capaian Pembelajaran

    1. Mahasiswa mampu menjelaskan dan mengimplementasikan proses SIFT descriptor dalam feature detection dan matching pada proses image stitching.
    2. Mahasiswa mampu menjelaskan dan mengimplementasikan homography dan RANSAC dalam estimasi transformasi antar citra untuk image stitching.
    3. Mahasiswa mampu menjelaskan dan mengimplementasikan teknik image blending dalam proses image stitching agar hasilnya natural.
    4. Mahasiswa mampu menerapkan algoritma SIFT descriptor, RANSAC dan homography untuk melakukan image stitching.
    5. Mahasiswa mampu mengevaluasi dan menganalisis hasil image stitching yang dihasilkan.

    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 Local Binary Pattern (LBP) selama 30 menit. Video berisi penjelasan konsep dasar LBP dan contoh implementasinya.
    2. Mahasiswa membaca handout ringkasan materi LBP dan modul praktik coding LBP selama 30 menit.
    3. Mahasiswa mengerjakan kuis pemahaman materi di LMS selama 30 menit.

    Saat pertemuan (120 menit):

    1. Presentasi dan review materi (15 menit)
    2. Dosen mereview inti materi dan menanggapi pertanyaan mahasiswa berdasarkan diskusi daring.
    3. case-study (60 menit)
      • Mahasiswa mencoba melakukan menyelesaikan case-study image stitching
    4. Presentasi hasil praktikum (15 menit)
      • Beberapa mahasiswa mempresentasikan dan mendiskusikan hasil case-study image stitching-nya.
    5. Penutup (15 menit)
      • Dosen merangkum hasil diskusi dan memberikan umpan balik

    Pengukuran pemahaman materi image stitching akan dilakukan juga dalam bentuk quiz di Spada Indonesia. Selamat Belajar

  • Pertemuan 11- Optical Flow | Video Analysis & Motion Tracking

    Greeting

    Selamat datang teman-teman CVisioner pada pertemuan ke-sebelas Computer Vision. Pada pertemuan ini teman-teman CVisioner diharapkan dapat menganalisis video atau motion tracking dari video. Pada pertemuan ini akan dibahas motion tracking menggunakan Optical Flow. Semoga teman-teman CVisioner dalam keadaan sehat dan semangat mempelajari materi di pertemuan ke-sebelas ini. 

    Deskripsi Materi

    Optical flow adalah metode untuk memodelkan pergerakan objek pada video digital berdasarkan estimasi arah dan kecepatan perpindahan piksel antar frame.Optical flow sangat berguna dalam computer vision untuk memahami dinamika pada video, terutama untuk tracking dan analisis gerakan objek.

    Sub-Capaian Pembelajaran MataKuliah (Sub-CPMK)

    SubCPMK 4:  Mahasiswa mampu mengimplementasikan teknik pengolahan citra pada video atau motion image serta tracking gerakan pada satu atau lebih gambar atau dari frame video pada aplikasi berbasis video di bidang jaringan komputer, data science dan AI dalam dunia industri

    Indikator Capaian Pembelajaran

    1. Mahasiswa menjelaskan  konsep dasar optical flow untuk memodelkan pergerakan piksel pada video
    2. Mahasiswa menjelaskan perhitungan optical flow seperti Lucas-Kanade dan Horn-Schunck
    3. Mahasiswa menerapkan optical flow untuk tracking gerak objek dan foreground segmentation
    4. Mahasiswa menerapkan algoritma optical flow untuk tracking objek pada video menggunakan library computer vision
    5. Mahasiswa dapat menganalisis kelebihan dan kekurangan penggunaan optical flow

    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 optical flow untuk video tracking dan modul pemrograman optical flow yang dapat teman-teman praktekkan menggunakan Google Colaboratory. 

    Sebelum Pertemuan (90 menit):

    1. Mahasiswa menonton video materi Optical Flow dan Object Tracking selama 30 menit. Video berisi konsep dasar dan contoh penerapan.
    2. Mahasiswa membaca handout ringkasan materi dan modul coding selama 30 menit.
    3. Mahasiswa mengerjakan kuis pemahaman materi di LMS selama 30 menit.

    Saat Pertemuan (120 menit):

    1. Warming up dan Dosen membahas poin-poin penting materi dan menjawab pertanyaan mahasiswa (15 menit).
    2. Mahasiswa dibagi dalam 5 kelompok, tiap kelompok 4-5 orang. Tiap kelompok diberikan project studi kasus tracking objek menggunakan optical flow (60 menit).
    3. Satu per satu kelompok mempresentasikan hasil project mereka. Kelompok lain memberi pertanyaan dan saran perbaikan (30 menit).
    4. Dosen memberikan ulasan dan penjelasan bagian yang masih membingungkan, lalu merangkum materi (15 menit).

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

  • 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.

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

  • Pertemuan (14)- Image Classification Supervised & Unsupervised Learning

    HEADER

    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

    1. Mahasiswa mampu mengimplementasikan SVM, KNN, dan K-Means untuk klasifikasi dataset gambar menggunakan bahasa pemrograman
    2. Mahasiswa mampu melakukan evaluasi dan interpretasi hasil klasifikasi berdasarkan metrik akurasi, presisi, recall, dan matriks konfusi
    3. 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):

    1. Mahasiswa menonton video dan mempelajari infografis materi SVM, KNN, dan K-Means untuk klasifikasi gambar (30 menit)
    2. Mahasiswa membaca handout ringkasan dan modul praktik coding SVM, KNN, dan K-Means (30 menit)
    3. Mahasiswa mengerjakan kuis pemahaman materi di LMS (30 menit)

    Saat Pertemuan (150 menit):

    1. Warming-up dan Dosen membahas poin-poin penting materi dan menjawab pertanyaan (15 menit)
    2. 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).
    3. Tiap kelompok mempresentasikan hasil proyek. Kelompok lain memberi pertanyaan dan saran (60 menit).
    4. Dosen memberi ulasan, menjelaskan yang masih membingungkan, dan merangkum materi (15 menit).

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