RPS MK Computer Vision
Rencana Pembelajaran Semester (RPS)
Mata Kuliah Computer Vision
Rencana pembelajaran mata kuliah Computer Vision
Minggu ke-1: Pengenalan Computer Vision
Topik: Pengenalan tentang Computer Vision, sejarah, dan aplikasinya.
Kemampuan Akhir yang Diharapkan: Mahasiswa memahami dasar-dasar Computer Vision dan mampu menjelaskan berbagai aplikasi di berbagai bidang.
Materi Ajar: Pengenalan Computer Vision, sejarah perkembangan, aplikasi dalam industri dan kehidupan sehari-hari.
Metode Pembelajaran: Kuliah, diskusi, dan tayangan video.
Waktu: 2 jam kuliah.
Pengalaman Belajar Mahasiswa: Tidak diperlukan pengalaman sebelumnya dalam Computer Vision.
Kriteria Penilaian dan Indikator: Partisipasi aktif dalam diskusi dan pemahaman tentang konsep dasar Computer Vision.
Bobot Nilai: 10%
Minggu ke-2: Pengolahan Citra
Topik: Teknik dasar pengolahan citra seperti filtering, konvolusi, deteksi tepi.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu memahami dan menerapkan teknik dasar pengolahan citra.
Materi Ajar: Filtering, konvolusi, deteksi tepi, dan contoh penggunaan dalam Computer Vision.
Metode Pembelajaran: Kuliah, studi kasus, dan praktikum menggunakan perangkat lunak pengolahan citra.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Dasar pemrograman.
Kriteria Penilaian dan Indikator: Keberhasilan dalam menulis kode untuk teknik pengolahan citra.
Bobot Nilai: 15%
Minggu ke-3: Segmentasi Citra
Topik: Teknik segmentasi citra seperti thresholding, region growing, dan pemisahan objek dari latar belakang.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu memahami dan menerapkan teknik segmentasi citra.
Materi Ajar: Thresholding, region growing, pemisahan objek, dan contoh penggunaan dalam deteksi objek.
Metode Pembelajaran: Kuliah, studi kasus, dan praktikum segmentasi citra.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang teknik pengolahan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam melakukan segmentasi objek pada citra.
Bobot Nilai: 15%
Minggu ke-4: Transformasi Geometri pada Citra
Topik: Transformasi geometri seperti rotasi, translasi, dilasi, dan erosi pada citra.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu memahami dan menerapkan transformasi geometri pada citra.
Materi Ajar: Rotasi, translasi, dilasi, erosi, dan contoh penggunaan dalam perbaikan citra.
Metode Pembelajaran: Kuliah, studi kasus, dan praktikum menggunakan perangkat lunak pengolahan citra.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang teknik pengolahan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam mengaplikasikan transformasi geometri pada citra.
Bobot Nilai: 15%
Minggu ke-5: Deskripsi Fitur
Topik: Teknik deskripsi fitur seperti Histogram of Oriented Gradients (HOG), SIFT, dan SURF.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu memahami dan menerapkan teknik deskripsi fitur untuk mendeteksi dan mengenali objek dalam citra.
Materi Ajar: HOG, SIFT, SURF, dan contoh penggunaan dalam deteksi objek.
Metode Pembelajaran: Kuliah, studi kasus, dan praktikum ekstraksi fitur pada citra.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang teknik pengolahan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam melakukan ekstraksi fitur pada citra.
Bobot Nilai: 15%
Minggu ke-6: Klasifikasi Citra
Topik: Metode klasifikasi citra menggunakan Support Vector Machine (SVM) dan Convolutional Neural Network (CNN).
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu memahami dan menerapkan teknik klasifikasi citra dengan SVM dan CNN.
Materi Ajar: SVM, CNN, dan contoh penggunaan dalam pengenalan objek.
Metode Pembelajaran: Kuliah, studi kasus, dan praktikum pengenalan objek dengan SVM dan CNN.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang teknik deskripsi fitur dan pengolahan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam mengklasifikasikan objek dalam citra.
Bobot Nilai: 15%
Minggu ke-7: Deteksi Objek
Topik: Metode deteksi objek menggunakan teknik sliding window dan region-based.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu memahami dan menerapkan teknik deteksi objek dalam citra.
Materi Ajar: Sliding window, region-based, dan contoh penggunaan dalam deteksi wajah, kendaraan, dsb.
Metode Pembelajaran: Kuliah, studi kasus, dan praktikum deteksi objek.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang teknik klasifikasi citra dan pengolahan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam mendeteksi objek dalam citra.
Bobot Nilai: 15%
Minggu ke-8: Pengenalan Pola
Topik: Pengenalan pola dalam citra menggunakan metode template matching dan klasifikasi berbasis fitur.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu memahami dan menerapkan teknik pengenalan pola dalam citra menggunakan template matching dan klasifikasi berbasis fitur.
Materi Ajar: Pengenalan tentang template matching, metode klasifikasi berbasis fitur, dan contoh penggunaan dalam pengenalan karakter tulisan tangan.
Metode Pembelajaran: Kuliah, studi kasus, dan praktikum pengenalan pola dalam citra.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang teknik deteksi objek, klasifikasi citra, dan pengolahan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam melakukan pengenalan pola menggunakan template matching dan klasifikasi berbasis fitur.
Bobot Nilai: 15%
Minggu ke-9: Deteksi Tepi dan Pencocokan Garis
Topik: Teknik deteksi tepi menggunakan operator seperti Sobel dan Canny, serta pencocokan garis dengan metode transformasi Hough.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu memahami dan menerapkan teknik deteksi tepi serta pencocokan garis dalam citra.
Materi Ajar: Deteksi tepi menggunakan operator Sobel dan Canny, transformasi Hough untuk pencocokan garis, dan contoh penggunaan dalam analisis citra.
Metode Pembelajaran: Kuliah, studi kasus, dan praktikum deteksi tepi dan pencocokan garis pada citra.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang teknik pengolahan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam melakukan deteksi tepi dan pencocokan garis pada citra.
Bobot Nilai: 15%
Minggu ke-10: Segmentasi Berdasarkan Warna
Topik: Metode segmentasi berdasarkan warna untuk memisahkan objek berwarna dari latar belakang dalam citra.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu memahami dan menerapkan teknik segmentasi berdasarkan warna dalam citra.
Materi Ajar: Metode segmentasi berdasarkan warna, k-means clustering, dan contoh penggunaan dalam pengenalan objek berwarna.
Metode Pembelajaran: Kuliah, studi kasus, dan praktikum segmentasi berdasarkan warna pada citra.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang teknik pengolahan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam melakukan segmentasi berdasarkan warna pada citra.
Bobot Nilai: 15%
Minggu ke-11: Segmentasi Berdasarkan Tekstur
Topik: Metode segmentasi berdasarkan tekstur untuk memisahkan objek berbeda berdasarkan karakteristik teksturnya dalam citra.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu memahami dan menerapkan teknik segmentasi berdasarkan tekstur dalam citra.
Materi Ajar: Metode segmentasi berdasarkan tekstur, Gray Level Co-occurrence Matrix (GLCM), dan contoh penggunaan dalam pengenalan objek berbeda berdasarkan tekstur.
Metode Pembelajaran: Kuliah, studi kasus, dan praktikum segmentasi berdasarkan tekstur pada citra.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang teknik pengolahan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam melakukan segmentasi berdasarkan tekstur pada citra.
Bobot Nilai: 15%
Minggu ke-12: Augmented Reality
Topik: Pengenalan tentang Augmented Reality (AR) dan cara implementasinya menggunakan Computer Vision.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu memahami konsep Augmented Reality dan menerapkan teknik Computer Vision untuk implementasi AR sederhana.
Materi Ajar: Pengenalan tentang Augmented Reality, marker-based AR, dan contoh penggunaan dalam aplikasi interaktif.
Metode Pembelajaran: Kuliah, studi kasus, dan praktikum implementasi Augmented Reality dengan Computer Vision.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang teknik pengolahan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam melakukan implementasi Augmented Reality menggunakan Computer Vision.
Bobot Nilai: 15%
Minggu ke-13: Teknologi Computer Vision Terkini
Topik: Pengenalan tentang perkembangan terkini dalam teknologi Computer Vision dan aplikasi nyata dalam berbagai industri.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu memahami perkembangan terkini dalam teknologi Computer Vision dan menyadari berbagai potensi aplikasi di masa depan.
Materi Ajar: Pengenalan tentang perkembangan terkini dalam teknologi Computer Vision, AI, dan contoh aplikasi di berbagai industri.
Metode Pembelajaran: Kuliah, diskusi, dan tayangan video.
Waktu: 2 jam kuliah.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang teknik pengolahan citra.
Kriteria Penilaian dan Indikator: Partisipasi aktif dalam diskusi dan pemahaman tentang perkembangan terkini dalam teknologi Computer Vision.
Bobot Nilai: 10%
Minggu ke-14: Proyek Akhir
Topik: Pengerjaan proyek akhir berbasis Computer Vision dengan menggabungkan berbagai teknik yang telah dipelajari.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu mengimplementasikan dan mengintegrasikan berbagai teknik Computer Vision dalam proyek akhir.
Materi Ajar: Bimbingan dan konsultasi untuk proyek akhir yang telah dipilih oleh masing-masing mahasiswa.
Metode Pembelajaran: Bimbingan dan konsultasi tatap muka antara dosen dan mahasiswa.
Waktu: 4 jam bimbingan dan konsultasi.
Pengalaman Belajar Mahasiswa: Pemahaman mendalam tentang teknik pengolahan citra dan penerapannya dalam proyek akhir.
Kriteria Penilaian dan Indikator: Keberhasilan dalam menyelesaikan proyek akhir dan kemampuan dalam mengintegrasikan berbagai teknik Computer Vision.
Bobot Nilai: 20%
Kriteria Penilaian dan Bobot Nilai:
Berikut adalah kriteria penilaian dan bobot nilai untuk mata kuliah Computer Vision:
Catatan:
Bobot nilai dapat disesuaikan sesuai kebijakan dan peraturan akademik di perguruan tinggi masing-masing.
Kriteria penilaian dan bobot nilai ini dapat membantu dalam menilai pencapaian kompetensi mahasiswa dalam mata kuliah Computer Vision. Seluruh rangkaian pembelajaran ini diharapkan dapat membekali mahasiswa dengan pengetahuan dan keterampilan dalam bidang Computer Vision, sehingga mereka siap untuk menghadapi tantangan dan aplikasi nyata di dunia industri dan penelitian.
