RPS MK Digital Image Processing
Rencana Pembelajaran Semester
Mata Kuliah Digital Image Processing
Minggu ke-1: Pengenalan Digital Image Processing
Topik: Pengenalan tentang Digital Image Processing, konsep dasar citra digital, dan alur kerja pengolahan citra.
Kemampuan Akhir yang Diharapkan: Mahasiswa memahami konsep dasar Digital Image Processing dan alur kerja dalam pengolahan citra digital.
Materi Ajar: Pengenalan tentang Digital Image Processing, representasi citra digital, dan alur kerja pengolahan citra.
Metode Pembelajaran: Kuliah, studi kasus, dan diskusi.
Waktu: 2 jam kuliah.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang pemrograman dan matematika.
Kriteria Penilaian dan Indikator: Partisipasi aktif dalam diskusi dan pemahaman tentang konsep dasar Digital Image Processing.
Bobot Nilai: 10%
Minggu ke-2: Pra Pemrosesan Citra
Topik: Tahap pra pemrosesan dalam Digital Image Processing, termasuk penajaman citra, penurunan derau, dan normalisasi.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu melakukan pra pemrosesan citra untuk mempersiapkan citra sebelum dianalisis lebih lanjut.
Materi Ajar: Pra Pemrosesan citra, penajaman citra, penurunan derau, dan normalisasi citra.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman pra pemrosesan citra.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman tentang pemrograman dan pemrosesan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam melakukan pra pemrosesan citra dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-3: Transformasi Citra
Topik: Pengenalan tentang transformasi citra, termasuk transformasi spasial dan transformasi frekuensi.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu mengimplementasikan transformasi citra untuk analisis dan perbaikan citra.
Materi Ajar: Transformasi spasial, transformasi frekuensi, dan aplikasi dalam pengolahan citra.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman transformasi citra.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman tentang pemrograman dan pemrosesan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam mengimplementasikan transformasi citra dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-4: Operasi Pemrosesan Citra
Topik: Operasi dasar dalam Digital Image Processing, termasuk konvolusi, filtrasi, dan deteksi tepi.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu menerapkan operasi pemrosesan citra untuk analisis dan perbaikan citra.
Materi Ajar: Konvolusi, filtrasi, deteksi tepi, dan aplikasi dalam pengolahan citra.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman operasi pemrosesan citra.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman tentang pemrograman dan pemrosesan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam menerapkan operasi pemrosesan citra dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-5: Segmentasi Citra
Topik: Pengenalan tentang segmentasi citra, termasuk thresholding, clustering, dan metode segmentasi lanjutan.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu melakukan segmentasi citra untuk mengidentifikasi objek dan wilayah dalam citra.
Materi Ajar: Segmentasi citra, thresholding, clustering, dan metode segmentasi lanjutan.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman segmentasi citra.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman tentang pemrograman dan pemrosesan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam melakukan segmentasi citra dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-6: Ekstraksi Fitur Citra
Topik: Pengenalan tentang ekstraksi fitur citra, termasuk ekstraksi bentuk, tekstur, dan fitur warna.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu melakukan ekstraksi fitur citra untuk menganalisis dan memahami karakteristik citra.
Materi Ajar: Ekstraksi fitur citra, ekstraksi bentuk, tekstur, dan fitur warna.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman ekstraksi fitur citra.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman tentang pemrograman dan pemrosesan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam melakukan ekstraksi fitur citra dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-7: Transformasi Domain Frekuensi
Topik: Penerapan transformasi domain frekuensi dalam Digital Image Processing, termasuk Transformasi Fourier dan Transformasi Wavelet.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu menerapkan transformasi domain frekuensi untuk analisis dan perbaikan citra.
Materi Ajar: Transformasi Fourier, Transformasi Wavelet, dan aplikasi dalam pengolahan citra.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman transformasi domain frekuensi.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman tentang pemrograman dan pemrosesan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam menerapkan transformasi domain frekuensi dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-8: Restorasi Citra
Topik: Teknik restorasi citra untuk mengurangi derau dan perbaikan citra yang buram.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu menerapkan teknik restorasi citra untuk memperbaiki citra yang terganggu dan buram.
Materi Ajar: Restorasi citra, pemfilteran spasial dan frekuensi, serta aplikasi dalam pemulihan citra.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman restorasi citra.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman tentang pemrograman dan pemrosesan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam menerapkan teknik restorasi citra dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-9: Penggabungan Citra
Topik: Teknik penggabungan citra untuk menggabungkan informasi dari beberapa citra menjadi satu citra hasil gabungan.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu menerapkan teknik penggabungan citra untuk mendapatkan informasi yang lebih lengkap dan akurat.
Materi Ajar: Penggabungan citra, blending citra, fusi citra, dan aplikasi dalam pengolahan citra.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman penggabungan citra.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman tentang pemrograman dan pemrosesan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam menerapkan teknik penggabungan citra dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-10: Analisis Tekstur Citra
Topik: Pengenalan tentang analisis tekstur citra dan ekstraksi fitur tekstur menggunakan metode statistik dan transformasi wavelet.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu menganalisis tekstur citra dan ekstraksi fitur tekstur untuk mengklasifikasikan citra berdasarkan teksturnya.
Materi Ajar: Analisis tekstur citra, ekstraksi fitur tekstur menggunakan metode statistik dan wavelet, serta aplikasi dalam klasifikasi citra.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman analisis tekstur citra.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman tentang pemrograman dan pemrosesan citra.
Kriteria Penilaian dan Indikator: Keberhasilan dalam menganalisis tekstur citra dan ekstraksi fitur tekstur serta partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-11: Klasifikasi Citra
Topik: Pengenalan tentang teknik klasifikasi citra menggunakan metode pengenalan pola dan pembelajaran mesin.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu menerapkan teknik klasifikasi citra untuk mengklasifikasikan objek atau wilayah dalam citra.
Materi Ajar: Klasifikasi citra, metode pengenalan pola, pembelajaran mesin, dan aplikasi dalam pengolahan citra.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman klasifikasi citra.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman tentang pemrograman dan pemrosesan citra, serta dasar-dasar pengenalan pola dan pembelajaran mesin.
Kriteria Penilaian dan Indikator: Keberhasilan dalam menerapkan teknik klasifikasi citra dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-12: Pengolahan Citra dalam Waktu Nyata
Topik: Pengenalan tentang pengolahan citra dalam waktu nyata dan implementasinya menggunakan perangkat keras khusus.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu memahami dan mengimplementasikan teknik pengolahan citra dalam waktu nyata menggunakan perangkat keras khusus.
Materi Ajar: Pengolahan citra dalam waktu nyata, teknik implementasi dengan perangkat keras khusus, dan contoh aplikasi.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman pengolahan citra dalam waktu nyata.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman tentang pemrograman dan pemrosesan citra, serta dasar-dasar elektronika.
Kriteria Penilaian dan Indikator: Keberhasilan dalam mengimplementasikan teknik pengolahan citra dalam waktu nyata dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-13: Aplikasi Pilihan
Topik: Pemilihan dan penerapan aplikasi Digital Image Processing di berbagai bidang, seperti pengolahan medis, pengenalan pola, atau keamanan.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu menerapkan teknik Digital Image Processing untuk mengatasi permasalahan di berbagai bidang aplikasi.
Materi Ajar: Studi kasus dan contoh aplikasi Digital Image Processing di berbagai bidang.
Metode Pembelajaran: Kuliah, studi kasus, dan diskusi.
Waktu: 2 jam kuliah.
Pengalaman Belajar Mahasiswa: Pemahaman tentang pemrograman dan pemrosesan citra, serta aplikasi dalam berbagai bidang.
Kriteria Penilaian dan Indikator: Keberhasilan dalam menerapkan teknik Digital Image Processing pada aplikasi pilihan dan partisipasi aktif dalam diskusi.
Bobot Nilai: 10%
Minggu ke-14: Proyek Akhir
Topik: Pengerjaan proyek akhir dalam Digital Image Processing yang mencakup berbagai konsep dan teknik yang telah dipelajari.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu mengembangkan solusi pengolahan citra yang komprehensif untuk permasalahan yang relevan dan kompleks.
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 berbagai konsep dan teknik Digital Image Processing.
Kriteria Penilaian dan Indikator: Keberhasilan dalam menyelesaikan proyek akhir dan kualitas solusi pengolahan citra yang dikembangkan.
Bobot Nilai: 20%
Kriteria Penilaian dan Bobot Nilai:
Berikut adalah kriteria penilaian dan bobot nilai untuk mata kuliah Digital Image Processing:
Catatan:
Bobot nilai dapat disesuaikan sesuai kebijakan dan peraturan akademik di perguruan tinggi masing-masing.
Kriteria penilaian dan bobot nilai ini bertujuan untuk menilai pencapaian kompetensi mahasiswa dalam mata kuliah Digital Image Processing. Dengan rencana pembelajaran ini, mahasiswa diharapkan dapat memiliki pemahaman mendalam tentang pemrosesan citra digital dan mampu mengimplementasikan berbagai teknik dalam memecahkan permasalahan dalam berbagai aplikasi. Semoga rencana pembelajaran ini dapat membantu mahasiswa mencapai kesuksesan dalam menguasai bidang Digital Image Processing.