RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4I3 SISTEM REKOGNISI Disusun oleh: Tjokorda Agung Wirayudha PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY
LEMBAR PENGESAHAN Rencana Semester (RPS) ini telah disahkan untuk mata kuliah sbb: Kode Mata Kuliah : CIG4I3 Nama Mata Kuliah : Sistem Rekognisi Mengetahui Kaprodi S1 Teknik Informatika Bandung, 2015 Menyetujui Ketua KK Intelligent, Computing, Multimedia M. Arif Bijaksana, Ph.D. Ari M. Barmawi, Ph.D ii
DAFTAR ISI LEMBAR PENGESAHAN... ii DAFTAR ISI... iii A. PROFIL MATA KULIAH... 1 B. RENCANA PEMBELAJARAN SEMESTER (RPS)... 2 C. RANCANGAN INTERAKSI DOSEN MAHASISWA... 13 D. RANCANGAN TUGAS... 14 E. PENILAIAN DENGAN RUBRIK... 14 F. PENENTUAN NILAI AKHIR MATA KULIAH... 14 iii
A. PROFIL MATA KULIAH IDENTITAS MATA KULIAH Nama Mata Kuliah : Sistem Rekognisi Kode Mata Kuliah : CIG4I3 SKS : 3 Jenis : MK Wajib Jam pelaksanaan : Tatap muka di kelas 3 jam per minggu Tutorial / responsi 1 jam per minggu Semester / Tingkat : / 4 (empat) Pre-requisite : Pengolahan citra digital, mesin. Co-requisite : Bidang Kajian : Intelligent systems, Future trend and problem solving DESKRIPSI SINGKAT MATA KULIAH Mata kuliah ini memberikan landasan bagi konsep pembangunan sistem rekognisi yang mencoba meniru cara kerja manusia dalam mengenali suatu objek. Penekanan terhadap kompleksitas proses disampaikan melalui metode pengenalan yang bersifat statistik, sintaktik dan semantik. Mahasiswa dituntun untuk dapat melihat esensi dan kedalaman penentuan objek descriptor/properti dengan menggunakan teknik ektraksi ciri. Setelah memahami objek decriptor/properti mahasiswa dikenalkan dengan teknik klasifikasi terhadap data objek descriptor/properti yang telah ditentukan sebelumnya. Mahasiswa diperkenalkan dengan teknologi untuk memproses data dalam membangun sistem rekognisi dan diwajibkan untuk merancang, mengimplementasikan dan mengukur unjuk kerja suatu sistem rekognisi. DAFTAR PUSTAKA 1. Marx Nixon, Alberto Aguado, 2008, Feature Extraction and Image Processing, Second Edition, Elsivier. 2. Amit, Yali., 2002, 2D Object Detection and Recognition Model, Algorithms, and Networks, MIT Press. 3. Russel, Stuart and Norvig, Peter. 1995. Artificial Intelligence: A Modern Approach. Prentice Hall International, Inc. Last Edition. 1
B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan 1 Memahami konsep dan ide dasar dalam mengembangkan suatu sistem rekognisi dan contoh aplikasi penerapannya. Pengantar kuliah sistem rekognisi: Definisi sistem rekognisi. Penerapan sistem rekognisi. Ceramah, Diskusi. Kemampuan menuliskan contoh penerapan sistem rekognisi. 2 Memahami konsep dan ide dasar dalam mengembangkan suatu sistem rekognisi dan contoh aplikasi penerapannya. Memahami secara menyeluruh hubungan tahap pengolahan data mulai dari akuisisi data, pre-processing, pemrosesan data. Computer vision: Definisi computer vision. Blok proses umum. Sistem visual manusia. Representasi data digital. Ceramah, Diskusi. Kemampuan menjelaskan kaitan antara computer vision dengan sistem rekognisi. Kemampuan menuliskan contoh penerapan sistem rekognisi. 3 Memahami konsep dan ide dasar dalam mengembangkan suatu sistem rekognisi dan contoh aplikasi penerapannya. Memahami secara menyeluruh hubungan tahap Pengantar sistem rekognisi: Definisi objek descriptor/properti. Klasifikasi metode pengenalan (statistik, sintaktik, semantik). Unjuk kerja sistem rekognisi. Ceramah, Diskusi, Discovery Learning. Kemampuan mendefinisikan perbedaan pengenalan statistik, sintaktik, semantik. Kemampuan melakukan pencarian informasi melalui berbagai media. 2
pengolahan data mulai dari akuisisi data, pre-processing, pemrosesan data. Menjelasakan perbedaan dari konsep pengenalan secara statistik, sintaktik dan semantik. 4 Pengolahan citra 1: Memahami secara Teknik dasar pengolahan citra. Implementasi teknik. menyeluruh hubungan Pengolahan citra. 5 tahap pengolahan data mulai dari akuisisi data, preprocessing, Pengolahan citra 2: pemrosesan Konvolusi, deteksi sisi, data. korelasi. 6 descriptor/properti melalui Memahami proses penentuan objek Pengenalan Matlab. Segmentasi data citra: variansi ektraksi ciri bentuk, Threshold. ciri texture, ciri topology dan Region growing. ciri lain yang relevan. Split and merge. Teknik raster, projection. (optional) Ceramah, Diskusi, Discovery learning. Demonstrasi, Discovery learning. Ceramah, Diskusi, Discovery learning. Pemahaman mengenai teknik dasar pengolahan citra. Kemampuan mengimplementasikan teknik dasar pengolahan citra. Pemahaman mengenai proses segmentasi citra. 7 Memahami secara Pembahasan progress Problem Responsi, Kemampuan 3
menyeluruh hubungan tahap pengolahan data mulai dari akuisisi data, pre-processing, pemrosesan data. Memahami proses penentuan objek descriptor/properti melalui variansi ektraksi ciri bentuk, ciri texture, ciri topology dan ciri lain yang relevan. Mengimplementasikan algoritma pembangunan objek descriptor/properti dalam suatu studi kasus. Mempresentasikan pemahaman yang diperoleh terhadap suatu teknik sistem rekognisi dalam menyelesaikan suatu studi kasus yang diambil dari referensi karya ilmiah. Mampu menganalisa, memodelkan masalah klasfikasi dan mengimplementasikan solusi Solving Puzzle Match. Demonstrasi, Discovery learning. mengimplementasikan teknik segmentasi citra. 4
dari suatu studi kasus spesifik sistem rekognisi. Melakukan evaluasi unjuk kerja terhadap suatu sistem rekognisi yang diimplementasikan dan menunjukkan kelebihan, kelemahan serta rencana pengembangan. 8 Metode ekstrasi ciri warna dan bentuk 1: Pengenalan ekstrasi ciri. Ciri warna: color moment. Small group discussion. Pemahaman mengenai dasar teknik chain code dan moment. 9 Memahami proses penentuan Metode ekstrasi ciri warna dan objek descriptor/properti melalui variansi ektraksi ciri bentuk, ciri texture, ciri topology dan ciri lain yang relevan bentuk 2: Ciri bentuk: chain code, moment. Implementasi chain code, moment. 10 12 Metode ekstrasi ciri texture: GLCM, local binary pattern, direction feature. Ciri topology: graph based. 5 Responsi, Demonstrasi, Discovery learning. Ceramah, Responsi, Demonstrasi, Discovery Kemampuan mengimplementasikan teknik chain code dan moment. Kemampuan menghitung ciri GLCM dari suatu contoh citra. Kemampuan menghitung
13 14 Mengimplementasikan algoritma pembangunan objek descriptor/properti dalam suatu studi kasus. Mempresentasikan pemahaman yang diperoleh terhadap suatu teknik sistem rekognisi dalam menyelesaikan suatu studi kasus yang diambil dari referensi karya ilmiah. Mampu menganalisa, memodelkan masalah klasfikasi dan mengimplementasikan solusi dari suatu studi kasus spesifik sistem rekognisi. Melakukan evaluasi unjuk kerja terhadap suatu sistem rekognisi yang 6 (additional) learning. ciri LBP dari suatu citra. Kemampuan mengimplementasikan metode yang telah dipelajari. Implementasi sistem rekognisi 1: implementasi program ekstraksi ciri. Responsi, Presentasi. Kemampuan menyampaikan dan mentransfer pengetahuan kepada mahasiswa lain.
diimplementasikan dan menunjukkan kelebihan, kelemahan serta rencana pengembangan. UJIAN TENGAH SEMESTER 15 20 Mengimplementasikan algoritma pembangunan objek descriptor/properti dalam suatu studi kasus. Mempresentasikan pemahaman yang diperoleh terhadap suatu teknik sistem rekognisi dalam menyelesaikan suatu studi kasus yang diambil dari referensi karya ilmiah. Mampu menganalisa, memodelkan masalah klasfikasi dan mengimplementasikan solusi dari suatu studi kasus spesifik sistem rekognisi. Melakukan evaluasi unjuk kerja terhadap suatu sistem rekognisi yang Implementasi sistem rekognisi 1: implementasi program digit recognizer. Responsi, Project Based Learning. Pemahaman mengenai tahap tugas yang dikerjakan. Kemampuan mempresentasikan tugas yang dikerjakan. 7
diimplementasikan dan menunjukkan kelebihan, kelemahan serta rencana pengembangan. 21 22 Mengimplementasikan algoritma pembangunan objek descriptor/properti dalam suatu studi kasus. Mempresentasikan pemahaman yang diperoleh terhadap suatu teknik sistem rekognisi dalam menyelesaikan suatu studi kasus yang diambil dari referensi karya ilmiah. Mampu menganalisa, memodelkan masalah klasfikasi dan mengimplementasikan solusi dari suatu studi kasus spesifik sistem rekognisi. Melakukan evaluasi unjuk kerja terhadap suatu sistem rekognisi yang Implementasi sistem rekognisi 2: implementasi tugas besar inovasi (proposal). Project Based Learning. Pemahaman mengenai tahapan tugas yang dikerjakan. 8
diimplementasikan dan menunjukkan kelebihan, kelemahan serta rencana pengembangan. 23 24 Mengimplementasikan algoritma pembangunan objek descriptor/properti dalam suatu studi kasus. Mempresentasikan pemahaman yang diperoleh terhadap suatu teknik sistem rekognisi dalam menyelesaikan suatu studi kasus yang diambil dari referensi karya ilmiah. Mampu menganalisa, memodelkan masalah klasfikasi dan mengimplementasikan solusi dari suatu studi kasus spesifik sistem rekognisi. Melakukan evaluasi unjuk kerja terhadap suatu sistem rekognisi yang Implementasi sistem rekognisi 2: implementasi tugas besar inovasi (progress 1). Project Based Learning. Pemahaman mengenai tahapan tugas yang dikerjakan. 9
diimplementasikan dan menunjukkan kelebihan, kelemahan serta rencana pengembangan. 25 26 Mengimplementasikan algoritma pembangunan objek descriptor/properti dalam suatu studi kasus. Mempresentasikan pemahaman yang diperoleh terhadap suatu teknik sistem rekognisi dalam menyelesaikan suatu studi kasus yang diambil dari referensi karya ilmiah. Mampu menganalisa, memodelkan masalah klasfikasi dan mengimplementasikan solusi dari suatu studi kasus spesifik sistem rekognisi. Melakukan evaluasi unjuk kerja terhadap suatu sistem rekognisi yang Implementasi sistem rekognisi 2: implementasi tugas besar inovasi (progress 2). Project Based Learning. Pemahaman mengenai tahapan tugas yang dikerjakan. 10
diimplementasikan dan menunjukkan kelebihan, kelemahan serta rencana pengembangan. 27 28 Mengimplementasikan algoritma pembangunan objek descriptor/properti dalam suatu studi kasus. Mempresentasikan pemahaman yang diperoleh terhadap suatu teknik sistem rekognisi dalam menyelesaikan suatu studi kasus yang diambil dari referensi karya ilmiah. Mampu menganalisa, memodelkan masalah klasfikasi dan mengimplementasikan solusi dari suatu studi kasus spesifik sistem rekognisi. Melakukan evaluasi unjuk kerja terhadap suatu sistem rekognisi yang Implementasi sistem rekognisi 2: implementasi tugas besar inovasi (presentasi). Project Based Learning. Kemampuan mempresentasikan tugas yang dikerjakan. 11
diimplementasikan dan menunjukkan kelebihan, kelemahan serta rencana pengembangan. UJIAN AKHIR SEMESTER 12
C. RANCANGAN INTERAKSI DOSEN MAHASISWA Nama Kajian... Nama Minggu Penggunaan (Metode) Deskripsi Singkat (Metode) pembelajaran RANCANGAN INTERAKSI DOSEN MAHASISWA Aktivitas Dosen Aktivitas Mahasiswa 13
D. RANCANGAN TUGAS Kode mata Kuliah Nama Mata Kuliah Minggu/Pertemuan ke Tugas ke 1. Tujuan tugas: 2. Uraian Tugas: a. Obyek garapan: b. Yang harus dikerjakan dan batasan-batasan: c. cara pengerjaan, acuan yang digunakan: d. Deskripsi luaran tugas yang dihasilkan/ dikerjakan: 3. Kriteria penilaian: E. PENILAIAN DENGAN RUBRIK Jenjang (Grade) Angka (Skor) Deskripsi perilaku (Indikator) F. PERSENTASE KOMPONEN PENILAIAN 1. Kuis : 10% 2. Tugas Besar : 20% 3. UTS : 30% 4. UAS : 40% G. PENENTUAN NILAI AKHIR MATA KULIAH Skor Matakuliah (NSM) Mata Kuliah (NMK) 80 < NSM A 70 < NSM 80 AB 65 < NSM 70 B 60 < NSM 65 BC 14
50 < NSM 60 C 40 < NSM 50 D NSM 40 E 15