rencana pembelajaran semester (rps)sonia.soc.telkomuniversity.ac.id/cdn/rps/s1 teknik...
TRANSCRIPT
RENCANA PEMBELAJARAN SEMESTER
(RPS)
CIG4I3
SISTEM REKOGNISI
Disusun oleh:
Tjokorda Agung Wirayudha
PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA
TELKOM UNIVERSITY
ii
LEMBAR PENGESAHAN
Rencana Pembelajaran Semester (RPS) ini telah disahkan untuk mata kuliah sbb:
Kode Mata Kuliah : CIG4I3
Nama Mata Kuliah : Sistem Rekognisi
Bandung, … 2015 Mengetahui Menyetujui
Kaprodi S1 Teknik Informatika Ketua KK Intelligent, Computing, Multimedia
M. Arif Bijaksana, Ph.D. Ari M. Barmawi, Ph.D
iii
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
1
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, Pembelajaran 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.
2
B. RENCANA PEMBELAJARAN SEMESTER (RPS)
Pertemuan
ke-
Kemampuan Akhir yang
Diharapkan Bahan Kajian (Materi Ajar)
Bentuk/
Metode/
Strategi
Pembelajaran
Kriteria Penilaian (Indikator) Bobot
Nilai
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.
3
Pertemuan
ke-
Kemampuan Akhir yang
Diharapkan Bahan Kajian (Materi Ajar)
Bentuk/
Metode/
Strategi
Pembelajaran
Kriteria Penilaian (Indikator) Bobot
Nilai
pengolahan data mulai dari
akuisisi data, pre-processing,
pemrosesan data.
Menjelasakan perbedaan dari
konsep pengenalan secara
statistik, sintaktik dan
semantik.
4
Memahami secara 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.
Pengolahan citra 1:
Teknik dasar pengolahan
citra.
Implementasi teknik.
Pengolahan citra.
Ceramah,
Diskusi,
Discovery
learning.
Pemahaman mengenai
teknik dasar pengolahan
citra.
5 Pengolahan citra 2:
Konvolusi, deteksi sisi,
korelasi.
Pengenalan Matlab.
Demonstrasi,
Discovery
learning.
Kemampuan
mengimplementasikan
teknik dasar pengolahan
citra.
6 Segmentasi data citra:
Threshold.
Region growing.
Split and merge.
Teknik raster, projection.
(optional)
Ceramah,
Diskusi,
Discovery
learning.
Pemahaman mengenai
proses segmentasi citra.
7 Memahami secara Pembahasan progress Problem Responsi, Kemampuan
4
Pertemuan
ke-
Kemampuan Akhir yang
Diharapkan Bahan Kajian (Materi Ajar)
Bentuk/
Metode/
Strategi
Pembelajaran
Kriteria Penilaian (Indikator) Bobot
Nilai
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.
5
Pertemuan
ke-
Kemampuan Akhir yang
Diharapkan Bahan Kajian (Materi Ajar)
Bentuk/
Metode/
Strategi
Pembelajaran
Kriteria Penilaian (Indikator) Bobot
Nilai
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
Memahami proses penentuan
objek descriptor/properti melalui
variansi ektraksi ciri bentuk, ciri
texture, ciri topology dan ciri lain
yang relevan
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 Metode ekstrasi ciri warna dan
bentuk 2:
Ciri bentuk: chain code,
moment.
Implementasi chain code,
moment.
Responsi,
Demonstrasi,
Discovery
learning.
Kemampuan
mengimplementasikan
teknik chain code dan
moment.
10 – 12 Metode ekstrasi ciri texture:
GLCM, local binary pattern,
direction feature.
Ciri topology: graph based.
Ceramah,
Responsi,
Demonstrasi,
Discovery
Kemampuan menghitung
ciri GLCM dari suatu contoh
citra.
Kemampuan menghitung
6
Pertemuan
ke-
Kemampuan Akhir yang
Diharapkan Bahan Kajian (Materi Ajar)
Bentuk/
Metode/
Strategi
Pembelajaran
Kriteria Penilaian (Indikator) Bobot
Nilai
(additional) learning. ciri LBP dari suatu citra.
Kemampuan
mengimplementasikan
metode yang telah
dipelajari.
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
Implementasi sistem rekognisi 1:
implementasi program ekstraksi
ciri.
Responsi,
Presentasi.
Kemampuan menyampaikan dan
mentransfer pengetahuan
kepada mahasiswa lain.
7
Pertemuan
ke-
Kemampuan Akhir yang
Diharapkan Bahan Kajian (Materi Ajar)
Bentuk/
Metode/
Strategi
Pembelajaran
Kriteria Penilaian (Indikator) Bobot
Nilai
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.
8
Pertemuan
ke-
Kemampuan Akhir yang
Diharapkan Bahan Kajian (Materi Ajar)
Bentuk/
Metode/
Strategi
Pembelajaran
Kriteria Penilaian (Indikator) Bobot
Nilai
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.
9
Pertemuan
ke-
Kemampuan Akhir yang
Diharapkan Bahan Kajian (Materi Ajar)
Bentuk/
Metode/
Strategi
Pembelajaran
Kriteria Penilaian (Indikator) Bobot
Nilai
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.
10
Pertemuan
ke-
Kemampuan Akhir yang
Diharapkan Bahan Kajian (Materi Ajar)
Bentuk/
Metode/
Strategi
Pembelajaran
Kriteria Penilaian (Indikator) Bobot
Nilai
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.
11
Pertemuan
ke-
Kemampuan Akhir yang
Diharapkan Bahan Kajian (Materi Ajar)
Bentuk/
Metode/
Strategi
Pembelajaran
Kriteria Penilaian (Indikator) Bobot
Nilai
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.
12
Pertemuan
ke-
Kemampuan Akhir yang
Diharapkan Bahan Kajian (Materi Ajar)
Bentuk/
Metode/
Strategi
Pembelajaran
Kriteria Penilaian (Indikator) Bobot
Nilai
diimplementasikan dan
menunjukkan kelebihan,
kelemahan serta rencana
pengembangan.
UJIAN AKHIR SEMESTER
13
C. RANCANGAN INTERAKSI DOSEN–MAHASISWA
Kemampuan Akhir yang Diharapkan
…
Nama Kajian ...
Nama Strategi …
Minggu Penggunaan Strategi (Metode) …
Deskripsi Singkat Strategi (Metode) pembelajaran
…
RANCANGAN INTERAKSI DOSEN–MAHASISWA
Aktivitas Dosen Aktivitas Mahasiswa
… …
14
D. RANCANGAN TUGAS
Kode mata Kuliah …
Nama Mata Kuliah …
Kemampuan Akhir yang Diharapkan …
Minggu/Pertemuan ke …
Tugas ke …
1. Tujuan tugas: …
2. Uraian Tugas: a. Obyek garapan: … b. Yang harus dikerjakan dan batasan-batasan: … c. Metode/ 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
Nilai Skor Matakuliah (NSM) Nilai Mata Kuliah (NMK)
80 < NSM A
70 < NSM ≤ 80 AB
65 < NSM ≤ 70 B
60 < NSM ≤ 65 BC
15
50 < NSM ≤ 60 C
40 < NSM ≤ 50 D
NSM ≤ 40 E