rencana pembelajaran semester (rps)sonia.soc.telkomuniversity.ac.id/cdn/rps/s1 teknik...

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



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



Memahami secara


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-



Bentuk/

Metode/

Strategi

Pembelajaran


Nilai



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-



Bentuk/

Metode/

Strategi

Pembelajaran


Nilai




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-



Bentuk/

Metode/

Strategi

Pembelajaran


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-



Bentuk/

Metode/

Strategi

Pembelajaran


Nilai

(additional) learning. ciri LBP dari suatu citra.

Kemampuan

mengimplementasikan

metode yang telah

dipelajari.

13 – 14 Mengimplementasikan




Mempresentasikan



rekognisi dalam




Mampu menganalisa,

memodelkan masalah

klasfikasi dan



sistem rekognisi.



rekognisi yang

Implementasi sistem rekognisi 1:

implementasi program ekstraksi

ciri.

Responsi,

Presentasi.

Kemampuan menyampaikan dan

mentransfer pengetahuan

kepada mahasiswa lain.

7

Pertemuan

ke-



Bentuk/

Metode/

Strategi

Pembelajaran


Nilai




pengembangan.

UJIAN TENGAH SEMESTER





Mempresentasikan



rekognisi dalam




Mampu menganalisa,

memodelkan masalah

klasfikasi dan



sistem rekognisi.



rekognisi yang


implementasi program digit

recognizer.

Responsi,

Project Based

Learning.

Pemahaman mengenai

tahap tugas yang dikerjakan.

Kemampuan

mempresentasikan tugas

yang dikerjakan.

8

Pertemuan

ke-



Bentuk/

Metode/

Strategi

Pembelajaran


Nilai




pengembangan.





Mempresentasikan



rekognisi dalam




Mampu menganalisa,

memodelkan masalah

klasfikasi dan



sistem rekognisi.



rekognisi yang


implementasi tugas besar inovasi

(proposal).

Project Based

Learning.

Pemahaman mengenai tahapan

tugas yang dikerjakan.

9

Pertemuan

ke-



Bentuk/

Metode/

Strategi

Pembelajaran


Nilai




pengembangan.





Mempresentasikan



rekognisi dalam




Mampu menganalisa,

memodelkan masalah

klasfikasi dan



sistem rekognisi.



rekognisi yang



(progress 1).

Project Based

Learning.



10

Pertemuan

ke-



Bentuk/

Metode/

Strategi

Pembelajaran


Nilai




pengembangan.





Mempresentasikan



rekognisi dalam




Mampu menganalisa,

memodelkan masalah

klasfikasi dan



sistem rekognisi.



rekognisi yang



(progress 2).

Project Based

Learning.



11

Pertemuan

ke-



Bentuk/

Metode/

Strategi

Pembelajaran


Nilai


menunjukkan kelebihan,


pengembangan.





Mempresentasikan



rekognisi dalam




Mampu menganalisa,

memodelkan masalah

klasfikasi dan



sistem rekognisi.



rekognisi yang



(presentasi).

Project Based

Learning.

Kemampuan mempresentasikan


12

Pertemuan

ke-



Bentuk/

Metode/

Strategi

Pembelajaran


Nilai


menunjukkan kelebihan,


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

rencana pembelajaran semester (rps)sonia.soc.telkomuniversity.ac.id/cdn/rps/s1 teknik...

Documents