Pengolahan Citra · Panduan Mata Kuliah

Pengolahan Citra & Computer Vision

Pendahuluan mata kuliah dan daftar materi: dari piksel, OpenCV, dan video menuju aplikasi YOLO.

Google Colab · OpenCV · Pemahaman konsep → pengamatan → praktikum → analisis

Pendahuluan

Mata kuliah ini mengajak mahasiswa memahami citra sebagai data, mengolahnya dengan OpenCV, lalu membangun aplikasi computer vision menggunakan model pretrained dan YOLO. Pembelajaran bergerak dari pengamatan piksel menuju project deteksi objek yang dapat dijelaskan dan diperagakan.

Setiap materi berisi tujuan, pertanyaan pembuka, teori bergambar, video pendamping, praktikum Google Colab dan tugas. Pertanyaan pembuka digunakan untuk menguji dugaan sebelum menjalankan kode; analisis hasil sama pentingnya dengan program yang berjalan.

Materi 2 adalah modul acuan yang tetap dipertahankan. Topik “Setup Python” pada silabus dipelajari melalui runtime Google Colab, bukan instalasi Python lokal.

Capaian pembelajaran

  1. Menjelaskan piksel, resolusi, kanal warna dan representasi citra sebagai array.
  2. Memilih transformasi, filter, threshold dan analisis contour sesuai masalah, beserta batasannya.
  3. Membaca dan mengolah gambar/video dengan parameter dan penanganan error yang jelas.
  4. Membedakan klasifikasi, deteksi dan tracking serta menafsirkan confidence secara hati-hati.
  5. Menjalankan model pretrained, mempersiapkan dataset berlabel dan mengevaluasi training tanpa kebocoran data.
  6. Menyusun notebook/project yang reproducible, berizin, beridentitas serta memiliki visualisasi dan analisis.

Alur belajar

1–3 · Fondasi dan warna4–6 · Pengolahan dan bentuk7–9 · Wajah, video dan AI10–14 · YOLO sampai project

Baca tujuan, jawab pertanyaan pembuka, pelajari teori dan ilustrasi, lalu tulis kode di Colab. Ubah parameter secara terkontrol, amati kesalahan dan jelaskan hasil. Jangan menganggap confidence tinggi sebagai kepastian atau jumlah deteksi per frame sebagai jumlah objek unik.

Persiapan pembelajaran

  1. Akun Google, browser dan koneksi internet untuk Google Colab.
  2. Dasar Python: variabel, array, percabangan, loop, fungsi dan pengolahan file.
  3. Gambar/video milik sendiri atau berizin; catat sumbernya.
  4. Runtime CPU cukup untuk operasi citra dasar. GPU disarankan untuk training YOLO, tetapi ketersediaan/kuota Colab tidak dijamin.
  5. Webcam Colab memerlukan izin kamera pada browser dan jembatan JavaScript. cv2.VideoCapture(0) tidak membuka kamera laptop dari runtime cloud.
  6. Model pretrained/weights mungkin diunduh pada run pertama; versi paket dan bobot dicatat untuk reproducibility.

Buka Google Colab

Contoh script ditampilkan di layar, tanpa file script/notebook unduhan dan tanpa tombol copy. Pembatasan seleksi/copy pada halaman bersifat UI, bukan perlindungan mutlak.

Daftar 14 materi

  1. 01 · Pengenalan Pengolahan Citra & Setup Python

    Google Colab, array piksel, resolusi, kanal, dan pembacaan tiga gambar.

  2. 02 · Operasi Dasar Citra dengan OpenCV

    Resize, crop, rotate, flip, brightness, contrast dan penyimpanan hasil.

  3. 03 · Color Space dan Manipulasi Warna

    BGR, RGB, grayscale, HSV, pemisahan kanal dan deteksi warna.

  4. 04 · Image Enhancement & Filtering

    Noise, Gaussian/median/bilateral filtering, sharpening dan histogram.

  5. 05 · Thresholding dan Segmentasi Citra

    Binary, adaptive dan Otsu thresholding, mask serta pemisahan area.

  6. 06 · Edge Detection, Contour dan Shape Detection

    Canny, contour, bounding box, luas dan deteksi bentuk.

  7. 07 · Deteksi Wajah dan Objek dengan OpenCV

    Haar cascade, deteksi mata, penghitungan wajah dan kamera browser.

  8. 08 · Pengenalan Video dengan OpenCV

    Frame, FPS, timestamp, resize, overlay dan penyimpanan video.

  9. 09 · Pengenalan Artificial Intelligence untuk Computer Vision

    Machine learning, deep learning, CNN dan model pretrained.

  10. 10 · Pengenalan YOLO dan Object Detection

    Bounding box, class, confidence, IoU dan inferensi pretrained.

  11. 11 · YOLO Object Detection pada Gambar

    Filter class, confidence, koordinat dan penghitungan objek per gambar.

  12. 12 · YOLO Object Detection pada Video dan Webcam

    Inferensi frame, FPS, counting dan batas webcam Colab.

  13. 13 · Custom Dataset dan Training YOLO

    Dataset 100–200 gambar, 1–3 kelas, anotasi, split dan evaluasi.

  14. 14 · Project Akhir — Sistem Computer Vision berbasis YOLO

    Integrasi preprocessing, model, antarmuka, gambar/video dan demonstrasi.

Pengumpulan tugas

Setiap tugas dikumpulkan sebagai satu link notebook Google Colab. Nama dan NPM wajib di sel Markdown paling atas, sebelum kode atau gambar. Semua hasil dan analisis harus terlihat serta tersimpan di notebook.

Identitas di bagian paling atas notebook: tambahkan sel Text/Markdown sebelum kode dan isi Nama serta NPM.
# Materi 01 — Pengolahan Citra
Nama: [Nama lengkap mahasiswa]
NPM: [NPM mahasiswa]
Kelas: [Kelas, jika diperlukan]

Bagikan akses Viewer/Pelihat untuk dosen, periksa link dari akun penerima, dan hindari izin edit publik. Tidak perlu mengirim .ipynb, ZIP, PDF atau screenshot terpisah. Ikuti jumlah gambar, durasi video dan ketentuan dataset pada masing-masing materi.

Materi 13 dikerjakan berkelompok: cantumkan seluruh Nama dan NPM anggota, pembagian kontribusi serta sumber dataset. Project akhir mencantumkan alur, evaluasi, batasan, dan hasil demonstrasi.

Etika dan praktik yang baik

  • Gunakan media berizin dan hindari mengunggah identitas/data pribadi tanpa persetujuan.
  • Bedakan output aktual, ilustrasi sintetis, dan diagram konsep. Jangan mengarang prediksi/hasil training.
  • Catat parameter, versi paket dan model; simpan data/output yang diperlukan sebelum runtime berakhir.
  • Pisahkan data training, validasi dan testing dengan mempertimbangkan scene/sesi agar tidak terjadi leakage.
Mulai dari Materi 1 →