RPS Pengenalan Pola (Mki540) [PDF]

Citation preview

RENCANA PEMBELAJARAN SEMESTER Program Studi



: Teknik Informatika (TI)



Mata Kuliah



: Pengenalan Pola



Kode Mata Kuliah



:



SKS



: 3 SKS



Semester



: 5 (Lima)



Mata Kuliah Prasyarat



:-



Dosen Pengampu



: T. M Johan., M.IT



Capaian Pembelajaran



: Setelah menyelesaikan Mata Kuliah ini mahasiswa Informatika mampu membuat program pengenalan pola untuk aplikasi yang ditentukan



Pertemuan Ke 1 1



Kemampuan Akhir yang Direncanakan 2 Saling mengenal, menjelaskan kontrak perkuliahan yang meliputi tujuan matakuliah, berbagai tugas dan sumbernya serta prinsip penilaiaanya



Materi Pokok



   



3 Perkenalan antara dosen dan mahasiswa Penjelasan kontrak kuliah dan sistem penilaian Penjelasan tentang tugastugas baik kelompok maupun individu Orientasi perkuliahan dan peraturan-peraturan



Bentuk Pembelajaran (Metode dan Pengalaman Belajar) 4



Indikator



Penilaian Bentuk



5 1. Mengenal dosen dan mahasiswa lainnya. 2. Beradaptasi dengan kontrak perkuliahan dan sistem penilaiannya. 3. Menemukan referensi-referensi



6 -



Referensi Bobot 7 -



8 Panduan Akademik



akademik



2



3



4



Mahasiswa mampu menjelaskan minimal 2 contoh penerapan pengenalan pola tanpa melihat catatan dengan tingkat kebenaran minimal 80% Mahasiswaakan mampu menguraikan cara memilih ciri tanpa melihat catatan dengan tingkat kebenaran minimal 80%.



1. Definisi Pola 2. Sejarah pengenalan pola 3. Penjelasan aplikasi terkini pengenalan pola



Ceramah dan Diskusi



1. Feature Selection (pemilihan ciri) 2. Definisi Ciri 3. Contoh Ciri 4. Penerapan Ciri yang sesuai



Ceramah dan Diskusi



Mahasiswaakan mampu menjelaskan cara mengambil ciri tanpa melihat catatan dengan tingkat kebenaran minimal 80%.



1. Feature Extraction (pengambilan ciri) 2. Ciri kawasan waktu atau rruang 3. Ciri kawasan transformasi



Ceramah dan Diskusi



yang tepat. 4. Menyelesaikan tugas-tugas, baik individu maupun kelompok. 5. Mengikuti semua pereturanperaturan akademik. 1. Ketepatan menjelaskan pengertian pola 2. Ketepatan menjelaskan penerapan pengenalan pola 1. Ketepatan menguraikan pengertian ciri 2. Ketepatan menjelaskan perbedaan ciri untuk tujuan pengenalan 1. Ketepatan menjelaskan konsep pengambilan ciri 2. Ketepatan mendeskripsikan ciri yang dibutuhkan



Tes



5%



1,2 dan 3



Tes



5%



1,2 dan 3



Tes



5%



1,2 dan 3



5



Evaluasi (Quiz)



6



Mahasiswa akan mampu menghitung dimensi ruang ciri yang dibutuhkantanpa melihat catatan dengan tingkat kebenaran minimal 80%.



7



Mahasiswa mampu menghitung discriminant linear untuk membatasi kelas tanpa melihat catatan dengan tingkat kebenaran minimal 80%. Mahasiswa mampu menghitung peluang keputusan berdasar Teori Bayes tanpa melihat catatan dengan tingkat kebenaran minimal 80% Midterm



8



9



Soal – soal tentang materi yang sudah dipelajari 1. Clustering (perumpunan) 2. K-nearest neighbor 3. Vector Quantization



individual Ceramah dan Diskusi



1. Linear Discriminant (pembeda linear) 2. Fungsi LD dua kelas 3. Fungsi LD banyak kelas 4. Fungsi LD umum



Ceramah, Discovery Learning dan Diskusi



1. Bayesian Decision Theory 2. Ciri Kontinue: Dua Kelas 3. Meminimalkan galat 4. Ciri Diskret: Dua Kelas



Ceramah, Discovery Learning dan Diskusi



Soal – soal tentang materi yang sudah dipelajari



individual



Menjawab soal dengan benar 1. Ketepatan mendeskripsikan cara merumpunkan ciri 2. Ketepatan menghitung dimensi ruang ciri yang dibutuhkan 1. Ketepatan menjelaskan konsep pembatas kelas 2. Ketepatan menghitung garis batas kelas



Tes



-



tes



5%



1,2 dan 3



Tes



10%



1,2 dan 3



1. Ketepatan menghitung peluang Bayes



Tes



5%



1,2 dan 3



1. Mampu menjawab soal dengan benar



Midterm



Soal – soal tentang materi yang sudah dipelaj



10



11



Mahasiswa mampu menghitungjarak antar ciri tanpa melihat catatan dengan tingkat kebenaran minimal 80% Mahasiswa mampu menjelaskan siklus proses penggolongantanpa melihat catatan dengan tingkat kebenaran minimal 80%.



12



Mahasiswa mampu menyesuaikan data set untuk proses selanjutnya tanpa melihat catatan dengan tingkat kebenaran minimal 80%



13



Mahasiswa mampu menyesuaikan cara pembelajaran terbimbingtanpa melihat catatan dengan tingkat kebenaran minimal 80%. Mahasiswa mampu menyesuaikan cara



14



1. 2. 3. 4.



Distance Measurement Definisi Jarak Jarak Euclidean Jarak Mahalonobis• Jarak Batacharya



Ceramah, Discovery Learning dan Diskusi



1. 2. 3. 4. 5.



Classification Cycle Pengumpulan Data Penentuan Ciri Pengambilan Ciri Pemilihan Model Pengenalan Pelatihan Evaluasi Preprocessing Enhancement Segmentation



Ceramah, Discovery Learning dan Diskusi



6. 7. 1. 2. 3.



Ceramah, Discovery Learning dan Diskusi



1. Definisi pembelajaran terbimbing 2. Jenis pembelajaran gerbimbing



Ceramah, Discovery Learning dan Diskusi



1. Unsupervised Learning 2. Dasar DCT



Ceramah, Discovery Learning dan Diskusi



1. Ketepatan menghitung jarak untuk memaksimalkan tingkat pengenalan 1. Ketepatan menjelaskan siklus penggolongan 2. Ketepatan menjelaskan cara pemilihan yang tepat



Tes



ari 10%



Tes



10%



1,2 dan 3



1. Ketepatan menjelaskan konsep enhancement 2. Ketepatan menjelaskan konsep segmentation 1. Ketepatan menjelaskan konsep supervised learning



Tes



10%



1,2 dan 3



Tes



5%



1,2 dan 3



1. Ketepatan mendeskripsikan



Tes



10%



1,2 dan 3



1,2 dan 3



15



16



pembelajaran tak terbimbing tanpa melihat catatan dengan tingkat kebenaran minimal 80%. Mahasiswa mampu mendemontrasikan penggolongan dengan mencocokan cetakan tanpa melihat catatan dengan tingkat kebenaran minimal 80% Ujian Akhir Semester



3. Blok Diagram JPEG



1. template Matching 2. Pengantar srtuctural approach 3. Penentuan cetakan (template) 4. Pencocokan cetatan Soal – soal tentang materi yang sudah dipelajari



konsep pembelajaran tak terbimbing Ceramah, Diskusi dan Problem Based Learning



1. Ketepatan menerapkan metode pencocokan cetakan untuk penggolongan kelas



Tes



10%



Individual



Mengulang dan Mampu menjawab soal dengan benar



-



-



1,2 dan 3



9. Referensi 1. Richard O. Duda, Peter E. Hart, dan David G. Stork(2000), Pattern Classification, 2ndEdition, 2. Evangelia Micheli-Tzanakou (2000), Supervised and unsupervised Pattern Recognition: Feature Extraction andComputational, CRC Press LLC, Florida 3. Adnan Darwiche(2009), Modeling and Reasoning with Bayesian Networks, Cambrigde Univ Press, Cambrigde