UNIVERSITAS AMIKOM YOGYAKARTA
FAKULTAS ILMU KOMPUTER S2
PROGRAM STUDI S2 INFORMATIKA

RPS-S2IF-MT103
RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tanggal Penyusunan
COMPUTER VISION MT103 Artificial Intelligence (AI) T= 3 1 29 Jun 2026
Pengesahan Dosen Pengembang RPS Koordinator RMK Ka PRODI

Prof. Arief Setyanto, S.Si., M.T., Ph.D.
Robert Marco, ST,. M.T., Ph.D.
Robert Marco, ST,. M.T., Ph.D.
Capaian Pembelajaran CPL-PRODI yang dibebankan pada MK
CPL02 Memiliki sikap profesional dan bertanggung jawab dalam menginternalisasi semangat kemandirian, kejuangan dan kewirausahaan dalam bidang TIK.
CPL03 Mampu menjelaskan permasalahan yang kompleks dalam ilmu pengetahuan dan teknologi melalui hasil analisa dan evaluasi baik inter atau multidisipliner sesuai keahliannya dalam bidang TIK.
CPL05 Mampu mengembangkan pemikiran logis, kritis, dan sistematis melalui penelitian ilmiah, penciptaan desain atau karya seni dalam ilmu pengetahuan dan teknologi berdasarkan kaidah, dan etika ilmiah bidang TIK.
CPL07 Mampu menganalisis dan merancang teknologi informasi berbasis kecerdasan artifisial yang tepat sesuai dengan problem yang dihadapi untuk mengimplementasikan pada bidang Digital transformation intelligence, Big Data and Predictive analytics atau intelligent multimedia technology.
Capaian Pembelajaran Mata Kuliah (CPMK)
CPMK03 Mampu bersikap profesional dalam menginternalisasi semangat kemandirian, kejuangan dan kewirausahaan dalam bidang TIK.
CPMK06 Mampu menganalisa dan mengevaluasi baik inter atau multidisipliner sesuai keahliannya dalam bidang TIK dalam berbagai area, termasuk yang berkaitan dengan manipulasi gambar,citra, suara, bahasa, atau sistem yang memerlukan interaksi antara manusia dan komputer.
CPMK10 Mampu menciptakan desain atau karya seni dalam ilmu pengetahuan dan teknologi berdasarkan kaidah, dan etika ilmiah bidang TIK.
CPMK13 Mampu menjelaskan dan merancang teknologi informasi berbasis kecerdasan artifisial sesuai dengan problem yang dihadapi pada bidang Digital transformation intelligence, Big Data and Predictive analytics atau Intelligent Multimedia Technology.
Kemampuan akhir tiap tahapan belajar (Sub-CPMK)
sub.cpmk.MT103.CPMK03.1 Mahasiswa menunjukkan semangat kejuangan dalam menyusun peta konsep penelitian computer vision berdasarkan penelusuran artikel ilmiah secara mandiri.
sub.cpmk.MT103.CPMK03.2 Mahasiswa bersikap profesional dan mandiri dalam mencari serta menguji fungsionalitas kode sumber detektor objek dari internet secara terbuka.
sub.cpmk.MT103.CPMK06.1 Mahasiswa mampu menganalisis pengaruh perubahan koefisien operasi image enhancement pada gambar berwarna secara mandiri melalui eksperimen kode program.
sub.cpmk.MT103.CPMK06.2 Mahasiswa mampu membedakan prinsip ekstraksi fitur global dan fitur lokal melalui implementasi program klasifikasi citra dasar.
sub.cpmk.MT103.CPMK06.3 Mahasiswa mampu menguji performa operator gradien Sobel dalam mendeteksi batas struktural citra menggunakan repositori kode program bersama.
sub.cpmk.MT103.CPMK06.4 Mahasiswa mampu mengevaluasi keselarasan hasil eksperimen pengolahan citra klasik (pertemuan 1-6) sebagai persiapan teknis menghadapi evaluasi tengah semester.
sub.cpmk.MT103.CPMK06.5 Mahasiswa mampu mengevaluasi efisiensi komparatif eksekusi klasifikasi citra berbasis kode Transfer Learning di lingkungan Python.
sub.cpmk.MT103.CPMK06.6 Mahasiswa mampu memvalidasi potongan kode pengeksekusi algoritma lokalisasi fitur wajah (facial landmarks) menggunakan pustaka OpenCV.
sub.cpmk.MT103.CPMK10.1 Mahasiswa mampu menciptakan desain arsitektur jaringan saraf konvolusional (CNN) modifikasi non-transfer learning menggunakan dataset mandiri secara berkelompok.
sub.cpmk.MT103.CPMK10.2 Mahasiswa mampu mengonstruksi laporan teknis hasil pengujian algoritma pelokalan berbasis deep learning (RCNN/YOLO) sesuai dengan etika ilmiah.
sub.cpmk.MT103.CPMK13.1 Mahasiswa mampu menjelaskan konsep dasar visi komputer beserta rencana perkuliahan secara tepat melalui analisis rekaman dan berkas pengantar.
sub.cpmk.MT103.CPMK13.2 Mahasiswa mampu menjelaskan arsitektur dasar jaringan saraf tiruan mendalam dalam memproses karakteristik spasial dari data gambar.
sub.cpmk.MT103.CPMK13.3 Mahasiswa mampu mendeskripsikan peta taksonomi kerja deteksi objek berbasis komputasi tunggal (single computing) dan komputasi ganda (double computing).
sub.cpmk.MT103.CPMK13.4 Mahasiswa mampu merinci algoritma internal pembagian grid bounding-box pada sistem detektor real-time YOLO dan segmentasi UNet.
Korelasi CPMK terhadap Sub-CPMK
CPMK13 sub.cpmk.MT103.CPMK13.1
sub.cpmk.MT103.CPMK13.2
sub.cpmk.MT103.CPMK13.3
sub.cpmk.MT103.CPMK13.4
CPMK06 sub.cpmk.MT103.CPMK06.1
sub.cpmk.MT103.CPMK06.2
sub.cpmk.MT103.CPMK06.3
sub.cpmk.MT103.CPMK06.4
sub.cpmk.MT103.CPMK06.5
sub.cpmk.MT103.CPMK06.6
CPMK03 sub.cpmk.MT103.CPMK03.1
sub.cpmk.MT103.CPMK03.2
CPMK10 sub.cpmk.MT103.CPMK10.1
sub.cpmk.MT103.CPMK10.2
Deskripsi Singkat MK Mata kuliah computer vision membahas teori, konsep dasar, dan teknik pemrosesan data visual oleh komputer agar mampu mengenali, menganalisis, dan memahami informasi dari citra digital maupun video seperti halnya sistem visual manusia. Topik utama mencakup pembentukan citra (image formation), perbaikan kualitas citra, ekstraksi fitur (tepi, sudut, dan tekstur), segmentasi objek, serta pengenalan pola (pattern recognition). Mahasiswa juga akan diperkenalkan pada implementasi algoritma pemrograman untuk menyelesaikan studi kasus nyata di berbagai bidang seperti medis, robotika, dan otomasi industri.
Bahan Kajian : Materi Pembelajaran - Fondasi Dasar & Representasi Data Visual - Operasi Spasial & Pemrosesan Tingkat Rendah - Rekayasa Fitur Invarian & Segmentasi - Kecerdasan Buatan Modern untuk Visi - Evaluasi Diskusi Temuan, Analisa Hasil, UTS, & UAS
Pustaka Utama
  • 1. 2022 A DEEP-LEARNING FRAMEWORK FOR ACCURATE AND ROBUST DETECTION OF ADULTCONTENT JESTEC (Journal of Engineering Science and Technology)http://jestec.taylors.edu.my/
  • 2. 2022 Systematic Literature Review of Waste Classification Using Machine Learning JITE (JOURNAL OF INFORMATICS ANDTELECOMMUNICATION ENGINEERING), https://ojs.uma.ac.id/index.php/jite/article/view/6211/3747
Pendukung
  • 3. 2021 Fake Video Detection using Modified XceptionNet, IEEE Explore, https://ieeexplore.ieee.org/document/9563923
  • 4. 2020 Data augmentation for automated pest classification in Mango farms Computers and Electronics in Agriculture https://www.sciencedirect.com/science/article/pii/S0168169919320800
  • 5. 2016 Hierarchical visual content modelling and query based on trees Electronic Letters on Computer Vision and Image Analysis 4th International Conference on Information and Communications Technology (ICOIACT)
  • 6. 2021 Efficient Deep Learning Architecture for Facemask Detection Universitas Amikom Ygyakarta 4th International Conference on Information and Communications Technology (ICOIACT)
  • 7. 2021 Automatic Mango Leaf and Trunk Detection as Supporting Tool of Mango Pest Identifier (MPI), CORIS 3rd International Conference on Cybernetics and Intelligent System (ICORIS)
  • 8. 2018 Convolutional Neural Network for Pornographic Images Classification. Taylor’s University Fourth Int Conf Adv Comput Commun Autom (ICACCA 2018).
  • 9. 2018 Classification of Indonesian batik using deep learning techniques and data augmentation Departement Teknik Elektro Universitas Gadjah Mada, Universitas AMIKOM Yogyakarta, STMIK AMIKOM Purwokerto, 3rd International Conference on Information Technology, Information Systems and Electrical Engineering,
  • 10. 2014 Evolution analysis of Binary Partition Tree for hierarchical video simplified segmentation. School of Computer Science and Electronics Engineering, Essex University, United Kingdom Computer Science and Electronic Engineering Conference (CEEC)
  • 11. 2013 Platform for Temporal Analysis of Binary Partition Tree POLAND SECTION CHAPTERS SIGNAL PROCESSING, CIRCUITS AND SYSTEMS and POZNAN UNIVERSITY OF TECHNOLOGY FACULTY OF COMPUTING Conference In Signal Processing: Algorithms, Architectures, Arrangements, and Applications (SPA), 2013
Dosen Pengampu I Made Artha Agastya, S.T., M.Eng., Ph.D., Prof. Arief Setyanto, S.Si., M.T., Ph.D.
Mata Kuliah Syarat -
Pertemuan Ke Kemampuan akhir tiap tahapan belajar (Sub-CPMK) Penilaian Bentuk Pembelajaran; Metode Pembelajaran; Penugasan Mahasiswa; Materi Pembelajaran Bobot Penilaian
Indikator Kriteria & Teknik Luring Daring
1 sub.cpmk.MT103.CPMK13.1-Mahasiswa mampu menjelaskan konsep dasar visi komputer beserta rencana perkuliahan secara tepat melalui analisis rekaman dan berkas pengantar.
 Kriteria

Teknik
 Topik
Introduction to Computer Vision.
Sub Topik
Definisi visi komputer, ruang lingkup perkuliahan, dan eksplorasi awal pemahaman mahasiswa via Forum Diskusi.
 0
2 sub.cpmk.MT103.CPMK06.1-Mahasiswa mampu menganalisis pengaruh perubahan koefisien operasi image enhancement pada gambar berwarna secara mandiri melalui eksperimen kode program.
 Ketepatan mahasiswa dalam menganalisis perubahan nilai koefisien operasi kecerahan, kontras, dan penajaman terhadap kualitas visual citra output. Kriteria
Ketepatan konteks & kejelasan
Teknik
Pemeriksaan dokumen portofolio laporan praktikum berformat PDF. 		Topik
mage Representation and Analysis.
Sub Topik
Representasi array gambar, visualisasi data citra, praktik Image Enhancement, dan pengumpulan Tugas Analisis Perilaku Algoritma (Format PDF).
 10
3 sub.cpmk.MT103.CPMK06.2-Mahasiswa mampu membedakan prinsip ekstraksi fitur global dan fitur lokal melalui implementasi program klasifikasi citra dasar.
 Kriteria

Teknik
 Topik
Global & Local Feature Extraction.
Sub Topik
Teori feature extraction, pengenalan dataset visual, pemrograman klasifikasi citra berbasis fitur global, dan pengantar matematika untuk Machine Learning.
 0
4 sub.cpmk.MT103.CPMK06.3-Mahasiswa mampu menguji performa operator gradien Sobel dalam mendeteksi batas struktural citra menggunakan repositori kode program bersama.
 Kriteria

Teknik
 Topik
Edge Detection.
Sub Topik
Teori dasar edge detection, perbandingan operator gradien, eksekusi kode program Sobel, dan Tugas Rekapitulasi Komputasi Sobel via Excel.
 0
5 sub.cpmk.MT103.CPMK03.1-Mahasiswa menunjukkan semangat kejuangan dalam menyusun peta konsep penelitian computer vision berdasarkan penelusuran artikel ilmiah secara mandiri.
 Kedalaman penelusuran artikel ilmiah taksonomi riset visi komputer dan kebenaran hubungan antar-konsep yang dipetakan. Kriteria
Rubrik Analisis
Teknik
Evaluasi produk artefak digital hasil karya mahasiswa. 		Topik
Local Feature Extraction & Image Matching.
Sub Topik
Algoritma pencocokan citra (image matching), metode peninjauan literatur (review paper) bidang CV, dan penyusunan Mind Map ilmiah.
 10
6 sub.cpmk.MT103.CPMK13.2-Mahasiswa mampu menjelaskan arsitektur dasar jaringan saraf tiruan mendalam dalam memproses karakteristik spasial dari data gambar.
 Kriteria

Teknik
 Topik
Deep Neural Network (DNN) untuk Image.
Sub Topik
Keterbatasan konvensional untuk data gambar, pengantar lapisan pengekstraksi fitur otomatis, dan transformasi matriks citra ke dalam representasi DNN.
 0
7 sub.cpmk.MT103.CPMK06.4-Mahasiswa mampu mengevaluasi keselarasan hasil eksperimen pengolahan citra klasik (pertemuan 1-6) sebagai persiapan teknis menghadapi evaluasi tengah semester.
 Kriteria

Teknik
 Topik
Sinkronisasi Capaian Pembelajaran & Pembekalan UTS.
Sub Topik
Diskusi interaktif bedah solusi kendala pemrograman (image enhancement, edge detection), evaluasi umpan balik tugas mandiri, serta kisi-kisi dan penjelasan teknis kuis UTS Online Buku Terbuka (durasi 90 menit).
 0
8 sub.cpmk.MT103.CPMK06.1-Mahasiswa mampu menganalisis pengaruh perubahan koefisien operasi image enhancement pada gambar berwarna secara mandiri melalui eksperimen kode program.
sub.cpmk.MT103.CPMK06.2-Mahasiswa mampu membedakan prinsip ekstraksi fitur global dan fitur lokal melalui implementasi program klasifikasi citra dasar.
sub.cpmk.MT103.CPMK06.3-Mahasiswa mampu menguji performa operator gradien Sobel dalam mendeteksi batas struktural citra menggunakan repositori kode program bersama.
 Mahasiswa dapat menyelesaikan UTS dalam waktu 90 menit dengan 1x pengerjaan Kriteria
Ujian UTS/UAS yang terjadwal Resmi
Teknik
 Topik
Ujian Tengah Semester
Sub Topik
Quiz online dalam 1x pengerjaan 90 menit
 25
9 sub.cpmk.MT103.CPMK10.1-Mahasiswa mampu menciptakan desain arsitektur jaringan saraf konvolusional (CNN) modifikasi non-transfer learning menggunakan dataset mandiri secara berkelompok.
 Keberhasilan konvergensi nilai error (loss) dan tingkat akurasi pengujian model pada dataset orisinal baru. Kriteria
Rubrik Analisis
Teknik
Penilaian kinerja (performance assessment) melalui demonstrasi kode program di repositori. 		Topik
Neural Network, CNN and Recurrent Neural.
Sub Topik
Komponen utama CNN (Convolution, Pooling, Dense layer), pembuatan dataset orisinal secara kelompok (4 orang), modifikasi skrip Github, dan pelaporan Tugas 3.
 10
10 sub.cpmk.MT103.CPMK06.5-Mahasiswa mampu mengevaluasi efisiensi komparatif eksekusi klasifikasi citra berbasis kode Transfer Learning di lingkungan Python.
 Kriteria

Teknik
 Topik
Transfer Learning.
Sub Topik
Konsep dasar transfer learning, pemanfaatan arsitektur pre-trained, pembekuan layer, eksekusi kode taktis di Python, dan analisis hasil akurasi model.
 0
11 sub.cpmk.MT103.CPMK13.3-Mahasiswa mampu mendeskripsikan peta taksonomi kerja deteksi objek berbasis komputasi tunggal (single computing) dan komputasi ganda (double computing).
 Kriteria

Teknik
 Topik
Object Detection Work.
Sub Topik
Evolusi Object Detection, prinsip Classic Object Detection, karakteristik komputasi Deep Learning-based (Single vs Double Computing).
 0
12 sub.cpmk.MT103.CPMK03.2-Mahasiswa bersikap profesional dan mandiri dalam mencari serta menguji fungsionalitas kode sumber detektor objek dari internet secara terbuka.
 Kriteria

Teknik
 Topik
Single Object and Multiple Object Detection YOLO.
Sub Topik
Pencarian literatur kode daring (web sourcing), instalasi dependensi, perbandingan performa awal pelokalan objek tunggal vs jamak.
 0
13 sub.cpmk.MT103.CPMK13.4-Mahasiswa mampu merinci algoritma internal pembagian grid bounding-box pada sistem detektor real-time YOLO dan segmentasi UNet.
 Kriteria

Teknik
 Topik
Bagaimana Object Detection Bekerja (YOLO).
Sub Topik
Mekanisme prediksi jangkar (anchor boxes), kalkulasi koordinat objek, reduksi kesalahan penentuan kelas visual, dan arsitektur segmentasi piksel UNet.
 0
14 sub.cpmk.MT103.CPMK06.6-Mahasiswa mampu memvalidasi potongan kode pengeksekusi algoritma lokalisasi fitur wajah (facial landmarks) menggunakan pustaka OpenCV.
 Ketepatan mahasiswa dalam mengisolasi baris kode inti pengeksekusi fungsi deteksi wajah dan penandaan titik kunci (landmarks). Kriteria
Kesesuaian teknik dan validitas
Teknik
Penugasan individu berupa peninjauan draf laporan dokumentasi visual (PDF). 		Topik
Object Recognition (Face).
Sub Topik
Penerapan pustaka pendeteksi wajah klasik (Haar Cascade) atau pustaka modern, ekstraksi koordinat penanda wajah (facial landmarks), dan visualisasi gambar input/output (PDF).
 10
15 sub.cpmk.MT103.CPMK10.2-Mahasiswa mampu mengonstruksi laporan teknis hasil pengujian algoritma pelokalan berbasis deep learning (RCNN/YOLO) sesuai dengan etika ilmiah.
 Mencakup keaslian interpretasi grafik metrik evaluasi deteksi multiobjek dan kejujuran akademis dalam menyajikan potongan skrip eksekusi. Kriteria
Kesesuaian teknik dan validitas
Teknik
Menggunakan unjuk kerja berbasis penyusunan laporan tertulis akhir praktikum. 		Topik
Object Recognition Lanjut.
Sub Topik
Implementasi praktikum algoritma RCNN dan YOLO, pemisahan struktur kode eksekusi dengan utilitas, analisis visualisasi multiobjek, dan penyusunan laporan ilmiah terpadu.
 10
16 sub.cpmk.MT103.CPMK13.3-Mahasiswa mampu mendeskripsikan peta taksonomi kerja deteksi objek berbasis komputasi tunggal (single computing) dan komputasi ganda (double computing).
sub.cpmk.MT103.CPMK13.4-Mahasiswa mampu merinci algoritma internal pembagian grid bounding-box pada sistem detektor real-time YOLO dan segmentasi UNet.
 Mahasiswa dapat menyelesaikan UAS dalam waktu 90 menit dengan 1x pengerjaan Kriteria
Ujian UTS/UAS yang terjadwal Resmi
Teknik
 Topik
Ujian Akhir Semester
Sub Topik
Quiz online dalam 1x pengerjaan 90 menit
 25

Teknik Penilaian CPMK

CPL MK CPMK Quis Tugas Praktikum Tes Tulis (UTS) Tes Tulis (UAS)
CPL02 COMPUTER VISION CPMK03 Y
CPL03 COMPUTER VISION CPMK06 Y Y Y
CPL05 COMPUTER VISION CPMK10 Y Y
CPL07 COMPUTER VISION CPMK13 Y

Prosedur Penilaian CPMK

1. Komponen Penilaian CPMK
CPL CPMK Sub-CPMK Detail Penugasan (Teknik Penilaian) Bobot % Kriteria Penilaian
CPL07 CPMK13 sub.cpmk.MT103.CPMK13.1 0
CPL03 CPMK06 sub.cpmk.MT103.CPMK06.1 Pemeriksaan dokumen portofolio laporan praktikum berformat PDF. 10 Ketepatan konteks & kejelasan
CPL03 CPMK06 sub.cpmk.MT103.CPMK06.2 0
CPL03 CPMK06 sub.cpmk.MT103.CPMK06.3 0
CPL02 CPMK03 sub.cpmk.MT103.CPMK03.1 Evaluasi produk artefak digital hasil karya mahasiswa. 10 Rubrik Analisis
CPL07 CPMK13 sub.cpmk.MT103.CPMK13.2 0
CPL03 CPMK06 sub.cpmk.MT103.CPMK06.4 0
CPL03 CPMK06 sub.cpmk.MT103.CPMK06.1, sub.cpmk.MT103.CPMK06.2, sub.cpmk.MT103.CPMK06.3 25 Ujian UTS/UAS yang terjadwal Resmi
CPL05 CPMK10 sub.cpmk.MT103.CPMK10.1 Penilaian kinerja (performance assessment) melalui demonstrasi kode program di repositori. 10 Rubrik Analisis
CPL03 CPMK06 sub.cpmk.MT103.CPMK06.5 0
CPL07 CPMK13 sub.cpmk.MT103.CPMK13.3 0
CPL02 CPMK03 sub.cpmk.MT103.CPMK03.2 0
CPL07 CPMK13 sub.cpmk.MT103.CPMK13.4 0
CPL03 CPMK06 sub.cpmk.MT103.CPMK06.6 Penugasan individu berupa peninjauan draf laporan dokumentasi visual (PDF). 10 Kesesuaian teknik dan validitas
CPL05 CPMK10 sub.cpmk.MT103.CPMK10.2 Menggunakan unjuk kerja berbasis penyusunan laporan tertulis akhir praktikum. 10 Kesesuaian teknik dan validitas
CPL07 CPMK13 sub.cpmk.MT103.CPMK13.3, sub.cpmk.MT103.CPMK13.4 25 Ujian UTS/UAS yang terjadwal Resmi
Total 100
2. Penilaian CPMK
CPL MK CPMK Quis Tugas Praktikum Tes Tulis (UTS) Tes Tulis (UAS) Total
CPL02 COMPUTER VISION CPMK03 0% 10% 0% 0% 0% 10%
CPL03 COMPUTER VISION CPMK06 0% 10% 10% 25% 0% 45%
CPL05 COMPUTER VISION CPMK10 0% 10% 10% 0% 0% 20%
CPL07 COMPUTER VISION CPMK13 0% 0% 0% 0% 25% 25%
100%