[Musik] [Musik] asalamualaikum warahmatullahi wabarakatuh Salam jumpa adik-adik mahasiswa dan juga pemirsa y TV Kembali lagi bersama saya acara literasi team teaching untuk mata kuliah teknologi kecerdasan artifisial untuk topik pada hari ini akan membahas mengenai Vision intelligence tentunya akan membahas mengenai bagaimana komputer eh dalam mengumpulkan menganalisis kemudian memahami gambar Movement video digital dan juga implementasi dari artificial intelligence dalam machine Vision untuk membahas mengenai video intelligence Pada hari ini saya telah didampingi oleh narasumber yang pertama yaitu bapak Dr Muhammad Iqbal Beliau juga merupakan kepala program studi dari D3 teknik komputer Untuk narasumber kedua ada bapak Dr Sigit Widianto yang mungkin sudah hadir pada platform Zoom untuk bergabung pada hari ini ee baik Asalamualaikum Pak Iqbal Bagaimana kabarnya Bapak Waalaikumsalam Warahmatullahi Wabarakatuh sehat alhamdulillah dan selalu semangat Amin insyaallah insyaallah Udah siap nih Pak Iqbal ya dengan t pada hari ini ee baik kalau gitu adik-adik dan juga pemirsa J TV kita akan menyimak mengenai computer Vision dan juga anatomy machine e pada Vision yang akan disampaikan oleh bapak Dr Muhammad Iqbal i terima kasih Bismillahirrahmanirrahim asalamualaikum warahmatullahi wabarakatuh Terima kasih Bu Julia eh pada segmen pertama ini saya akan membahas dua hal penting di sini yang terkait dengan sistem Vision dan anatomi computer Vision kita akan berangkat dari pemahaman kita ya Eh sebegitu pentingnya mengang bagian eh ilmu tentang Vision ini karena memang eh eh kalau kita mencontoh kecerdasan visual dari manusia ataupun dari hewan-hewan begitu Ee kita berangkat ee belajarnya itu dimulai dari ee melihat bagaimana sih sebenarnya eh mekanisme cara melihat nah begitu selanjutnya eh slide selanjutnya nah eh jadi saya akan bahas tentang dua hal eh nanti yang dilanjutkan oleh Pak Sigit setelah itu slide selanjutnya Nah kita akan mulai dari memahami teknik penglihatan ya Jadi kita mulai dari karakteristik human vision-nya dulu ya baru setelah itu bagaimana sih sebenarnya teknologi computer Vision itu selanjutnya nah eh penglihatan itu suatu yang tidak sederhana ya jadi artinya di sini kita mencoba mengubah apa yang tadinya manusia lakukan ya kemudian kita pindahkan ke komputer dalam hal ini alat optiknya namanya kamera nah eh kalau kita bandingkan dengan kamera yang tercanggih sekarang itu kita belum punya ya Ee satu kamera yang resolusinya sampai 576 6 megapel itulah resolusi dari mata manusia tapi memang ee mata manusia itu sangat unik sehingga walaupun resolusinya 576 megapel tapi dia sangat efektif tidak menyimpan semua data sebesar itu tapi hanya data-data yang memang eh manusia pengin lihat begitu Jadi megapikelnya itu akan sangat menyesuaikan sangat adaptif begitu Selanjutnya ya Ee ini adalah bagian dari otak manusia ya dan ternyata e hampir 50% dari visual kortex ya bisa diklik selanjutnya juga nah di situ ada bagian 50% dari otak itu di belakang Ya di makaku itu isinya adalah semuanya terkait dengan penglihatan Ya lanjut ya jadi seakan-akan manusia ituang otak manusia itu memang seakan-akan seperti diikan untuk ihatan semua gitu fungsinya karena otak di belakang itu ee Bagaimana penglihatan itu diidentifikasi melalui alat optik mata kemudian ada daerah asosiasi Apa yang dilihat oleh alat optik itu disambungkan dengan e dengan apa pengetahuan yang ada di dalam otak jadi itu cukup lebar sampai 50% ya selanjutnya nah eh namun begitu juga ya Eh ini ada beberapa peneliti ya yang menunjukkan proses konstruktif yang hasilnya bisa ke mana-mana ya mungkin saya lagi kenyang melihat sesuatu persepsi saya akan jadi apa gitu tapi begitu saya lagi lapar gitu melihat sesuatu persepsi saya juga bisa beda ya apa Jadi ada emosi ada segala macam fisiologis yang yang bisa mempengaruhi penglihatan kita persepsi kita begitu Jadi dan pada dasarnya eh apa yang kita pahami dari yang kita lihat itu seperti ilusi gitu jadi otak menciptakan ilusi seperti itu ilusi dalam bentuk perspektif eh persepsi ya Nah ini biasanya kita eh di sini ada dua ada dua penelitian yang bisa dilihat di slide ini penelitian yang pertama yang eh adelson checkerbard ya kita bisa lihat tuh ada dua eh yang ada di atas itu catur itu ya di atas catur ada silinder nah silinder yang kotak-kotak itu yang putih kena bayangan sama yang hitam tidak kena bayangan itu ternyata warnanya sama gitu Tapi kita tetap bisa membedakannya dengan e baik gitu ya nah sama juga itu terkait dengan kecerahan brightness ya ini bisa berbeda-beda setiap orang juga ada yang bisa melihat ada yang tidak gitu kemudian ada lagi yang kelihatan dari War ini misalnya di gambar yang di bawah itu namanya ilusi davider ya E kita bisa lihat ada suatu area yang kita bisa lihat ada kertas di situ ya ditempel di dinding ya Yang satu warnanya agak kuning yang satu orang itu karena apa karena lampunya berbeda yang satu matahari yang satu lu yang ada di ruangan dariu istensi terjadi gitu ya Ee ya selanjutnya slide Selanjutnya ya nah eh kita juga ada ya ya sekalian next lagi Ya Nah jadi eh apa eh konstannya dari apa yang kita lihat dari bentuknya juga itu juga mata kita kadang-kadang susah membedakan begitu antara dunia nyata atau ya antara dunia nyata yang kita lihat dari jarak dekat sama orang yang ada di lebih jauh posisinya ya itu Deep artinya kedalaman apa yang bagaimana kita lihat gitu nah eh di gambar yang kedua ya Eh kita pakai image Processing mencoba naruh orang gitu ya yang jarak jauh itu ditaruh di dekat orang yang ada di dekat kamera begitu dan itu masih boleh e bisa ditoleransi oleh mata kita jadi kita bisa anggap itu suatu yang nyata kemudian ee selanjutnya di slide selanjutnya itu ada juga terkait dengan teacher illusion bahwa ternyata juga penglihatan akan menyelesaikan tugas tertentu aja satu-satu gitu kita bisa lihat di sini gitu ya jadi eh ada dua gambar itu kita balik gambarnya gitu ya pada saat dibalik itu kita bisa menerima gambar itu suatu yang benar gitu padahal begitu kita balik gambarnya paling kanan bawah itu kan matanya terbalik terus bibirnya terbalik gitu ya itu ee kalau kita kasih ee apa namanya ee terbalik begitu kita masih bisa terima tapi begitu kita lihat bentuk nyatanya Oh iya salah itu matanya ya jadi artinya ee ada hal-hal yang bisa begitu saja diterima oleh mata ada hal-hal yang mungkin juga sebaliknya tidak bisa diterima oleh sebagian orang lain ya Selanjutnya ya jadi eh gambarannya sekarang begitu kita mencoba mengalihkan kecerdasan-kecerdasan visual tadi ke mesin ke komputer maka kita akan bisa lihat tuh di situ ya bahwa Eh kalau kita punya knowledge ya nanti kalau di mesin komputer kita ada punya informasi namanya jadi istilahnya akan jadi berbeda ya kalau di ya di next nextelanjutnya kemudian Eh kalau di kita ya di manusia ada human intelligence sedangkan kalau di mesin machine intelligence Nah nanti akan dijelaskan lebih detail tuh dengan e oleh Pak Sigit ya kemudian kalau kita melihat sesuatu maka kita akan storyting kita akan menyampaikan secara deskriptif begitu ya tapi kalau mesin kita istilahnya lain namanya itulah yang namanya visualisasi ya mungkin apa yang dikerjakan sama tetapi istilahnya akan jadi berbeda Ya baik Jadi itulah mungkin yang eh sebagai dasar awal ya untuk bisa mempelajari tentang kecerdasan visual itu ya adalah bagaimana kita memahami kecerdasan eh visual pada manusia Ya baik eh selanjutnya adalah bagian kedua tentang computer Vision ya di selanjutnya slide Selanjutnya ya jadi dari definisi computer Vision itu banyak ya tapi dari berbagai macam eh ee apa eh definisi ini kita mungkin kita ambil satu kesimpulan bahwa ya di slide selanjutnya eh bahwa computer Vision itu adalah bagaimana kita bisa ya Eh meningkatkan kemampuan komputer untuk bisa mengumpulkan ya mengumpulkan kemudian menganalisis dan memahami Citra atau video atau digital image yang ada di sekitar kita yang bisa di ditangkap oleh kamera jadi istilahnya begitu ya dan ternyata proses computer Vision membutuhkan kecerdasan sampai ada salah seorang peneliti di Stanford ei lab itu bilang ya kalau kita mau membuat mesin itu berpikir maka kita harus ajari dia melihat gitu Jadi apa namanya E memang eh sesuai dengan apa yang saya jelaskan di awal bahwa mata manusia itu hanya sekedar alat optik yang memberikan info informasi tapi kemudian informasi itu diolah gitu dan akan menjadi persepsi yang a b CD yang bisa berbeda-beda tergantung dari knowledge yang ada di kepala kita ya Misalnya sebagai contoh kita diajarin melihat suatu warna warna itu disebut kuning gitu diajarin sama orang tua ya begitu secara kita tidak sadari ya kita akan terima itu sebagai knowledge ya karena setiap orang bilang itu kuning gitu ya Nah padahal kita bukan itu itu hijau gitu menurut apa namanya di luar keluarga kita seluruh dunia bilang itu hijau tapi kita akan ada proses perubahan knowledge dulu yang cukup lama ya bisa berdebat kita untuk urusan yang itu warna kuning atau hijau misalnya ya asal ya makanya kita rubah knowledge-nya jadi memang proses pemikiran itu ada di situ ya selanjutnya slide Selanjutnya ya Nah sekarang komuter itu sangat erat sekali dengan ilmu-ilmu yang lain ya Selain ilmu-ilmu dasar ya kemudian eh di situ ada yang jelas ada tiga yang paling erat itu adalah machine Vision sama image Processing ya yang lainnya ada neurobiologi imaging Fis itu fisika Pasti Termasuk signal Processing selain jadi memang dalam pengolahan di computer Vision ada dua pendekatan bisa pakai imaging imaging itu pakai spasial x y pakai matriks tu ya atau yang paling cepat bisa menggunakan signal Processing ya pakai perubahan sinyal ya karena dua-duanya kita bisa lakukan Kenapa karena cahaya itu elektromagnetik gelombang jadi pendekatan gelombang pakai signal Processing bisa kita pakai spasial juga bisa ya Nah tentu saja di terapan dari computer Vision ada Robotics ada artificial intelligence juga tentu saja gitu dan di dalamnya ada machine learning Lebih detail lagi dan matematik Nah itu selanjutnya slide selanjutnya dan di akhir-akhir ini ternyata ya ilmuwan artificial intelligence sudah memasukkan machine eh learning ya atau machine Vision ini di dalam eh ilmu artificial intelligence jadi satu salah satu kecerdasan ya gitu Itu namanya kecerdasan visual yang kita pelajari dan selanjutnya mungkin ini ya kalau ada kawan-kawan mahasiswa yang ingin serius di bidang ini ya inilah yang harus kita pelajari dari ya signal dan image Processing itu wajib hukumnya tapi yang di matematik geometri kalkulus diferensial itu mungkin sunah muakad aja gitu ya Eh Karena sekarang zamannya sudah eh lebih mudah kita mempelajari dari eh api api yang sudah banyak di mana-mana bisa kita gunakan Ya ipi yang berhubungan dengan Vision ya Jadi begitu nah eh selanjutnya ini kalau di gunaadarma mungkin Ee tidak semua eh ilmu rekayasa yang mempelajari ini secara detail seperti ini tapi mungkin ini bisa ditemui di sistem komputer teknik komputer atau di mana Eh Informatika ya Jadi yang terkait dengan perekayasaan pasti akan dapat e apa mata kuliahmata kuliah seperti ini ya Selanjutnya ya Nah kita sekarang masuk bagian yang kedua terkait dengan anatomi machine Vision jadi eh setelah kita tahu bagaimana prinsip dasar fundamentalnya kemudian kita tahu bagaimana eh apa namanya ilmunya ya Yang melingkupi ini semua sekarang kita masuk ke anatominya Bagaimana sih sebenarnya kita mengimplementasikan tadi ilmu tadi ya selanjutnya slide selanjutnya adalah Eh jadi computer Vision anatomi ya Eh itu dimulai dari bagaimana kita kita mengambil eh gambar ya Jadi ada target pakai kamera Ya next ya Selanjutnya ya ya Selanjutnya lagi Ya Nah ya ini computer Vision anatomy ini ya jadi supaya kita bisa mendapat gambar yang bagus maka targetnya harus dikasih pencahayaan Nah itu juga anatomi yang kedua jadi kalau kita percahayanya kurang bagus maka kemudian hasilnya juga akan e kualitasnya akan sehingga nanti proses analisisnya akan ada masalah Nah baru yang ketiganya ya sinyal video itu atau sinyal yang sudah kita jadikan digital signal video misalnya ya itu akan diproses dengan beberapa tahap dimulai dari preprocessing ya untuk memperbaiki eh apa namanya kekurangan-kekurangan yang terjadi ketika melakukan proses eh pengambilan gambar menggunakan kamera ya lalu sampai kita ke e traction ya ekstrak karakteristik ekstrak fitur kemudian sampai diferensiasi memisahkan fitur-fitur itu satu fitur dengan lainnya sampai keluar output Nah itu eh apa namanya computer Vision anatomy ya ini sangat bagus sekali eh digunakan di dalam industri yang eh berulang-ulang e prosesnya gitu Jadi kalau manusia harus mengamati terus-terus dengan matanya enggak akan tahan lama manusia karena akan lelah begitu misalnya ya nah eh slide Selanjutnya ya jadi Eh ini dalam level pengolahan Citra tadi ya eh di dalam anatomi itu ya memang dimulai dari level nol jadi merepresentasikan Citra itu mulai dari akuisisi Citra melakukan sampling kuantisasi kompresi dan itu untuk preprocessing lah istilahnya begitu kemudian disebut dengan level 1 itu kalau transformasi image to Image ya ketika ada perbaikan lagi ya Jadi untuk supaya analisis yang dilakukan di tahapan selanjutnya bagus maka image yang sudah didapat ada pemrosesan akan menjadi lebih bagus lagi misal ya itu yang disebut dengan enhancement image enhancement image restoration atau image segmentation misalnya itu ilmunya ada di ilmu eh apa namanya image Processing gitu ya baru kemudian level selanjutnya itu adalah transformasi image to parameter dari image yang ada mulai diidentifikasi itu apa gambar apa Gambar jeruk atau gambar mangga dan seterusnya jadi ada proses mulai ada kecerdasan di situ nah itu udah level selanjutnya itu feature selection namanya Nah itu e proses eh kecerdasannya semakin meningkat gitu dia tidak bukan hanya level mendeteksi itu ada benda A benda B benda C tapi dia sudah bisa Sebutkan benda A adalah apa benda B adalah apa kemudian selanjutnya level 3 adalah ketika transformasi si parameter to decision Jadi kalau Bendanya itu begituah apa yang harus dilakukan nah misalnya begitu ya misalnya kalau kita menggunakan aplikasi computer vision di bidang pengolahan pemisahan manggah matang sama mangga mentah misalnya gitu Nah makanya kita langsung tahu karakteristik matang itu apa Ternyata begitu dipelajari lebih jauh juga matang itu macam-macam sampai empat karakteristiknya gitu ya itu harus nanya dulu sama petani mangga supaya tahu seperti itu karakter karakter Inilah yang disebut dengan knowledge knowledge inilah yang nanti diajarkan ke komputer kita gitu sehingga begitu komputer melihat sesuatu dia bisa mempersepsikan sesuatu itu sesuai dengan knowledge yang sudah dikasih Nah jadi begitu ya jadi Selanjutnya ya Nah ini ilmunya ya eh level 0 dan level 1 itu image Processing ya level 1 sampai level 2 itu analisis orang-orang bilang seperti itu kalau yang disebut dengan computer Vision atau robotic Vision itu level 2 dan level 3 gitu lalu computer grafik dan animation Apa itu ilmu lain lagi ya kadang-kadang apa yang kita lihat untuk mesin sih mungkin enggaku enggak perlu direpresentasikan tapi kadang-kadang kan otomatisasi itu kan perlu e orang juga untuk melihat pengaturan dan seterusnya makanya kita perlu pakai komputer grafik untuk menunjukkan ee apa yang dipah ami oleh komputer supaya kita bacanya gampang gitu Nah makanya kita tetap perlu punya komputer grafik gitu sebagai representasi kecerdasan yang ada gitu atau representasi persepsi yang dibentuk oleh si komputer gitu ya Nah ini selanjutnya ya ini saya akan menunjukkan langkah-langkah tadi pengolahan Citra ya kita mulai dari awal tuh image acquisition Ya next ya jadi eh selanjutnya slide Selanjutnya ya nah jadi pada image acquisition ya kita bisa lihat tuh di situ ya ada kamera mengambil gambar kemudian ditaruh di eh plan tiga dimensi yang ada di dalam kamera itu proses digitalisasi namanya ya Selanjutnya kadang-kadang apa yang didapat dari kamera enggak bagus makanya kita harus meng-enhancement image enhancement bisa kita lihat di sini ya gambar coklat yang di situ ya itu buah coklat ya bukan warna coklat ya gitu gambar coklat yang ada di situ diperjelas featurefaturnya pakai image enhancement banyak sekali tekniknya di sini ya pghilang noise dan seterusnya banyak algoritma di situ kemudian ada lagi ya lebih halus lagi image restoration Ya next ya Nah restoration kalau ada pola-pola ketidaksempurnaan pengambilan gambarnya sudah kita ketahui ya kita misalnya sudah tahu pencahayaan ini nanti akan menghasilkan gambar seperti ini jadi kita langsung tahu harus bagaimana meng-enhancement-nya Jadi itulah yang disebut dengan image restoration jadi kita sudah tahu sebabnya apa jeleknya suatu gambar sehingga kita punya yang apa namanya solusi komprehensif supaya gambar itu langsung bagus semuanya ya kalau yang Image enhancement kadang-kadang kita nyoba-nyoba kita enggak tahu ini keburukan atau ketidaksempurnaan suatu gambar itu disebabkan oleh apa kalau restoration kita tahu gitu ya kemudian ada image eh dan selanjutnya Ya next ya morphological Processing Nah kalau morical Processing itu adalah ketika kita mulai mengambil feature-feature itu ya eh di dalam pemrosesan ini karena kalau komputer kita mengambil gambarnya begitu saja kita definisikan gambarnya itu nanti akan membutuhkan penyimpanan yang sangat besar makanya kemudian gambar itu di apa namanya E melakukan kita melakukan morpological Processing mengambil feature-feature yang ada di gambar itu dan feature ini kita tulis di dalam eh apa namanya teks bentuk teks gitu Jadi ini intinya adalah kita ngambil cirinya ya ketibang kita lihat gambarnya Tapi sekarang kita rubah ciri-cirinya apa sih dari gambar itu lalu ciri-cirinya kita Deskripsikan dalam bentuk teks begitu nah itu yang disebut dengan morpical Processing ya nah kemudian kita juga eh next ya melakukan segmentasi gitu ya Ya next slide-nya ya segmentasi gitu ini artinya kita akan mencoba memisahkan antara foreground sama background gitu karena kalau kita analisis langsung ada bayangannya bayangan ikut dianalisis jadi salah juga nanti mata mata komputer itu melihat ya salah lihat ya kalau kita kan kirain 10.000 tahunya Rp100.000 Nah kalau itu untung nah gitu Nah kalau komputer salah lihat nanti apa persepsinya akan lain kemudian selanjutnya slide Selanjutnya ya di situ ada e object recognition Nah di sini mulai ya dari gambar itu kan ada macam-macam isinya mulai direkognisi satu-satu kita pisahkan satu-satu Berarti ada ada apa namanya eh ada pengetahuan di situ ya kemudian nah yang bagian selanjutnya Ya next ya representation kadang-kadang itu kita butuhkan untuk eh apa namanya eh untuk manusia ya sebagai operator melihat mesin itu pemahamannya sampai sebagaimana itu kita pakai representasi ya Ada next-nya lagi image compression ya kadang-kadang kalau untuk kirim data kita harus kompresi gambarnya kemudian ada next-nya lagi color image Processing ya Nah ini bagaimana kemudian eh gambar itu diidentifikasi sehingga kalau kayak begini nih Ini contoh breast Cancer jadi dokter bisa ngelihat tuh cancernya di mana itu dikasih warna merah gitu jadi dokter bisa membaca dengan mudah ya nah jadi eh eh itulah mungkin eh langkah pertama ya dalam proses eh anatomi computer Vision ya itu saya kembalikan lagi kepada mungkin nanti kita akan lanjutkan pada segmen kedua mengenai image Processing dan juga tools beserta library-nya kita akan Break dulu jangan ke mana-mana tetap di acara literasi team teaching untuk mata kuliah teknologi kecerdasan artifisial [Musik] [Musik] Selamat bergabung kembali dalam acara literasi teaching untuk mata kuliah teknologi artifisial Masih bersama saya J fajaranti dan juga narasumber bapak Dr Muhamad Iqbal dan juga bapak dranto pada segmen kedua ini mungkin nanti bapak Iqbal akan masih melanjutkan mengenai anat Vision dan juga akan dilanjutkan mengenai teknik image Processing dan juga Tool library-nya dan berikutnya akan dilanjutkan oleh bapak Dr sikitanto mengenai implementasi Ai dalam machine e Vision baik saya akan lanjutkan kembali kepada bapak Iqbal dipersilakan Iya Ya baik eh saya lanjutkan tentang anatomi computer Vision ya Jadi kita itu sudah tadi sudah sampai proses awal ya dari proses awal sampai proses akhir ya itu sebetulnya ee apa yang kita lakukan eh ketika kita membuat komputer kita bisa melihat sesuatu dan memahami apa yang dia lihat gitu ya Nah di slide yang sekarang ini ya yang kita bisa lihat e set up yang kita pakai biasanya kalau kita menggunakan teknologi computer Vision ini ya di situ ada kamera ya di pinggir-pinggir kamera itu ada yang warna hijau-hijau itu lampunya gitu ya terus kemudian ada sensor-sensor juga Sain S kamera yang tetap kita gunakan di dalam satu ee produksi bahan berjalan misalnya gitu ya dan kemudian ee ada aktuator aktuator juga yang nanti akan memisahkan eh apa namanya produk-produk yang sudah dilihat gitu ya jadi ini contohnya misalnya kalau kita punya produk apa eh botol misalnya ya produksi botol kemudian botolnya itu sudah diproduksi botol plastik kemudian dicek sama kamera ada enggak kecacatan misalnya kalau enggak cacat berarti nanti aktuator akan masih ke mana sedangkan kalau ada kecacatan berarti harus dibuang gitu kan misalnya jadi paling tidak dalam komputer Vision anatomy ada empat hal lighting staging ya lens lens ya dan kamera sendiri jadi Lensa itu kenapa dibagi sendiri karena memang kita bisa menggunakan lensa apa saja gitu ada Lensa itu yang peka terhadap gelombang cahaya gelombang tertentu jadi hal-hal yang mungkin saja tidak terabah oleh manusia mata manusia ya tapi kita bisa menggunakan spektrum cahaya itu untuk mendeteksi sesuatu ya Nah ee Ini bisa kita lihat ya di next slide-nya kita bisa lihat di sana ada eh lighting ya ini ini juga caranya macam-macam ya kita memanfaatkan cahaya supaya benda itu tidak ada bayangannya gitu misalnya jadi bisa kita lihat di gambar itu macam-macam tuh ya ada yang pakai Dom ada yang Apa lampunya menghadap di mana begitu ya macam-macam kemudian eh Selanjutnya ya Nah ini bagaimana kemudian kamera dipasang ini juga bermacam-macam jadi kita harus memperhatikan tuh working distance-nya dari kamera field of view-nya dari kamera dan resolusinya yang akan bisa dihasilkan ya cara membaca suatu apa namanya eh objeknya itu bagaimana ya termasuk kedalamannya sekarang ya kedalaman itu artinya apa E 3D ya aspek 3d-nya ya jauh dekatnya gitu nah selain juga kamera juga ada bermacam-macam lensa ya di next eh slide ya Ada gambar di situ bermacam-macam lensa Ya mulai dari yang paling kecil sampai yang paling besar ya ini tentu saja akan menghasilkan gambar yang kualitasnya menjadi lebih baik ya semakin besar misal Tapi tentu saja penyimpanan menjadi semakin besar juga ya sistem lensa juga di slide Selanjutnya ya di situ ada yang white area lensa ya kemudian ada sistem filter lensa yang bisa kita pasang ya ya dan EE kemudian di slide selanjutnya kita juga jangan lupakan ya Eh kadang-kadang ya kita perlu ya Ee menggunakan lebih dari satu lensa juga kadang-kadang dan kita juga harus menghitung dengan pasti fokusnya dengan tepat sehingga apa yang kita lihat bisa jelas Ee kita dapatkan ya selanjutnya nah ee ada ilmunya untuk untuk melakukan perhitungan itu dengan baik itulah yang disebut dengan model geometri kamera ya Nah model geometri kamera inilah kemudian dia akan dijadikan bahan sebagai e untuk kalibrasi kamera Ya next ya di situ ada kalibrasi kamera ya jadi e dengan e geometri kamera ini kita bisa menyusun gambar menjadi sat ya dari banyak e gambar Ya next lagi Ya Nah ini kita menyusun gambar kemudian next-nya lagi ee Ini juga salah satu hal penting supaya kita bisa memastikan ya Secara umum manusia kalau melihat sesuatu dia langsung bisa memprediksi jarak tapi kalau kita menggunakan kamera maka kamera harus punya patokan untuk memprediksi jarak nah kalibrasi Inilah kita pakai untuk supaya kamera punya patokan yang tepat dalam memprediksi jarak ya nah jadi gitu itulah anatomi komputer Vision Selanjutnya ya Nah ini saya cuma menyampaikan eh beberapa software aja ya jadi software eh system Vision untuk eh industri itu sudah cukup banyak banyak pemainnya Jadi mereka ini tidak hanya menggunakan apa tidak hanya apa Eh tidak tidak hanya menyampaikan satu software aja tetapi juga dia menyediakan hardware-nya juga ya ini ada contohnya helken ya terus next lagi ya I ada lagi Yang cognex ya kemudian Eh ada lagi yang umumnya library atau tools untuk computer Vision ya di next selanjutnya itu ada eh apa namanya Open CV yang kita gunakan jadi nanti mahasiswa yang tertarik lebih lanjut tentang ini nanti harus dikuasai nih eh Open cv-nya aja ya yang paling banyaklah ya Gitu ya gitu Jadi mungkin itu yang ingin saya sampaikan ya Eh baik mungkin tadi catatan buat mahasiswa dulu nih ya Pak ya bahwa ada empat hal penting nih dalam anatomi computer Vision tadi yang pertama lighting staging kemudian juga lenses dan juga kamera jadi artinya cahaya itu jadi salah satu faktor yang penting bagaimana ee jangankan kamera ya Pak kita aja kalau dalam keadaan gelap mungkin agak sulit dalam melihat gitu ya atau memprediksi sesuatu lah ini Bendanya apa gitu Ya baik mungkin kita akan coba ee bergabung dengan bapak Dr saya akan coba sapa dulu ee Bapak Sigit Selamat pagi buulia ya Baik Pak Sigit Apa kabar pak sehat Pak Sigit Alhamdulillah sehat Selamat pagi Pak Dr Iqbal selamat pagi pakit semangat nih dari luar kota Iya Masyaallah Udah siap nih Pak Sigit untuk e menyampaikan ke adikadik mengenai implementasi Ai di dalam computer Vision ya atau machine Vision siap Insyaallah siap baik sayailan presentasi saya sudah muncul I sudah ya siap Sudah sudah baik e terima kasih eh asalamualaikum warahmatullahi wabarakatuh Selamat pagi eh teman-teman semua saya akan menyampaikan terkait dengan teknologi Vision intelligence gitu ya Eh tadi menyambung apa yang sudah disampaikan oleh bapak Dr Iqbal ya terkait dengan anatomi eh dan juga pengenalan Bagaimana eh computer Vision itu bisa berjalan gitu ya Nah nanti kita akan mempelajari terkait dengan eh machine learning Ya kita akan eh sharing knowledge lah ya penerapan Ai dalam video surveilance kemudian ada permasalahan dan tantangan Ai baik mengulang apa yang disampaikan oleh Jadi kalau tadi e sensor itu dari mata ya kemudian hasilnya itu adalah berupa sinyal kemudian akanes otak gitu ya Nah di sini otak ini yang akan eh mempelajari gitu ya dari apa yang eh sudah diperoleh dari e dari eh eh dari mata tadi gitu nah kemudian kalau komputer Vision Bagaimana computer Vision tentu ada kamera tadi sudah disampaikan oleh Dr juga bagaimana kamera dan syarat prasyaratnya ya dan lain sebagainya jadi kamera ini adalah pengganti mata dan nanti dari kamera ini akan ada komputernya gitu ya makanya disebut dengan computer Vision atau disebut dengan interpreting device-nya gitu dan sekarang sudah banyak juga kamera yang sudah memiliki komputer di dalamnya disebut dengan ge computing Nah nanti kita akan Bahas eh beberapa hal terkait dengan eh computing itu sendiri baik ee bagi Bagaimana sih machine learning itu bekerja untuk e Vision intelligence eh mungkin sebelum-sebelumnya sudah pernah ada yang namanya unsupervised apa itu supervis dan lain sebagainya kalau kita ngomong masih berbicara machine learning gitu ya Arya ea itu ada salah satunya machine learning Kemudian dari machine learning itulah nanti berkembang lagi menjadi Deep learning Nah kita akan berbicara itu Nah untuk machine Learning Kita ada dua metode unup dan superv kemudian prosesnya itu adalah yang menjadi Core dari machine learning itu yang pertama adalah feature exruction tadi disampaikan oleh misalnya Keti kita mau membedakan mana sih yang namanya kursi mana yang namanya meja tentu memiliki fitur gitu ya atau misalnya yang ekstrem gitu kita bisa membedakan mana meja mana mobil ya kalau di mobil tidak akan ada bentuk lingkaran seperti ban gitu ya roda nah kemudian kalau meja tentu tidak ada yang yang bentuknya adalah bulat gitu adanya lurus terus kemudian ada ee penampangnya gitu ya Ada luasan dan lain sebagainya tapi untuk kendaraan ada lengkungan dan lain sebagainya sehingga nanti mesin ya itu dapat bekerja untuk mengenali tadi ya mengenali e yang mana meja yang mana mobil misalnya nah kemudian hasilnya bisa kita grouping objek tersebut dan kita juga bisa melakukan prediktif misalnya ada satu benda lain yang ditanyakan ke dalam mesin itu ini apa gitu ya makanya disebutkan Nanti munculnya annotated data guitu sehingga kita bisa memprediksi Oh ini mobil Oh ini adalah eh meja misalnya seperti itu oke kemudian eh oke nah kemudian eh bagaim berjadi gitu ya nah eh yang jelas ada yang namanya label labels itu kalau kita sebut dengan y sedangkan featurnya tadi itu ada X1 x2 x3 sampai XN ini kita berbicara machine learning gitu ya Nah kemudian ini data di trining Jadi kalau misalnya eh y label CL misalnya tadi meja gitu ya jadi meja itu11 itu adalah mobil maka o-1 itu punya X1 Seperti apa X2 Seperti apa X3 Seperti apa dan juga misalnya mobil yang plus sat ini punya feature Seperti apa Nah kemudian ini dipelajari oleh sistem kemudian nanti dia harus dites ya setelah diajari dites Oh tingkat kesalahannya Seperti apa kemudian diajarin lagi terus-menerus sehingga dia bisa belajar dan lebih menjadi lebih pintar nah kemudian apa sih batasannya kita harus melakukan pengetesan kembali yaitu errornya seberapa besar atau akurasinya gitu ya dengan melihat akurasi dan error dan errornya itu ada di mana gapnya Di mana itu dipelajari lebih nah kemudian Eh bagaimana machine learning itu bekerja di dalam vision intigence yang pertama tentu tadi kekuatannya itu adalah data ya gambar video ya itu merupakan sumber knowledge dari machine learning itu sendiri tadi sudah disampaikan setelah ee saat proses training ya pembelajaran itu ada gambar video kemudian di ekstrak fiturnya jadi gambar itu punya features nah sini ada proses training label berarti disebut dengan ya disebut dengan superisi karena dia harus ada training labnya jadi oh ini gambar ini di sini adalah ada anjing ada kucing gitu ya kemudian ada hewan yang lainlah gitu Oh rakun ya Ada tiga ini nah kemudian ini training Dit trining terus berdasarkan fitur-fiturnya gitu ya dari hewan ini kemudian nanti dapatlah kita learning model namanya jadi model yang sudah ready gitu ya yang memiliki pengetahuan Ketika nanti kita deploy deploy itu berarti machine learning ini kita masukkan ke dalam eh sistem atau Ed system ataupun eh Apun itu ya yang memiliki tadi ya ada kamera kemudian ada ee apa komputernya Nah itu disebut dengan deploy ya makanya di dalam ilmu eh eh machine learning ini ada ml Ops ya jadi eh machine learning op nah kemudian deploy ini ya Tadi ada image-nya ya Eh dites Ya maksudnya Eh apa ada image baru ya berdasarkan kamera kemudian berdasarkan learning model itu kita hasilkan prediction-nya apa gitu nah ini bagaimana machine learning bekerja dalam vision intelligence Oke kemudian eh perbedaan antara tadi ya computer Vision machine learning tadi menggunakan machine learning dan yang satunya lagi adalah menggunakan Deep learning kalau misalnya eh machine learning tadi kita benar-benar fokus yang pertama dengan eh featuresnya ya metode pengambilan fiturnya ada shf ada Rif ada Surf ya kemudian ada hoj ya kemudian dan lain sebagainya ada Glow dan lain sebagainya ya metode-metodenya itu itu dulu ya awal-awal machine learning adalah itu gitu ya itu yang dipelajari oleh eh ahli ya ataupun dalam membuat metode Jadi bagaimana mengambil fitur-fiturnya tadi Nah kemudian klasifikasinya G ya metode klasifikasinya apakah EE Eh ada svm adaan decision dan lain sebagainya nah kemudian Bagaimana dengan Deep learning nah Deep learning ini adalah mungkin sudah disampaikan di eh pertemuan sebelumnya Deep learning itu fokus kepada fitur bentuk shape gitu ya metode yang paling eh banyak atau memang Cikal bakalnya diper itu adalah CNN jadi dari machine learning neural network ya kemudian ya kemudian disambung atau di dikembangkan di dalam c-nya ya convolutional neural nanti kita akan bahas lebih dalam nah di situlah jadi fiturnya itu shape semuanya bentuk bukan lagi warna kalau yang tadi ya Yang yang mesin lear itu ada warna tekstur dan lain sebagainya kalau di Deep learning ini adalah shap bentuk gitu ya Dan dia bisa ada en 16 fitur 32 fitur dan lain sebagainya Nah mungkin eh itu eh terkait dengan Maine learning eh dan untuk Vision intelligence mungkin saya kembalikan terlebih dahulu ke ibu eh Julia terima kasih eh Baik Pak Sigi Terima kasih tadi sudah dibahas mengenai metode dalam machine learning terus kemudian Bedanya apa sih yang tradisional machine learning terus kemudian dengan adanya Deep learning mungkin nanti akan dilanjutkan kembali pada segmen ketiga ya Bapak ya jangan ke mana-mana tetap di acara literasi tim tincing untuk mata kuliah teknologi kecerdasan artifisial [Musik] baik Selamat bergabung kembali adik-adik mahasiswa dan juga pemirsa TV Masih bersama saya jjaranti dan masih ditemti oleh narasumber kita Bapak Drad Iqbal dan juga bapak Dr kita akan melanjutkan kembali tadi masih ada di posisi metode machine learning tadi sudah sampai Deep learning mungkin kita akan lanjutkan kembali ke bapak Drak sudah dilanjutkan kembali pakit mengenai metode eh machine learningnya Baik terima kasih eh Nah selanjutnya adalah Eh saya akan eh bahas terkait dengan Deep learning tadi ya Eh bagaimana ml kemudian eh berkembang menjadi Deep learning nah ini adalah terobosan dari ada imagenet ya dat setetnya itu 15 Citra label kemudian terdapat sekitar 22.000 kategori nah ini dan dikumpulkan dari web eh dilabeli oleh Amazon mechanical truck yaourcing tool Nah jadi eh dulu mungkin eh teman-teman juga pernah waktu di Facebook gitu ya awal-awal dulu kita sering taggingetag ini namanya ngelabelin gitu ya Nah itu sebenarnya adalah cara mereka untuk meminta label tadi ya Atau diseb dengan supervis learning tadi secara gratis gitu Jadi kita diminta untuk melapilkan kemudian ada lagi capca ya capca itu eh adalah proses untuk melabeli juga ya Nah ini adalah bagaimana mereka bisa matkan label ini apakah yang mana sttir yang mana eh apa namanya E zebra cross dan lain sebagainya Itu adalah proses P laabelan ee yang dilakukan secara cuma-cuma gitu ya Secara Nah kemudian ada lagi ini pengembangan eh terobosan lagi ada namanya l skill visual recognition challeng ya Ini juga ada kompetisi 2010 misalnya untuk eh apa namanya untuk ee nanti memprediksi gitu ya Ee 5 label ya kemudian ada kategori kemudian ada 1,2 juta training image dan juga 100.000 test images tentu biasanya adalah akurasi dan kecepatan jadi at ukur pemen dan lain sebagainya nah ee ada tiga kunci yang memang di dalam eh Deep learning eh untuk Vision intelligence ini sendiri adalah yang pertama adalah ai ai ini sor adanya data models ya di dalam AI ini ada data models ada big data kemudian ada Processing power jadi dulu ei itu tidak bisa eh berkembang cepat karena adanya keterbatasan dari Processing power dulu masih coreo dual core dan lain sebagainya sekarang kita sudah ada core in dan eh server juga eh berkembang cepat ada GPU dan lain sebagainya maka E ini juga ikut berkembang secara cepat dan data sudah banyak sekali yang bisa diolah jadi kita sendiri setiap hari adalah sebagai produsen data makanya kita coba untuk lihat dari data model di sini ada namanya artificial neural Network jadi mungkin sudah juga disampaikan bahwa eh Deep learning itu berawal dari neural network yang menggunakan multierseptron artinya dia layernya banyak namun multierseptron Network itu pun tidak bisa eh menyelesaikan masalah untuk large data gitu ya atau big data sehingga muncullah metode Deep learning Ya salah satunya itu adalah tadi yang sudah saya sampaikan adalah convolutional neural Network kvolusional itu adalah proses e bagaimana menghitung gitu ya atau untuk mencari eh magnitude ya di dalam image artinya magnitude itu adalah perubahan antara satu nilai dengan yang nilainya pikel sat dengan piksel yang lain sehingga nanti ketika ada perubahan yang tinggi maka disebut dengan atau tepi begitu ya jadi convol Network itu adalah melihat hal tersebut sehingga terbentuklah nanti eh fitur dari SH nah kemudian Bagaimana sih CNN bekerja ya ada gambar yaama atau video kemudian ada proses poing namanya ya di situ ada konvolusi relu kemudian poingudol Network lagi rel kemudianing kemudian hasilnya itu akan dijadikan satu menjadi namanya melaluanya proses l satai besar nah kemudian ini yang menjadi note Input Kalau di dalam Network kemudian di akhir untuk eh proses eh apa namanya klasifikasinya ya atau yaitu menggunakan probabilistic distribution ya contohnya menggunakan softm activation function itu ya jadi contohnya tadi gambarnya apa Kuda Nah nanti bisa dilihat atau zebra ya dilihat di belakang outputnya eh Berarti di situ benar ya zebra 0,7 artinya lebih tinggi persentasenya dibandingkan dengan eh objek yang lain Nah itu adalah bagaimana cnnkerja nah kemudian big data tadi sudah sampaikan ada data dari Facebook Google ya media sosial kita WhatsApp kita juga berbagi ya dan EE isu dari PDP ya ee apa namanya ee untuk data pribadi ya jadi pengamanan e untuk data pribadi ini juga menjadi ee isu saat ini gitu bagaimana kita sudah menyampaikan data kita di media sosial dan bagaimana mereka bisa menjaga data tersebut nah ini yang EE sedang ee menjadi konsern dari pemerintah Indonesia juga gitu ya ini ee juga untuk untuk kita ya Kita juga harus bisa menjaga data ya Meskipun kita sudah terlanjur Gitu Ee ter kita di ee mana Oke ini big data jadi sangat besar data itu ya saya tidak akan berbicara lebih lanjut big data nah kemudian Processing power-nya nah ini ada GPU ya Eh ada Asik ada CPU ada fpje ya untuk terkait dengan Deal oriented dan nvd e Guna darma memiliki eh h100 A100 tipenya dan itu merupakan eh server GPU yang eh sangat besar gitu ya Eh dan itu bisa dimanfaatkan eh untuk banyak hal ya terkait dengan e Deep learning maupun bahkan sekarang sudah eranya generative Ai kita bisa manfaatkan untuk last language modeling misalnya LLM baik ini perangkat lunaknya tadi juga disampaikan oleh Eh Pak Dr Iqbal ada teano ada kafe ada Torch ya Kian ada keras [Musik] ya mxnet kalau kita menggunakan Amazon eh Oxford juga mengembangkan yang namanya Mnet ya Ada juga skyteam ya Deep learning 4G dan juga pedle oleh ini Eh bagaimana eh perusahaan-perusahaan itu memiliki eh software atau perangkat lunak bisa gunakan ya mungkin kalau tensor flow Ya itu sudah menjadi e comen untuk kita nah ini berapa tugas dari intelligen dari Deep learning ada classification ya yang paling eh mudah ya kita bisa membedakan ini apa ini kucing ini burung ya kemudian semantik naik lagi Oh oke sekarang dari satu gambar ini mana saja sih yang namanya rumput mana yang kucing mana yang pohon mana yang langit misalnya kemudian berkembang lagi klasifikasi plus lokalisasi jadi mana sih objek kucingnya itu Nah nanti akan ada bonding boxnya Nah kemudian ada lagi object detection ya tadi OB detection itu adalah membedakan lagi ada beberapa objek kemudian kita bisa melihat Oh ini ada hewannya apa saja misal Di Sini anjing anjing ada kucing gitu ada tiga objek nah kemudian yang lebih eh apa namanya lebih Advance lagi yaitu adalah Instance segmentation jadi ini penggabungan segmentasi tadi dengan objek yang multiple OB tadi jadi adalah eh apa namanya tingkatan dari e sebennya kesulitan ya kompleksitas dari e pekerjaan dari Deep learning itu sendiri oke kemudian Apa saja aplikasi computer Vision dengan DL ada autonomous vehicle ya face recognition just recognition sampai dengan fotografy and video enhancement mungkin tidak dibahas secara menyeluruh ya ini pengenalan wajah ya contohnya Ini menggunakan CNN ya Ini menggunakan Deep face dataset 4000 orang ya ya kemudian kali 1100 images for each one jadi 4,4 juta gambar Nah ya digunakan ya kemudian pengenalan waj ini evaluasinya ya yang paling tinggi kalau untuk F positif ee untuk eh lfw dataset ya di sini adalah menggunakan De face Ensemble yang kemudian ada juga metode single nah ini yang menjadi eh eh eh apa juaranya l ya di dalam pengenalan kemudian ada klasifikasi kanker kulit ya Ini menggunakan CNN juga ya Ee banyak sekali ya Ee kegunaan dari ee ei ini banyak ya tidak hanya di halal ini ada tumor ya kemudian Cancer ya untuk mendeteksi itu dan EE mungkin juga ada ee untuk cek gula darah ya ya itu yaa untuk melihat e booming itu adalah generative Ai ya eh generative ai ini adalah mengacu pada pemanfaatan algoritma ya dan jaringan saraf tiruan tadi ya eh atau network untuk menghasilkan atau mensintesis konten visual secara mandiri ya makanya tadi Saya sudah sampaikan ada lar language model ya untuk teks atau kalau untuk image audio dan video itu disebutkan multimodal foundation model atau mfm ya ini [Musik] bagaimana menghasilkan contoh kita bisa mengption image-nya kemudian eh ai akan bisa memberikan deskripsi dari gambar tersebut kemudian ada Zero classification Eh ada apa saja objeknya yang ada di dalam kemudian ada Tex visualization jadi kita kasih teks kemudian eh ai-nya akan memberikan e gambar gitu ya merekomendasikan gambar ada visual questioning multimodal search ya untuk mencari eh misalnyai eh hewan dan lain sebagainya kemudian kita bisa generatetin Oh ini hewannya kemudian image Generation ini juga ya jadi berdasarkan deskripsi ya kemudian nanti akan menghasilkan satu gambar banyak sekali sekarang ya Ee lukisan ya Bahkan eh video pun sudah ada gitu tidak hanya sampai di Image jadi eh bisa membuat video dari satu cerita teks gitu ya e ya ini terkait dengan Vision intelligence ya Eh bagaimana generative Ai bekerja untuk Vision intelligence Nah kemudian ada ini lebih spesifik eh penerapan Ai dalam video surveillance Nah di sini jadi penggunaan Ai dalam video surveillance itu berfokus pada program perangkat lunak Ai yang dapat dimuat ke dalam perangkat kamera gitu Jadi kalau tadi eh komputernya yang saya sampaikan tadi komputernya itu akan mengolah ya di belakang layar jadi kamera kemudian kirim ke apa eh storage kemudian storage-nya itu melakukan eh diambil datanya kemudian diproses oleh komputer Nah sekarang adalah kalau untuk video surveilance itu banyakan sudah ada di kameranya sehingga kamera itu nanti hanya mengirim knowledge ke server ya Nah program-program ini kemudian digunakan untuk menganalisis gambar audio dan video untuk meng Identifikasi dan mendeteksi ee orang kendaraan objek ataupun perilaku dari manusia itu sendiri oke mungkin ini teknologi video surveilance ya ada kamera kemudian kamera stream deviceya tidak akan terlalu jauh ya dengan kameranya itu sendiri kemudian yang dikirim ke eh backend atau di melalui Cloud itu adalah dalam bentuk metadata Oke mungkin ini ada satu video mungkin saya cepatkan saja oke ya Eh ini Dari video ini menunjukkan bahwa Bagaimana eh kamera ya Eh dengan high speed kamera tadi bisa beradaptasi dengan kecepatan tinggi dari prosesnya sehingga kan alat itu bekerja secara cepat kemudian kamera e harus Eh bisa menangkap pergerakan dan juga bisa mengevaluasinya sekaligus apakah terjadi defek adanya defek di situ ataukah ada kesalahan produksi dan lain sebagainya sehingga nanti ya karena mata manusia ini juga ada ee mungkin ee kecepatan Untuk menentukan sesuatu tapi untuk konsistensinya ini gitu ya Nah ini dengan mesin bisa lebih konsisten sehingga bisa menangkap adanya kesalahan-kesalahan produksi tadi misal oke nah ini ee tadi disampaikan oleh Pak Iqbal juga bagai mana pencahayaan itu penting juga Makanya di paling atas itu ada eh lighting ya dengan sekitar 22.000 ya sampai maksimal 22.000op eh kemudian lumens ya sehingga bisa sangat terang dan bisa di ya kemudian bisa merekam nah ini contoh kamera yang bisa adaptif berkeatan tinggi nah kemudian kita lihat juga bagaimana penerapan Ai dalam video surveilance yang itu security And public safety nah ini eh untuk memonitor Crow eh jadi Eh bagaimana keramaian ya di satu bis eh tempat area yang sibuk ya oke mungkin saya cepatkan saja oke nah ee dari yang di ee Tunjukkan ini ya kita bisa lihat Bagaimana ea itu dapat mendeteksi ee anomali gitu ya jadi ada perubahan ya Ee Apa yang dilakukan olehumun ya ketika misalnya dia petnya bisa ketahuan gitu ya kemudian kita bisa Hung hitung juga ya seberapa eh kreditnya satu tempat ya melalui eh perhitungan densitas ya kemudian juga ee dengan hal ini gitu ya E dapat meningkatkan eh norma keselamatan melalui manajemen kerumunan ya melalui kepadatan kerumunannya duel time jadi berapa lama sih orang Stay di satu tempat kemudian juga kecepatan objek ee yang terdeteksi sehingga kalau misalnya ada objek yang EE jalannya cepat berarti kan ada masalah gitu Apakah ada pengejaran dan lain sebagainya Apakah ada terjadi pencurian dan lain sebagainya bisa dilihat dari kecepatan tadi ketika anomali ini yang lain santai jalan ya Dia ee terdeteksi lari nah ini tentu akan bisa ee menjadi ee alat bantu gitu ya Bagi Penegak Nea hukum atau public safety Oke kemudian eh eh saya yaitu traffic monitoring and management nah ini juga cukup penting ya k di Indonesia ini eh kita butuh ya bisa eh Real Time traffic monitoring ya bisa traffic flow prediction incident eh detection adaptive traffic signal control dan juga terkait dengan intelligence transport systemnya misalnya menyediakan sarana transportasi cerdas dan juga bisa memantau kondisi lalu lintas seperti cuaca ya dan juga ee ee melihat adanya kecelakaan gitu ya kita coba lihat contohnya [Musik] ini misalnya di persimpangan nah Mungin saya cepatkan supaya lebih hemat waktu nah ini ya oke Nah di sini contohnya untuk di eh di perempatan gitu ya di eh kita bisa melihat bagian mana sih yang padat gitu ya kemudian bisa melihat kecepatan dari kendaraan ya dan efisiensi ee dari waktu sehingga waktu untuk eh traffic light itu bisa diatur gitu ya berdasarkan eh kepadatan tadi gitu ya dan juga bisa lihat juga bagaimana kendaraan itu ee Jalan su tidak gitu dalam memilih jalur ya kemudian juga ya mungkin sebentar saja ini ee pengguna video surveilance ini koneksinya agak nah di retail managemen ini ee tarik Di wilayah mana gitu oke maaf kuram ya oke tadi kita bisa lihat bagaimana pengunjung itu akan banyak di area mana kemudian petnya ya jalurnya itu ke mana dari titik A ke titik B ya Apakah hanya melihat-lihat Apakah dia membayar gitu ya makanya di depan kasir ini ya ada satu tempat yang dideteksi ya J ketika Oke lebih banyak orang hanya melihat kemudian tapi tidak terdeteksi di dalam depan itu berarti kan hanya melihat-lihat Kemudian dari mana sih ee yang langsung memb bayar misalnya Apakah dari titik a titik B sehingga bisa digunakan untuk ee apa namanya mempelajari behavior dari pelanggan gitu ya customer yang ada di eh toko tersebut misalnya oke nah kemudian Bagaimana video surveilance system itu berjalan ya tadi dari ada video ya kemudian diproses kemudian ada tracker yang pertama adalah motion detektornya region trackernya kemudian head detector jadi eh sehingga kelihatan gitu ya pergerakannya kemudian sehingga ada shap tracker juga gitu sampai segitunya kemudian ada tracking nah ini output dilanjutkan dengan klasifikasi ya kemudian ada personn dan lain sebagainya nanti hasilnya adalah analisis terkait dengan bagaimana ee orang bergerak ya Ee Bagaimana objek itu ee bergerak juga apa yang dikenakan objek itu gu apakah EE Bagaimana video surveillance eh bekerja nah ini kalau misalnya eh dengan Club base eh infrastructure ya lebih ada video eh eh capturing ya kemudian ada ini bagaimana e video surance juga bisa digunakan untuk infrastrur nahian ehalahan dan tantangan Ai dalam vision intelligence sendiri itu data kinerja Nah di sini eh bagaimana traditional machine learning dibandingkan eh dari network medium sampai ya atau learning tadi Kalau machine learningak besar datanya dia akan tetap gitu tidak bisa perform lebih tinggi lagi tapi berbeda dengan Deep learning semakin besar datanya maka dia perform pernya akan jauh lebih baik gitu ya memang lebih cocok dengan digunakan big data Network itu ya Jadi kalau kita datanya sekecil ya 100 ya 150 ya tetap pakai machine learning saja cost untuk eh develop Deep learning itu lebih tinggi dibandkan machine learning gitu ya jadi kita juga eh jangan sertamerta harus pakai dening Kita juga harus lihat datanya Seperti apa cumah datanya Bagaimana ya karakteristik datanya Seperti apa baru kita tentukan tools jadi Itu adalah sebuah tools yang bisa digunakan menyelesaikan masalah yang sesuai nah kemudian augmentation ya ini ee Bagaimana sih Ee kita mengajar ee mesin ya untuk belajar ya terkait dengan perubahan apakah ada translasi skala rotasi dan lain sebagainya ini bisa dilakukan untuk memperkaya atau ee e membuat mesin itu e lebih bekerja dengan berbagai eh jenis atau berbagai eh karakteristik gambar gitu ya dan posisi gambar Nah kemudian ada permasalahan lagi ya ada gap antara data sintetik dan data data ya Model final harus digeneralisasi dan bekerja dengan yang nyata atau Real cas dataah ini solusinya adalah menggunakan transfer learning di mana eh ai ini munyai kemampuan belajar dari domain tertentu dan menerapkan pengetahuan yang telah dipelajari sebelumnya ke e domain baru yang lain sekarang mungkin kalau Eh teman-teman misalnya masuk ke dalam eh github sudah ada model yang bisa kita gunakan ya Sehingga model itu kita eh bisa atur misalnya face recognition dia sudah menggunakan 1,5 juta dat misalnya Ya sudah berarti akhirnya itu menjadi eh model yang sehingga nanti kita bisa langsung gunakan untuk tes gitu sehingga ketika ada Kal ada data baru ya itu kitaik menggunakan model tadi jadi model yang tadi ya Model A itu misalnya bisa ee nantinya ditambah dengan data ee ee data yang lain misalnya ada tambah 100 data maka bisa menjadi model baru tapi tidak menggunakan cost yang besar gitu ya tidak tantangan yang lain yaitu terkait dengan adapt masyarakat data pertanggung jawaban ya kemudian pemahaman terhadap blackb kemudian multix learning dan juga self learning gitu baik nah ini adaptasi masyarakat bagaimana robot akan mampu melakukan apa saja ya kemudian ee dari kita manusia nah ini bagaimana kita bisa ee melihat tantangan ini itu ya apa nantinya benar-benar robot itu menggantikan manusia atau robot itu menggantikan beberapa fungsi dari kita gitu ya Nah ini ee Bagaimana perkembangannya ya kita hanya bisa eh kita bisa lihat dan kita juga ikut pelajari dan Jangan takut untuk mempelajari Ai ya Meskipun seperti ee pisau gitu ya pisau juga ada yang misalnya kalau kita gunakan untuk jahat ya bisa tapi untuk manfaatnya sangat banyak kita bisa untuk memotong ee sayuran memotong daging gitu ya Sama ai juga seperti itu ada yang memang yang berpikir untuk kejahatan ada juga yang berpikir untuk eh hal-hal yang baik dan kita harus berpikir yang positif Harus berpikir untuk yang kebaikan tadi Nah kemudian Eh datab ini Oke ini lupakan robot pembunuh tadi ya yang negatif tadi tapi kebiasaan dari itu jadi masalah juga gitu misalnya kita di Medal gitu ya Misalnya di a kita di medicing gitu ya di IM nah ini tidak ada contoh yaah itu mis sudah ada yangit dengan kulit bayangkan itu Misnya untuk E merekomendasikan atau memprediksi suatu Eh misalnya E hasil MRI Apakah ada Cancer atau tidak Gitu ya nah ini kalau misalnya biasnya tinggi atau misalnya errornya tinggi ini jadi masalah ya karena ini berkaitan dengan nyawa berkaitan dengan kesehatan dan lain sebagainya Oleh karena itu ea itu sesungguhnya ya tahapannya itu adalah membantu membantu dan manusia memang yang harus memutuskan ini ya Nah ini eh data bias yang lain ya Microsoft membuat chatb pada Maret 2016 kemudian e digunakan untuk menuaku seorang gadis remaja Amerika untuk belajar dan berinteraksi dengan pengguna Twitter tapi setelah beberapa jam menjadi ofensif ya jadi eh dia belajar kemudian dia ofensif maka itu harus gitu ya jadi dia chatbot dan dia sesuatu dan dia malah menjawab eh secara ofensif oke nah Ini Ehan otonomus ya ada Vi ya Apa yang terjadi jika ada kecelakaan nah ini pikirkan apa apa yang bertanggung jawab dan bagaimana bisa dilakukan analisis tentu pasti ee eh produsen-produsen eh autonomus car Apakah autonomous vicle ya yang saat ini bahkan eh kabnya IKN juga akan menerapkan ini ya tentu Ini tererapan teknologi ini pasti sudah dipikirkan gitu ya oke nah Ini Black bo yang EE banyakan ya kebanyakan itu adalah ee De model itu bentuknya adalah Black BX jadi ketika kita input ya kemudian eh datanya seperti ini masukkan ke model kemudian outputnya seperti Apa permasalahannya Percaya saja tanpa memahami dengan baik alasan di balik prediksi tersebut dan Mencoba memahami dan memperbaiki penyebab prediksi yang salah itu e hal-hal yang harus diselesaikan Ya baik jadi kadang-kadang juga E teman-teman hanya mempelajari toolsnya gitu tapi tidak mempelajari ini data seperti apa sebaiknya menggunakan metode apa baru Tentukan toolsnya jangan berangkat dari tools gitu tapi berangkatlah dari masalah kemudian tadi ya dilanjutkan dengan metode yang tepat ya makanya cari metode yang pas gitu ya baca jurnal ya baca yang lain ya artikel-artikel lain sehingga kita bisa tahu yang mana sih metode yang tepat untuk Kasus tersebutanya apa ya barulah pikirin toolsnya kita harus yang paling tepatitu baik e mungkin itu yang bisa saya sampaikan terima kasih saya lagi kepada Ya baik e Terima kasih Pak Sigit atas paparannya tadi mengai e mengenai metode yang bisa kita gunakan gitu ya untuk implementasi Ai di dalam computer Vision tadi pemanfaatan Deep learning juga untuk e apa video surveilance bias gitu ya ternyata bahkan di kita sebetulnya sudah mulai dimanfaatkan nih gitu atau mungkin nanti teman-teman atau adik-adik mahasiswa bisa melakukan penelitian lebih lanjut untuk penulusan ilmiah maupun skripsinya begitu ya Pak Iqbal ya jadi ee untuk materi hari ini mungkin kita tidak bisa menyelesaikan semuanya Pak Iqbal dan juga Pak Sigit Insyaallah nanti kita akan ketemu lagi pada pertemuan ee berikutnya eh terima kasih sekali lagi kepada bapak Dr M Iqbal dan juga bapak Dr sigibianto atas sharing ilmunya mudah-mudahan bisa menjadi inspirasi bagi adik-adik mahasiswa untuk menambah ilmu mengembangkan penelitian dan EE sebagainya ee baik eh tayangan hari ini dapat disaksikan kembali pada channel YouTube E juji TV official pemirsa Danti masiswa saya Julia fajarianti mewakili seluruh tim yang bertugas pada hari ini mengucapkan terima kasih wasalamualaikum warahmatullahi wabarakatuh Waalaikumsalam waalaikumsalamas [Musik] [Musik] [Musik] [Tepuk tangan] [Musik] [Tepuk tangan] [Musik]