|
KEMENTERIAN PENDIDIKAN TINGGI, SAINS, DAN TEKNOLOGI
UNIVERSITAS NEGERI PADANG
– FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
– PROGRAM STUDI FISIKA (S1)
|
||||||
| RENCANA PEMBELAJARAN SEMESTER | |||||||
| MATA KULIAH (MK) | KODE | Rumpun MK | BOBOT (sks) | SEMESTER | Tgl Penyusunan | ||
| Deep Learning untuk Analisis Spasial | FIS.62.0151 | - | 0 | 3 | 6 | - | |
| OTORISASI / PENGESAHAN | Dosen Pengembang RPS | Koordinator RMK | Koordinator Prodi | ||||
| - | - | - | - | ||||
| Capaian Pembelajaran |
CPL-PRODI yang dibebankan pada MK | |
| CPL-6 | Memecahkan masalah sistem fisik standar secara komprehensif menggunakan prinsip dasar fisika, persamaan matematika, alat komputasi/TIK | |
| CPL-8 | Menerapkan ilmunya di bidang fisika pada bidang yang lebih luas/atau masalah interdisipliner dalam kegiatan profesionalnya | |
| CPL-14 | Mengkomunikasikan karya ilmiah baik secara lisan maupun tertulis sesuai dengan etika ilmiah | |
| Capaian Pembelajaran Mata Kuliah (CPMK) | ||
| CPMK 1 | Mampu menjelaskan prinsip kerja arsitektur CNN, U-Net, dan Vision Transformer serta kesesuaiannya dengan karakteristik data citra industri resolusi tinggi | |
| CPMK 2 | Mampu merancang dan melatih model segmentasi semantik (U-Net) untuk delineasi area tambang, tailings pond, dan infrastruktur energi dari citra satelit dan drone | |
| CPMK 3 | Mampu menerapkan model deteksi objek untuk identifikasi otomatis panel surya, turbin angin, dan anomali infrastruktur dari citra resolusi tinggi | |
| CPMK 4 | Mampu membangun pipeline analisis citra multi-temporal berbasis deep learning untuk pemantauan ekspansi lahan tambang dan perubahan lingkungan industri | |
| CPMK 5 | Mampu mengevaluasi performa model (IoU, F1-score, precision-recall) dan menyusun rekomendasi integrasi model ke sistem monitoring operasional industri | |
| Kemampuan akhir tiap tahapan belajar (Sub-CPMK) | ||
| SUB CPMK | - | |
| Matriks CPL ke CPMK |
|
| Deskripsi Singkat Mata Kuliah |
Mata kuliah ini memperdalam kemampuan mahasiswa dalam menerapkan arsitektur deep learning modern — CNN, U-Net, dan Vision Transformer — untuk analisis citra spasial resolusi tinggi yang menjadi kebutuhan operasional industri energi dan pertambangan. Fokus pada segmentasi semantik piksel-demi-piksel, deteksi objek otomatis, dan analisis citra time-series berskala besar menggunakan data drone dan satelit resolusi tinggi. Studi kasus meliputi segmentasi otomatis area tambang dan tailings dari citra drone, deteksi panel PLTS yang rusak dari citra termal, pemantauan ekspansi lahan tambang menggunakan deep learning multi-temporal, dan deteksi manifestasi permukaan geotermal dari citra resolusi tinggi. Industri modern semakin mengandalkan drone untuk inspeksi rutin — model yang dibangun mahasiswa dapat langsung diadaptasi menjadi sistem inspeksi otomatis |
| Pustaka | Utama: |
| - | |
|
Pendukung: (Jika diperlukan)
-
|
|
| Dosen Pengampu |
- |
| Mata kuliah syarat |
- |
| Minggu Ke- | SUB-CPMK (Kemampuan Akhir Yang Diharapkan) | Penilaian | Bentuk Pembelajaran, Metode Pembelajaran, Penugasan Mahasiswa [Estimasi Waktu] |
Materi Pembelajaran [Rujukan] |
Bobot Penilaian (%) |
||
|---|---|---|---|---|---|---|---|
| Indikator | Teknik & Kriteria | Luring (Tatap Muka) | Daring (Online) | ||||
| - | - | - | - | - | - | - | 0 |
| UTS | |||||||
| UAS | |||||||