Gratis
DESKRIPSI LAYANAN | Nama Kelompok Riset/Fungsi Kegiatan : Computer Vision & Image Processing Deskripsi Kegiatan Kelompok Riset/Fungsi Kegiatan : Melakukan kegiatan penelitian, pengembangan, pengkajian, dan penerapan teknologi untuk pemrosesan citra digital guna mengekstrak…
- Pusat Riset Kecerdasan Artifisial dan Keamanan Siber
- KST Cisitu (Samaun Samadikun)
Nama Kelompok Riset/Fungsi Kegiatan : Computer Vision & Image Processing
Deskripsi Kegiatan Kelompok Riset/Fungsi Kegiatan : Melakukan kegiatan penelitian, pengembangan, pengkajian, dan penerapan teknologi untuk pemrosesan citra digital guna mengekstrak informasi dari sebuah citra (gambar) digital (termasuk video) dan tidak terbatas dengan metode yang digunakan.
Tipe Magang : Magang Riset Tugas Akhir
Topik Kegiatan/Riset :
Topik 1: KERAGAMAN FENOTIP VARIETAS CABAI BERBASIS KECERDASAN ARTIFICIAL -D4/S1- Efendi Zaenudin, Ph.D (efen004@brin.go.id)
Topik 2:
1. Computer Vision Menuju Artificial General Intelligence (AGI)
· Vision Foundation Models (VFMs) & Large: Fokusnya bergeser dari model yang hanya bisa mengerjakan satu tugas (task-specific) ke satu model dasar (foundation model) yang bisa diadaptasi untuk berbagai tugas. Contohnya, pada tahun 2025, lebih dari 50% model CV modern dibangun di atas fondasi Transformer ini.
· Multimodal Learning (Vision-Language): Jadi topik super panas! Porsinya di konferensi utama naik drastis dari 16% di tahun 2023 menjadi 40% pada tahun 2025. Alih-alih mengerti gambar saja, riset ini menggabungkan penglihatan (vision) dan bahasa (language) dalam satu model, memungkinkan AI untuk melakukan nalar visual (visual reasoning), menjawab pertanyaan berdasarkan gambar, dan bahkan memberi instruksi pada robot. Vision-Language Models (VLMs) jadi primadona utama.
· Generative AI & World Models: Bukan hanya membuat gambar statis, riset kini bergerak ke pembuatan video dan simulasi dunia 3D yang utuh. Kemajuan pesat di video generation (contoh: Veo 3, Sora) menunjukkan bahwa model video bisa menjadi fondasi untuk persepsi visual secara umum, mirip seperti LLM untuk teks.
2. Merevolusi Dimensi: Perjalanan dari 2D ke 3D & 4D
· 3D Reconstruction & Neural Rendering: Fokus riset bergeser dari foto 2D ke pemahaman geometri dan fisika dunia 3D. Teknologi yang paling hits adalah 3D Gaussian Splatting (3DGS), yang menggantikan NeRF sebagai metode utama untuk rekonstruksi 3D yang cepat dan realistis.
· Video & 4D Scene Understanding: Jika 3D adalah ruang, maka 4D adalah ruang yang bergerak (video). Tantangan besarnya adalah memahami urutan waktu (temporal) dan dinamika dalam video, bukan hanya tiap frame-nya saja. Contohnya, model video modern mulai bisa bernalar tentang hubungan sebab-akibat dalam suatu adegan.
3. Pendalaman Tema Klasik dengan Pendekatan Baru
· Image & Video Synthesis: Ini adalah topik dengan volume terbanyak di CVPR 2025. Kini fokusnya bukan hanya kualitas, tapi juga pada kontrol yang lebih presisi (misalnya mengedit objek tertentu dalam video) dan efisiensi komputasi (membuat model lebih ringan).
· Low-Level Vision & Computational Imaging: Penelitian tentang bagaimana AI bisa "melihat" lebih baik dari sensor kamera. Ini mencakup denoising, super-resolution, HDR, dan bahkan bagaimana menggabungkan teknik pemrosesan sinyal dengan deep learning, contohnya untuk robot di kondisi minim cahaya.
· Human-centric Analysis: Memahami manusia lebih dalam, tidak hanya deteksi pose dan gesture tapi juga memahami interaksi sosial dan aktivitas kompleks untuk aplikasi seperti robot asisten dan surveillance pintar.
· Object Detection & Segmentation: "Dasar" klasik ini terus berevolusi dengan memanfaatkan model foundation, memungkinkan zero-shot detection (mendeteksi objek yang bahkan belum pernah dilatih) dan segmentasi yang sangat detail dan presisi.
4. Fondasi Ilmu Pengetahuan (aka. Sains di Balik AI)
· Efisiensi Model (Edge AI): Fokus pada pembuatan model yang ringan, cepat, dan tidak boros energi agar bisa berjalan di perangkat edge (seperti HP, drone, atau kamera CCTV), jadi tidak perlu selalu bergantung ke cloud.
· Efisiensi Data (Synthetic & Few-shot Learning): Riset tentang bagaimana melatih AI dengan data yang sangat sedikit (few-shot) atau data yang dibuat oleh AI itu sendiri (synthetic data) untuk mengatasi keterbatasan data di dunia nyata.
· Explainability & Safety: Seiring AI dipercaya untuk tugas-tugas kritis, riset tentang bagaimana menjelaskan keputusan AI (Explainable AI/XAI), membuatnya lebih robust (tahan terhadap serangan), dan menjaga keamanannya menjadi semakin kritis.
D4/S1 - Prof. Risnandar, Ph.D. (risnandar01@gmail.com)
Ruang Lingkup Topik Kegiatan/Riset :
- Pengelolaan data Cabai
- Metode untuk uji model
- Identifikasi dengan uji hasil metode penelitian
Program Studi/Jurusan Pendidikan :
Topik 1: D4/S1 Informatika, Ilmu Komputer, Teknik Informatika, dan Teknik Komputer (2 peserta)
Topik 2: D4/S1 Ilmu Komputer (8 peserta)
Lokasi Magang BRIN : KST Cisitu (Samaun Samadikun)
Syarat Pengajuan:
Deskripsi Kegiatan Kelompok Riset/Fungsi Kegiatan : Melakukan kegiatan penelitian, pengembangan, pengkajian, dan penerapan teknologi untuk pemrosesan citra digital guna mengekstrak informasi dari sebuah citra (gambar) digital (termasuk video) dan tidak terbatas dengan metode yang digunakan.
Tipe Magang : Magang Riset Tugas Akhir
Topik Kegiatan/Riset :
Topik 1: KERAGAMAN FENOTIP VARIETAS CABAI BERBASIS KECERDASAN ARTIFICIAL -D4/S1- Efendi Zaenudin, Ph.D (efen004@brin.go.id)
Topik 2:
1. Computer Vision Menuju Artificial General Intelligence (AGI)
· Vision Foundation Models (VFMs) & Large: Fokusnya bergeser dari model yang hanya bisa mengerjakan satu tugas (task-specific) ke satu model dasar (foundation model) yang bisa diadaptasi untuk berbagai tugas. Contohnya, pada tahun 2025, lebih dari 50% model CV modern dibangun di atas fondasi Transformer ini.
· Multimodal Learning (Vision-Language): Jadi topik super panas! Porsinya di konferensi utama naik drastis dari 16% di tahun 2023 menjadi 40% pada tahun 2025. Alih-alih mengerti gambar saja, riset ini menggabungkan penglihatan (vision) dan bahasa (language) dalam satu model, memungkinkan AI untuk melakukan nalar visual (visual reasoning), menjawab pertanyaan berdasarkan gambar, dan bahkan memberi instruksi pada robot. Vision-Language Models (VLMs) jadi primadona utama.
· Generative AI & World Models: Bukan hanya membuat gambar statis, riset kini bergerak ke pembuatan video dan simulasi dunia 3D yang utuh. Kemajuan pesat di video generation (contoh: Veo 3, Sora) menunjukkan bahwa model video bisa menjadi fondasi untuk persepsi visual secara umum, mirip seperti LLM untuk teks.
2. Merevolusi Dimensi: Perjalanan dari 2D ke 3D & 4D
· 3D Reconstruction & Neural Rendering: Fokus riset bergeser dari foto 2D ke pemahaman geometri dan fisika dunia 3D. Teknologi yang paling hits adalah 3D Gaussian Splatting (3DGS), yang menggantikan NeRF sebagai metode utama untuk rekonstruksi 3D yang cepat dan realistis.
· Video & 4D Scene Understanding: Jika 3D adalah ruang, maka 4D adalah ruang yang bergerak (video). Tantangan besarnya adalah memahami urutan waktu (temporal) dan dinamika dalam video, bukan hanya tiap frame-nya saja. Contohnya, model video modern mulai bisa bernalar tentang hubungan sebab-akibat dalam suatu adegan.
3. Pendalaman Tema Klasik dengan Pendekatan Baru
· Image & Video Synthesis: Ini adalah topik dengan volume terbanyak di CVPR 2025. Kini fokusnya bukan hanya kualitas, tapi juga pada kontrol yang lebih presisi (misalnya mengedit objek tertentu dalam video) dan efisiensi komputasi (membuat model lebih ringan).
· Low-Level Vision & Computational Imaging: Penelitian tentang bagaimana AI bisa "melihat" lebih baik dari sensor kamera. Ini mencakup denoising, super-resolution, HDR, dan bahkan bagaimana menggabungkan teknik pemrosesan sinyal dengan deep learning, contohnya untuk robot di kondisi minim cahaya.
· Human-centric Analysis: Memahami manusia lebih dalam, tidak hanya deteksi pose dan gesture tapi juga memahami interaksi sosial dan aktivitas kompleks untuk aplikasi seperti robot asisten dan surveillance pintar.
· Object Detection & Segmentation: "Dasar" klasik ini terus berevolusi dengan memanfaatkan model foundation, memungkinkan zero-shot detection (mendeteksi objek yang bahkan belum pernah dilatih) dan segmentasi yang sangat detail dan presisi.
4. Fondasi Ilmu Pengetahuan (aka. Sains di Balik AI)
· Efisiensi Model (Edge AI): Fokus pada pembuatan model yang ringan, cepat, dan tidak boros energi agar bisa berjalan di perangkat edge (seperti HP, drone, atau kamera CCTV), jadi tidak perlu selalu bergantung ke cloud.
· Efisiensi Data (Synthetic & Few-shot Learning): Riset tentang bagaimana melatih AI dengan data yang sangat sedikit (few-shot) atau data yang dibuat oleh AI itu sendiri (synthetic data) untuk mengatasi keterbatasan data di dunia nyata.
· Explainability & Safety: Seiring AI dipercaya untuk tugas-tugas kritis, riset tentang bagaimana menjelaskan keputusan AI (Explainable AI/XAI), membuatnya lebih robust (tahan terhadap serangan), dan menjaga keamanannya menjadi semakin kritis.
D4/S1 - Prof. Risnandar, Ph.D. (risnandar01@gmail.com)
Ruang Lingkup Topik Kegiatan/Riset :
- Pengelolaan data Cabai
- Metode untuk uji model
- Identifikasi dengan uji hasil metode penelitian
Program Studi/Jurusan Pendidikan :
Topik 1: D4/S1 Informatika, Ilmu Komputer, Teknik Informatika, dan Teknik Komputer (2 peserta)
Topik 2: D4/S1 Ilmu Komputer (8 peserta)
Lokasi Magang BRIN : KST Cisitu (Samaun Samadikun)
Syarat Pengajuan:
- File Data Foto
- File Data Transkrip
- File Proposal
- Daftar Riwayat Hidup
- Surat Pengantar
- Surat Pernyataan
- File Dukung Lainnya
