Lamunan perihal karir Dosen Muda di Indonesia

Bercermin kembali atas perjalanan karir di dunia akademik khususnya pendidikan tinggi dalam rangka mengambil hikmah dari perjuangan demi membangun kompetensi dan bertahan agar (masih ingin) tetap hidup selama ini, Saya coba untuk menuangkan kembali suara-suara di kepala ke dalam tulisan di ruang maya yang sudah lama terbengkalai.  Mudah-mudahan ada manfaat positif bagi kesehatan jiwa saya.

Saya merasakan kegelisahan yang sama ketika membaca tulisan tentang mati suri penelitian di perguruan tinggi (di Indonesia). Apalagi berkaca pada kontribusi ilmiah yang sudah saya berikan yang ternyata memicu tekanan batin karena (berdasarkan penilaian pribadi) sepertinya kok masih merasa belum pantas memasang label insan akademik. Walaupun demikian, berikut ini secuil mimpi atau lamunan di tengah malam sebagai tanggapan atas tulisan tersebut.

Idealnya, atau situasi di universitas yang penelitiannya (tampak) tidak mati suri :

peran dalam kegiatan sehari-hari:
mahasiswa S1 merealisasikan solusi (kontribusi dunia nyata): jr. engineer
mahasiswa S2 merancang solusi (kontribusi teknologi): sr. engineer
tenaga kerja yang melakukan penelitian itu mahasiswa S3 (kontribusi ilmiah): trainee scientist
post-doc (asisten akademik) jadi pengelola kegiatan penelitian (project management, partner relation): sr. scientist
profesor (dosen ybs.) jadi pencari dana penelitian/mengajar/kelembagaan: pemimpin tim

plus 3 staf pendukung: admin/sekretaris, dukungan teknis, dan logistik/transport

Pendanaannya untuk S1 dan S2 dari kerjasama dengan mitra industri, S3 dan Post-doc dari beasiswa & dana penelitian
kalau sudah bisa mandiri, mitra industri itu bisa berasal dari spin-off atas luaran penelitian sehingga pembiayaannya lebih sustainable

atau ada semacam skema pendanaan/investasi/patron untuk pengembangan selama 5+5 tahun ketika mengawali karir sebagai akademia untuk pengembangan kapasitas dan kemandirian serta dapat berkembang secara berkesinambungan

target luaran/publikasi ilmiahnya jadi :
S1 : poster/demo
S2 : workshop,challenge,industry track, produk
S3 : main track, journal
PD : journal, book chapter, transfer teknologi/spinoff
Prof : review paper, position paper, textbook (editor), HAKI

ketika peran2 di atas dilakukan oleh dosen seorang diri maka ketika dibagi 5 hari kinerjanya jadi 5 kali lebih lambat karena dilakukan sekuensial. belum lagi overhead karena context switching.

atau kalau dilakukan berkelompok sesama dosen, maka ukuran kelompoknya 3-5 orang, untuk setiap proyek, masing2 mengambil peran yang saling melengkapi sehingga semua mendapat keuntungan kredit atas prestasi.

Setelah membaca sampai sini, apakah terbesit ide bahwa saya yang sudah gila? sekolah saja belum berhasil malah bahas topik ini

On Big Data and me

Beberapa tahun yang lalu, Saya mendengar pertama kali istilah “Big Data”. Kala itu istilah ini bagi saya masih terasa seperti jargon marketing, ‘buzzword’, ‘hype’, atau euforia yang membuat definisinya terdengar menarik namun maknanya sulit dipahami. Teknologi pada waktu itu juga memang sedang ramai-ramainya dengan media sosial dan mungkin awal dari revolusi penyampaian ide dari yang konyol sampai yang luar biasa (konyol, eh maksudnya) serius.

Sekarang mungkin masih banyak ekspresi yang terdengar hiperbola namun setidaknya potongan puzzle-nya sudah semakin jelas. Dalam bidang informatika, topik yang saya pelajari lebih banyak menitikberatkan pada proses algoritmik untuk menganalisis data yang pada dasarnya kompleks seperti multimedia (misal peta, gambar, dan video). Istilah ‘big data’ sendiri saya dengar pertama kali dari area yang lebih banyak penekanan pada data dan bagaimana penanganannya. Sekarang Saya cenderung memahami istilah big data sebagai sebuah konvergensi teknologi.

Read More

Simple Entity Extraction from News Article in Bahasa Indonesia

Tulisan kali ini membahas cara mengekstrak informasi dari teks berita menggunakan python. Entitas yang dimaksud adalah entitas berupa tempat, orang, organisasi atau entitas lain yang diketahui dalam basis pengetahuan. Basis pengetahuan yang dipakai dalam tulisan ini adalah dbpedia bahasa Indonesia. Sebetulnya DBPedia sudah menyediakan layanan semacam ini yaitu Spotlight namun sayangnya belum tersedia dalam bahasa Indonesia.
Read More

Histogram of Oriented Gradient in Numpy

Di tulisan terdahulu saya pernah mencoba menulis tentang menghitung fitur HOG lalu tulisan tentang mempercepat perhitungan hog dengan menggunakan inlince c++ dari scipy. Tulisan kali ini sebetulnya hampir sama dengan tulisan terdahulu, yaitu menghitung fitur yang sama, yang berbeda adalah tulisan yang dulu dibuat dengan menggunakan interface opencv versi 1 (import cv) sedangkan tulisan kali ini dibuat menggunakan interface versi kedua (cv2). Pada opencv versi pertama, objek citra disimpan menggunakan struktur berbasis C (IplImage) sedangkan di versi 2, objek citra sudah terintegrasi dengan Numpy array (ndarray) dan opencv versi 2 sudah ditulis ulang dengan menggunakan C++. Dengan terintegrasinya struktur penyimpanan citra menjadi array numpy, maka operasi2 pengolahan citra jadi seperti yang dilakukan dengan MATLAB. operasi-operasi tertentu juga menjadi makin mudah melalui operasi array slicing yang ada pada Numpy. Oleh sebab itu, saya coba membuat algoritma penghitungan fitur HOG yang mengeksploitasi fasiltas yang ada di Numpy yang lebih cepat karena menghindari loop yang eksplisit dilakukan pada kode python tetapi mendelegasikan operasi yang bersifat element-wise ke numpy.

modul yang diimpor
kalau di versi opencv pertama modul yang digunakan adalah cv, maka sekarang adalah cv2. modul cv masih dapat diakses untuk menjaga kompatibilitas ke versi sebelumnya menjadi submodul di dalam cv2.

# jika ingin menggunakan antarmuka opencv versi 1
import cv2.cv as cv 
# interface opencv versi 2
import numpy as np
import cv2

Menghitung HOG secara umum
fitur HOG yang dibahas pada tulisan ini adalah varian penyederhanaan dari varian-varian utama yang digunakan saat ini :

  • varian HOG Dalal-Triggs untuk pedestrian detection
  • varian HOG Felzenswalb untuk deformable part model di PASCAL VOC (Visual Object Categories/Classes) Challenge

Read More

Poisson Image Editing (revised)

Tulisan ini melengkapi tulisan sebelumnya yang berjudul serupa. Waktu itu hasilnya masih kurang memuaskan dan sepertinya implementasinya masih ada yang salah. Akhirnya saya coba membuat implementasi ulang dengan Delphi, mulai dari pendefinisian persoalannya pada ruang berdimensi 1 secara diskret.

Sederhananya, misalkan Saya punya fungsi 1D yang terdefinisi oleh nilai di posisi awal f(a) dan akhir f(b) sementara nilai diantara selang (a,b) tidak diketahui. Kalau saya berasumsi bahwa turunan keduanya adalah konstan 0, maka interpolasi yang dibuat antara titik a dan b adalah sebuah garis lurus seperti gambar berikut.

interpolasi dengan turunan kedua = 0

interpolasi dengan turunan kedua = 0


Kalau fungsi turunan keduanya saya buat konstan positif atau negatif maka interpolasinya akan menjadi melengkung.

interpolasi dengan turunan kedua konstan positif ( = 2 )

interpolasi dengan turunan kedua konstan negatif ( = -2 )

Ide dari poisson image editing adalah dengan menggunakan informasi dari turunan kedua citra sumber untuk mengarahkan interpolasi ini pada citra tujuan.

interpolasi dengan turunan kedua pengarah berasal dari turunan kedua fungsi lain

Read More