3 Proyek AI Mahasiswa Indonesia yang Didukung NVIDIA
Irfan Mulyana
October 22, 2026 7:18 am
.
8 min read
Verdict
Tiga mahasiswa Universitas Pelita Harapan (UPH) memamerkan proyek AI di acara NVIDIA RTX AI PC Day pada 14 Oktober 2026: segmentasi polip medis, komputasi paralel berbasis CUDA, dan sistem deteksi hama pertanian real time bernama SIPETIK. Ketiga proyek berjalan di laptop RTX 50 Series, bukan di server cloud.
Pesan utama NVIDIA di acara ini: kampus perlu mengubah mahasiswa dari pengguna AI menjadi pembangun AI. Untuk kreator dan desainer, ceritanya paralel. GPU lokal kini cukup kuat untuk melatih model, merender, dan mengolah konten tanpa biaya langganan cloud yang berulang.
Segmentasi Polip: AI Medis yang Berjalan di Laptop
Richie Cedrick Adrian memilih bidang yang serius: kesehatan. Proyeknya melakukan segmentasi polip, yaitu menandai area polip pada citra medis secara otomatis dengan model AI. Teknik ini membantu proses skrining dan analisis citra medis berjalan lebih cepat.
Richie menjalankan riset ini di Predator Helios 18 AI dengan GPU GeForce RTX 5090. Kapasitas VRAM besar dan Tensor Cores di GPU tersebut mempercepat pelatihan dan pengujian model secara signifikan. Eksperimen yang biasanya antre di server lab kampus kini selesai di mejanya sendiri.
Poin penting dari proyek ini: pemrosesan citra medis menuntut data tetap aman. Pemrosesan lokal menjaga data penelitian tetap berada di perangkat, tanpa harus mengunggahnya ke layanan cloud. Keunggulan privasi ini menjadi salah satu alasan NVIDIA mendorong komputasi AI on-device di kalangan peneliti.
Komputasi Paralel: CUDA untuk Riset Informatika
Annabel Kineta Jovinne Caron, mahasiswi Informatika UPH, mengerjakan proyek komputasi paralel. Ia menjalankan benchmark paralel dan kalkulasi matriks skala besar dengan algoritma graf berbasis CUDA di laptop Predator Helios Neo 16 AI ber-GPU GeForce RTX 5070.
Proyek ini menunjukkan sisi GPU yang sering terlupakan: GPU bukan sekadar alat gaming atau render. Ribuan core di dalamnya mampu membagi pekerjaan komputasi menjadi ribuan tugas kecil yang berjalan bersamaan. Perhitungan yang memakan waktu lama di CPU bisa selesai jauh lebih cepat di arsitektur paralel.
Bagi mahasiswa informatika, kemampuan menjalankan eksperimen CUDA di laptop pribadi mengubah cara belajar. Tidak perlu lagi menunggu giliran di laboratorium. Siklus coba dan perbaiki berjalan cepat, dan pemahaman tentang pemrograman paralel tumbuh dari praktik langsung, bukan sekadar teori di kelas. Pengalaman semacam ini relevan juga bagi pembaca yang ingin mendalami alat bantu AI untuk pekerjaan coding di alur kerja sehari-hari.
SIPETIK: Deteksi Hama Sawah secara Real Time
Bryan Daniel Angelino dari program studi Sistem Informasi membangun SIPETIK, sistem deteksi hama tanaman berbasis algoritma YOLOv8. Sistem ini mendeteksi hama secara real time langsung di lapangan.
Bryan menjalankan pelatihan model dan inferensi di Predator Triton 14 AI dengan GeForce RTX 5070. Laptop ringkas ini ia bawa ke lokasi riset, dan deteksi berjalan langsung dari perangkat dengan responsivitas tinggi. Tidak ada jeda menunggu unggahan ke cloud, tidak ada ketergantungan pada koneksi internet di area pertanian.
Proyek SIPETIK membuktikan pola yang berulang di ketiga proyek: model AI yang dulu butuh infrastruktur besar kini muat di perangkat portabel. YOLOv8 sendiri termasuk keluarga model deteksi objek yang populer di kalangan praktisi computer vision karena keseimbangan kecepatan dan akurasinya.
Detail implementasi SIPETIK menunjukkan alur kerja AI terapan yang lengkap. Bryan mengumpulkan data citra hama, melatih model YOLOv8 di laptop, lalu menjalankan inferensi langsung di lokasi. Seluruh siklus ini terjadi di satu perangkat. Tidak ada pemindahan data antar server, tidak ada konfigurasi infrastruktur yang rumit. Bagi petani dan penyuluh pertanian, sistem seperti ini membuka jalan menuju pertanian presisi yang terjangkau: deteksi dini hama berarti penanganan lebih cepat dan potensi gagal panen yang lebih kecil.
Perbandingan Tiga Proyek
Ketiga proyek memakai pendekatan berbeda, tetapi berbagi fondasi yang sama: komputasi AI lokal di laptop RTX 50 Series.
| Proyek | Pengembang | Perangkat | Teknologi | Bidang |
|---|---|---|---|---|
| Segmentasi polip | Richie Cedrick Adrian | Predator Helios 18 AI, RTX 5090 | Segmentasi citra medis | Kesehatan |
| Komputasi paralel | Annabel Kineta Jovinne Caron | Predator Helios Neo 16 AI, RTX 5070 | Algoritma graf berbasis CUDA | Informatika |
| SIPETIK | Bryan Daniel Angelino | Predator Triton 14 AI, RTX 5070 | Deteksi objek YOLOv8 | Pertanian |
Polanya jelas. Proyek kesehatan menuntut VRAM besar untuk citra medis beresolusi tinggi. Proyek informatika mengeksploitasi arsitektur paralel CUDA. Proyek pertanian menuntut mobilitas dan inferensi real time di lapangan. Satu platform perangkat menjawab tiga kebutuhan berbeda.
Dari Pengguna AI Menjadi Pembangun AI
Acara RTX AI PC Day di UPH Karawaci, Tangerang, pada 14 Oktober 2026 menjadi panggung ketiga proyek tersebut. Adrian Lesmono, Country Consumer Business Lead NVIDIA Indonesia, menyampaikan pesan yang menjadi benang merah acara: transformasi dari AI user menjadi AI builder perlu dimulai dari kampus. Ia menyebut kolaborasi dengan UPH bertujuan mendorong mahasiswa dari berbagai disiplin ilmu agar mampu membangun solusi, bukan sekadar memakai layanan AI yang sudah jadi.
Rizaldi Sistiabudi, Dekan Eksekutif College of Emerging Sciences UPH, menambahkan sudut pandang akademis. Baginya, AI bukanlah jalan pintas, melainkan teknologi yang memperkuat kompetensi, pemahaman teori, dan keahlian yang telah dimiliki seseorang. Dengan dukungan teknologi seperti RTX AI PC, mahasiswa mempercepat riset, mengembangkan ide, dan menghasilkan karya dengan kualitas yang semakin mendekati standar industri.
Dukungan perangkat disalurkan melalui program GeForce Campus Leaders yang melibatkan NVIDIA dan Acer. Program ini menempatkan laptop RTX 50 Series langsung di tangan mahasiswa, lengkap dengan akses ke ekosistem aplikasi. Menurut laporan Selular.id, ekosistem RTX AI PC kini mendukung lebih dari 1.000 aplikasi dan game berbasis AI, dari perangkat lunak STEM, pengembangan model AI, pengolahan data, hingga pembuatan konten digital.
Liputan Gizmologi mencatat detail yang sama: proyek-proyek ini memperlihatkan penggunaan GPU di luar gaming, mulai dari melatih model AI hingga menjalankan perhitungan untuk riset. Sementara Techlova menyoroti keunggulan pemrosesan AI lokal: responsivitas meningkat dan data tetap berada di perangkat pengguna.
NVIDIA juga membuka jalur naik kelas bagi peneliti serius. Perangkat DGX Spark hadir untuk kebutuhan komputasi peneliti dan pengembang yang lebih intensif, memperluas opsi dari laptop hingga workstation khusus AI. Informasi tambahan soal acara ini bisa dibaca di PCplus.
Program Back to School melengkapi inisiatif ini dengan sangat baik. NVIDIA menggandeng mitra seperti Acer, ASUS, Axioo, Colorful, Gainward, GIGABYTE, HP, INNO3D, Lenovo, MSI, Palit, dan ZOTAC untuk menghadirkan promo perangkat RTX bagi pelajar dan mahasiswa. Langkah ini menurunkan hambatan biaya, faktor yang selama ini menghalangi mahasiswa mengakses perangkat komputasi AI yang mumpuni.
Adrian Lesmono menempatkan momentum ini dalam konteks yang lebih panjang. Perkembangan teknologi bergerak pesat sejak fenomena AlexNet pada 2012 hingga munculnya sistem agentic AI saat ini. Teknologi masa kini tidak sekadar menjawab pertanyaan, tetapi juga mampu menjalankan tugas secara otomatis dan mandiri. Mahasiswa perlu melatih pola pikir untuk mengidentifikasi masalah utama sebelum memilih teknologi yang akan digunakan. Teknologi mengikuti masalah, bukan sebaliknya.
Pelajaran Praktis untuk Kreator dan Desainer
Cerita tiga mahasiswa ini menyimpan pelajaran yang relevan untuk pembaca grafisify.com. Pergeseran dari cloud ke perangkat lokal bukan sekadar tren mahasiswa. Kreator yang merender desain 3D, membersihkan audio dengan NVIDIA Broadcast, atau melakukan fine-tuning model generative AI menghadapi pilihan yang sama: membayar langganan cloud setiap bulan atau berinvestasi sekali di perangkat yang mumpuni.
Ekosistem RTX AI PC memberi contoh konkret tentang apa yang bisa dilakukan perangkat lokal untuk kreator. Fitur seperti pembersihan suara dan latar belakang lewat NVIDIA Broadcast, rendering desain 3D, dan peningkatan grafis game dengan DLSS semuanya berjalan di GPU yang sama yang melatih model AI para mahasiswa UPH. Satu perangkat melayani dua dunia sekaligus: riset dan produksi konten kreatif.
Komputasi lokal menawarkan tiga keuntungan konkret. Pertama, kendali biaya. Tidak ada tagihan berulang yang membengkak saat eksperimen berjalan panjang. Kedua, privasi data. Aset klien dan data riset tidak meninggalkan perangkat. Ketiga, kecepatan iterasi. Tidak ada antrean server dan tidak ada ketergantungan pada koneksi internet.
Tentu cloud tetap punya tempat. Kapasitas komputasi cloud jauh lebih besar untuk beban kerja ekstrem. Kuncinya: kenali kebutuhan, lalu pilih platform yang sesuai. Pembaca yang sedang menimbang perangkat bisa membaca perbandingan NPU, GPU, dan CPU untuk AI lokal serta panduan memilih laptop creator sesuai alur kerja.
Untuk yang tertarik menjalankan model AI di perangkat sendiri, ekosistem open-weight menawarkan pintu masuk yang murah. Perbandingan model LLM open-weight untuk vibe coding bisa menjadi titik awal. Dan bagi mahasiswa yang membaca artikel ini, tujuh aplikasi AI untuk produktivitas kuliah melengkapi perjalanan dari pengguna menuju pembangun.
Kesimpulan dan CTA untuk Kreator
Tiga proyek mahasiswa UPH membuktikan satu hal: membangun solusi AI tidak lagi mensyaratkan akses ke data center. Segmentasi polip medis, komputasi paralel CUDA, dan deteksi hama real time semuanya lahir dari laptop yang bisa dibawa ke kelas atau ke sawah.
Pelajaran ini berlaku lintas bidang. Desainer yang bereksperimen dengan model generative, videografer yang mengolah footage, dan developer yang membangun asisten AI semuanya menghadapi pertanyaan yang sama: masalah apa yang ingin diselesaikan, dan perangkat apa yang paling efisien untuk menyelesaikannya. Jawaban yang tepat menghemat biaya sekaligus mempercepat hasil.
Pesan NVIDIA dan UPH layak dicatat. Pergeseran dari pengguna AI menjadi pembangun AI dimulai dari kemauan mengidentifikasi masalah nyata, lalu memilih teknologi yang tepat untuk menyelesaikannya. Teori dan metodologi tetap menjadi fondasi. Perangkat yang kuat hanya mempercepat perjalanan, bukan menggantikan pemahaman.
Untuk kreator, desainer, dan mahasiswa yang membaca: proyek seperti apa yang bisa dibangun dengan perangkat yang sudah ada di meja kerja? Mulai dari masalah kecil di sekitar, uji dengan model yang tersedia, dan iterasi cepat di perangkat sendiri. Bagikan ide di kolom komentar, dan ikuti terus liputan AI di grafisify.com untuk inspirasi berikutnya.