Apa itu Computer Vision?

Computer Vision (Visi Komputer) adalah cabang AI yang membantu mesin “melihat” dan memahami isi gambar maupun video — membedakan objek, menghitung jumlah, membaca teks, mendeteksi gerakan, hingga membuat gambar baru.

Apa yang bisa dilakukan Computer Vision

Klasik (sudah luas dipakai produksi)

• Pengenalan wajah (Face ID, kamera CCTV)
• OCR (membaca KTP, struk, plat nomor)
• Object detection (mobil otonom mendeteksi pejalan kaki)
• Image classification (Google Photos memberi tag otomatis)
• Pose estimation (game, aplikasi fitness)
• Medical imaging (membaca X-ray, MRI)

Baru (2023-26)

• Image generation (Midjourney, Stable Diffusion)
• Video generation (Sora, Veo)
• Visual Question Answering (mengirim gambar + pertanyaan ke GPT-4o/Claude)
• 3D reconstruction dari gambar 2D
• Visual agents (Computer Use mengontrol GUI)

Arsitektur model populer

Tipe	Untuk	Contoh
CNN (Convolutional)	Klasifikasi, detection klasik	ResNet, EfficientNet, YOLO
Vision Transformer (ViT)	SOTA modern untuk segala task	ViT, Swin
Diffusion	Pembuatan gambar	Stable Diffusion, FLUX
CLIP	Jembatan text-image	OpenAI CLIP
SAM	Segmentasi gambar	Meta SAM 2

Aplikasi nyata di Indonesia

Bisnis

• eKYC (verifikasi nasabah): foto KTP + selfie → bank/dompet digital memverifikasi dalam beberapa detik
• Kamera AI untuk keamanan: mendeteksi penyusup, menghitung pengunjung
• Logistik: membaca plat nomor kendaraan keluar/masuk gudang, menghitung barang
• Kesehatan: AI membantu diagnosa X-ray paru, mata

Personal

• Google Photos / iCloud Photos memberi label otomatis
• Filter Snapchat / Instagram
• Aplikasi messaging mengenali teman di foto

Membedakan Computer Vision dengan Image Generation

• Computer Vision (klasik): MEMAHAMI gambar yang sudah ada
• Image Generation: MEMBUAT gambar baru
• Multimodal LLM: keduanya — memahami sekaligus membuat, dan menggabungkan dengan teks

→ Pada 2026, garis batas semakin kabur. GPT-4o bisa “melihat” sekaligus “menggambar”.

Tools / Frameworks populer

Production

• OpenCV — pustaka klasik, mendukung semua bahasa pemrograman
• YOLO v10/v11 — object detection cepat, mudah deploy
• Mediapipe (Google) — face, pose, hands realtime
• Roboflow — platform end-to-end untuk tim CV

Berbasis LLM

• GPT-4o, Claude 4.7, Gemini 2.5 — panggil API kirim gambar, tanya secara natural
• Llama 4 Vision — open source

Kapan pakai LLM vs CV klasik?

Situasi	Sebaiknya pakai
Realtime, edge device	YOLO / Mediapipe (cepat, jalan offline)
Task standar (face, OCR)	Library khusus (FaceNet, Tesseract)
Task kompleks dan ambigu	LLM multimodal
Production yang harus deterministic	CV klasik
Prototipe cepat	LLM

Terkait

• Deep Learning
• Multimodal
• Diffusion Model