Transformasi digital mendorong bisnis di Indonesia untuk mengadopsi teknologi kecerdasan buatan (AI), termasuk dalam bidang pengenalan pola atau citra. Namun, seringkali implementasi jaringan saraf (neural networks) untuk tugas-tugas ini dianggap sangat kompleks, mulai dari penentuan arsitektur hingga proses pelatihannya, terutama ketika jumlah objek atau kelas yang harus dikenali sangat banyak. Tantangan ini dapat membatasi penerapan AI untuk pengenalan citra dalam skala besar di berbagai sektor industri.
Sebuah studi akademis dari Geidarov P. Sh. pada tahun 2018 memperkenalkan pendekatan menarik dalam membangun jaringan saraf untuk pengenalan citra. Berbeda dengan metode konvensional yang mengandalkan perhitungan analitis kompleks untuk menentukan bobot (weights) dan ambang batas (thresholds), penelitian ini mengusulkan arsitektur yang dilatih dengan cara yang lebih intuitif: mengenali citra secara berpasangan. Pendekatan ini menawarkan potensi kesederhanaan dan fleksibilitas yang signifikan, menjadikannya relevan untuk dipertimbangkan dalam pengembangan solusi AI yang adaptif dan mudah diperluas di Indonesia.
Tantangan dalam Pengenalan Pola AI Tradisional
Jaringan saraf konvensional, terutama yang digunakan untuk pengenalan citra, seringkali menghadapi beberapa hambatan. Pertama, menentukan arsitektur yang optimal – berapa banyak lapisan (layers), berapa banyak neuron di setiap lapisan, dan bagaimana mereka terhubung – bisa menjadi proses yang rumit dan tidak pasti. Ini seringkali membutuhkan eksperimen ekstensif atau pemahaman mendalam tentang struktur data.
Kedua, proses pelatihan (training) jaringan saraf menjadi semakin sulit seiring bertambahnya jumlah kelas atau objek yang harus dikenali. Semakin banyak variasi data yang dipelajari, semakin besar tantangannya untuk mencapai akurasi yang tinggi dan menghindari kebingungan antar kelas. Keterbatasan ini sering membatasi jumlah maksimal kelas yang dapat ditangani oleh satu model jaringan saraf secara efektif.
Ketiga, memperluas jaringan saraf yang sudah terlatih dengan menambahkan kelas atau objek baru memerlukan proses pelatihan ulang yang signifikan. Ini bisa berarti melatih ulang seluruh jaringan dari awal atau setidaknya sebagian besar parameternya, yang memakan waktu dan sumber daya. Kebutuhan untuk adaptasi yang cepat terhadap data baru menjadi krusial dalam lingkungan bisnis yang dinamis.
Pendekatan Inovatif: Pengenalan Citra Berbasis Pasangan
Studi yang dibahas menawarkan solusi dengan arsitektur jaringan saraf yang lebih transparan. Inti dari pendekatan ini adalah memecah tugas pengenalan multi-kelas menjadi serangkaian tugas perbandingan biner. Alih-alih melatih satu jaringan untuk membedakan antara semua kelas sekaligus, jaringan ini terdiri dari unit-unit kecil, disebut blok NN i,j dalam studi tersebut, yang masing-masing hanya dilatih untuk membedakan antara dua citra atau kelas tertentu (citra ‘i’ dan citra ‘j’).
Setiap blok perbandingan ini menghasilkan output biner (0 atau 1) yang menunjukkan citra masukan lebih dekat ke citra ‘i’ atau ‘j’. Lapisan berikutnya dalam jaringan kemudian mengumpulkan hasil dari semua perbandingan berpasangan ini. Jika sebuah citra masukan dibandingkan dengan semua citra sampel yang diketahui, dan hasil perbandingannya secara konsisten menunjukkan kedekatan dengan satu citra sampel tertentu di sebagian besar perbandingan, maka jaringan akan mengidentifikasi citra masukan tersebut sebagai milik kelas yang sama dengan citra sampel tersebut.
Keunggulan utama di sini adalah pergeseran dari perhitungan bobot secara analitis (berdasarkan formula matematis kompleks) ke pelatihan berbasis data. Setiap blok NN i,j dapat dilatih secara independen menggunakan algoritma pelatihan klasik hanya dengan menggunakan data dari dua kelas yang relevan. Ini sangat menyederhanakan proses pembelajaran dan membuat arsitektur menjadi lebih mudah dipahami dan dikelola.
Keunggulan Arsitektur Jaringan Saraf Ini
Pendekatan pengenalan citra berbasis pasangan ini menawarkan beberapa keunggulan signifikan, terutama dalam konteks aplikasi industri:
- Kesederhanaan dan Transparansi: Arsitekturnya modular dan setiap bagian (blok perbandingan) memiliki tugas yang jelas. Ini membuatnya lebih mudah untuk didesain, diimplementasikan, dan di-debug dibandingkan jaringan saraf yang sangat kompleks dengan banyak lapisan tersembunyi.
- Pelatihan yang Lebih Mudah dan Andal: Karena setiap blok dilatih hanya untuk membedakan dua kelas, proses pelatihannya menjadi lebih fokus dan cenderung lebih cepat serta andal, terutama untuk set data yang besar.
- Skalabilitas untuk Jumlah Citra yang Besar: Jaringan dapat menangani jumlah citra atau kelas yang sangat banyak. Meskipun jumlah blok perbandingan meningkat seiring jumlah kelas, pelatihan per blok tetap sederhana.
- Penambahan Kelas Baru yang Konsisten: Ini adalah salah satu keunggulan paling menarik. Ketika ada kelas baru yang perlu dikenali (misalnya, jenis produk cacat baru, wajah karyawan baru, jenis kendaraan baru), jaringan tidak perlu dilatih ulang sepenuhnya. Cukup tambahkan blok perbandingan baru yang membandingkan citra kelas baru tersebut dengan semua kelas yang sudah ada. Bobot dan ambang batas dari blok-blok sebelumnya tidak berubah, menjaga konsistensi dan efisiensi.
Meskipun jumlah blok perbandingan bisa menjadi besar untuk jumlah kelas yang sangat banyak, studi ini juga membahas potensi optimasi untuk mengurangi jumlah blok yang diperlukan, memastikan efisiensi tetap terjaga.
Aplikasi Praktis dalam Industri Indonesia
Pendekatan jaringan saraf berbasis pasangan ini memiliki potensi besar untuk berbagai aplikasi AI di industri Indonesia, terutama di mana kebutuhan untuk mengenali banyak variasi objek atau memperbarui sistem dengan data baru sering terjadi.
Dalam sektor manufaktur, misalnya, untuk deteksi cacat produk, sistem dapat dilatih untuk membedakan antara berbagai jenis cacat (goresan vs retakan vs perubahan warna) secara berpasangan. Jika muncul jenis cacat baru, cukup tambahkan unit perbandingan baru untuk melatih sistem mengenalinya tanpa mengganggu kemampuan deteksi cacat yang sudah ada.
Untuk analitik video AI dalam pengawasan keamanan atau manajemen akses, pendekatan ini bisa digunakan untuk pengenalan wajah atau identifikasi objek spesifik. Menambahkan wajah karyawan baru atau jenis kendaraan yang diizinkan menjadi proses yang jauh lebih mudah dibandingkan melatih ulang model pengenalan wajah yang besar.
Dalam sistem kendaraan dan parkir cerdas, mengenali berbagai model dan merek kendaraan, atau bahkan plat nomor dengan format yang sedikit berbeda, bisa dipermudah dengan melatih unit perbandingan untuk setiap pasangan variasi yang relevan. Kemampuan untuk dengan mudah menambahkan jenis kendaraan baru ke dalam daftar pengenalan sangat berharga untuk sistem yang terus berkembang.
Bagaimana ARSA Technology Dapat Membantu?
Sebagai perusahaan teknologi yang berpengalaman sejak 2018 dalam mengembangkan solusi AI dan IoT di Indonesia, ARSA Technology memahami pentingnya teknologi yang tidak hanya canggih tetapi juga praktis, adaptif, dan mudah dikelola untuk bisnis. Pusat Riset dan Pengembangan (R&D) internal kami di Yogyakarta terus mengeksplorasi berbagai arsitektur dan algoritma AI terbaru, termasuk pendekatan inovatif seperti pengenalan citra berbasis pasangan ini.
Kami mengintegrasikan temuan-temuan riset mutakhir ke dalam solusi nyata kami, seperti analitik video AI real-time, sistem kendaraan & parkir cerdas, dan otomasi industri & monitoring. Pendekatan berbasis pasangan ini dapat menjadi dasar atau komponen pelengkap dalam solusi kami untuk meningkatkan skalabilitas dan kemudahan pembaruan sistem pengenalan di lingkungan industri yang kompleks.
Kami berkomitmen untuk menyediakan solusi teknologi lokal yang dapat disesuaikan dengan kebutuhan spesifik bisnis Anda di Indonesia, mulai dari Surabaya, Jakarta, hingga seluruh pelosok negeri.
Kesimpulan
Pendekatan pengenalan citra berbasis pasangan yang diusulkan dalam studi ini menawarkan alternatif yang menjanjikan terhadap metode jaringan saraf konvensional yang seringkali kompleks. Dengan menyederhanakan pelatihan menjadi perbandingan biner dan memungkinkan penambahan kelas baru secara konsisten tanpa pelatihan ulang total, arsitektur ini membuka jalan bagi penerapan AI pengenalan citra yang lebih mudah diskalakan dan dikelola dalam berbagai aplikasi industri. Bagi bisnis di Indonesia, ini berarti kemampuan untuk mengimplementasikan sistem pengenalan yang lebih fleksibel, andal, dan siap beradaptasi dengan kebutuhan yang terus berkembang.
Konsultasikan kebutuhan AI Anda dengan tim ARSA Technology. Kami siap membantu Anda menemukan solusi pengenalan citra dan pola yang paling efektif dan inovatif untuk bisnis Anda. Hubungi kami untuk diskusi lebih lanjut atau jadwalkan demo gratis.
