Computer Vision untuk Bisnis: Contoh Penggunaan dan Batasnya

Computer vision adalah cabang AI yang membuat komputer bisa "melihat" isi foto atau video: mengenali benda, menghitungnya, dan menandai letaknya. Teknologi ini makin mudah dijangkau, karena banyak bisnis sudah punya kamera CCTV atau ponsel yang cukup bagus. Tetapi di antara demo yang mulus dan sistem yang bisa diandalkan setiap hari, ada jarak yang cukup jauh. Artikel ini membahas penggunaan yang realistis, data yang dibutuhkan, dan batasan yang perlu Anda ketahui sebelum memulai.

Apa saja yang bisa dilakukan computer vision

Ada beberapa jenis tugas yang paling umum. Klasifikasi menjawab pertanyaan "gambar ini termasuk kategori apa", misalnya produk layak atau cacat. Deteksi objek menandai setiap benda dengan kotak dan label, misalnya tiga mobil dan satu truk dalam satu foto. Dari deteksi, sistem bisa menghitung jumlah benda atau melacak pergerakannya dari waktu ke waktu.

Yang perlu diingat, model hanya mengenali kategori yang sudah diajarkan kepadanya. Model untuk mobil dan truk tidak otomatis mengenali sepeda motor, dan model untuk satu jenis kemasan belum tentu mengenali kemasan yang baru diganti desainnya. Setiap kategori baru berarti data baru dan pelatihan ulang.

Contoh penggunaan yang realistis

• Menghitung kendaraan yang masuk ke area parkir, drive-thru, atau gerbang gudang, untuk mengetahui jam ramai.
• Memeriksa rak toko, misalnya mendeteksi bagian rak yang kosong atau produk yang dipajang di tempat yang salah.
• Inspeksi produk di lini produksi atau pengemasan, untuk menandai barang yang retak, penyok, atau labelnya miring.
• Menghitung barang di foto, misalnya jumlah karung atau kardus dalam satu tumpukan, sebagai pembanding catatan stok.

Perhatikan bahwa semua contoh di atas punya ciri yang sama: objeknya jelas, sudut kamera bisa diatur, dan kesalahan sesekali tidak fatal karena masih ada pengecekan manusia. Penggunaan seperti ini paling cocok untuk langkah pertama.

Data yang dibutuhkan

Model computer vision umumnya dilatih ulang dari model yang sudah ada, proses yang disebut fine-tuning. Untuk itu Anda butuh foto dari kondisi nyata bisnis Anda, bukan foto contoh dari internet.

1. Kumpulkan foto atau potongan video dari kamera yang nantinya benar-benar dipakai, dengan sudut dan jarak yang sama.
2. Pastikan variasinya cukup: pagi, siang, malam, cuaca berbeda, kondisi ramai dan sepi.
3. Beri label pada setiap objek, yaitu kotak di sekeliling benda beserta kategorinya. Pekerjaan ini makan waktu dan perlu konsisten.
4. Usahakan setiap kategori punya contoh yang cukup banyak. Kategori yang jarang muncul akan sulit dikenali model.
5. Sisihkan sebagian foto untuk validasi, yaitu menguji model dengan gambar yang tidak dipakai saat latihan.

Contoh nyata: prototype deteksi kendaraan

Sebagai proyek latihan, kami melatih ulang model YOLO11n untuk mengenali tiga jenis kendaraan pada foto lalu lintas: bus, mobil, dan truk. Model dilatih selama 50 epoch di CPU, lalu dipakai memprediksi gambar baru dengan ambang keyakinan 0,5.

Hasilnya kami sampaikan apa adanya. Skor mAP50 keseluruhan pada data validasi adalah 0,603. Secara sederhana, mAP50 mengukur seberapa tepat model menemukan dan menandai objek, dengan skala 0 sampai 1. Tetapi angka itu hanya dihitung dari 20 gambar validasi, terlalu sedikit untuk dijadikan jaminan. Kelas bus juga sangat lemah, dengan mAP50 hanya 0,098, karena di data validasi hanya ada 6 contoh bus. Pelajarannya jelas: kategori dengan contoh yang sedikit akan dikenali dengan buruk, sebagus apa pun modelnya.

Karena itu, proyek ini kami anggap prototype dan bahan belajar, bukan sistem yang siap dipakai bisnis. Untuk penggunaan nyata, dibutuhkan data yang jauh lebih banyak dan seimbang dari kamera yang sebenarnya.

Batasan yang perlu dipahami

• Kondisi berubah, akurasi turun. Model yang bagus di siang hari bisa kesulitan di malam hari, saat hujan, atau saat kamera bergeser.
• Objek tertutup sulit dikenali. Kendaraan atau barang yang saling menutupi sering terlewat atau terhitung ganda.
• Angka akurasi bergantung pada data uji. Tanyakan selalu diuji dengan berapa gambar dan dari kondisi apa.
• Tetap perlu pengecekan manusia, terutama untuk keputusan yang berdampak pada uang atau orang.
• Privasi. Kamera bisa merekam wajah dan pelat nomor. Simpan seperlunya dan batasi aksesnya.

Untuk urusan rekaman yang memuat orang, pelajari kewajiban Anda menurut UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi dan konsultasikan dengan profesional di bidang hukum.

Langkah berikutnya

1. Pilih satu masalah yang sempit dan jelas, misalnya menghitung kendaraan di satu gerbang.
2. Tentukan seberapa akurat hasilnya perlu, dan apa yang terjadi bila sistem salah.
3. Kumpulkan dan beri label data dari kamera yang sebenarnya.
4. Jalankan uji coba berdampingan dengan cara manual selama beberapa minggu.
5. Lanjutkan hanya bila hasilnya konsisten di berbagai kondisi.