Oddy Virgantara Putra saat menerangkan cara kerja self-supervised system dalam penelitiannya. (Ist)
BANGSAONLINE.com - Oddy Virgantara Putra, lulusan program doktoral Departemen Teknik Elektro Institut Teknologi Sepuluh Nopember (ITS) mengembangkan kerangka kerja pembelajaran mandiri yang efektif untuk mengatasi ketidakakuratan data.
Kerangka kerja ini menggabungkan teknik denoising dan pembelajaran mandiri untuk meningkatkan akurasi pengenalan objek tiga dimensi (3D) secara signifikan.
Oddy menjelaskan bahwa kerangka kerja yang ia kembangkan mampu mengurangi noise dan meningkatkan kualitas data point cloud 3D, sekumpulan titik dalam ruang 3D yang merepresentasikan bentuk permukaan suatu objek atau lingkungan.
“Hal ini dicapai melalui modul denoising atau gangguan yang tidak diinginkan dari data yang terdiri dari ScoreNet dan Guided Filter,” Oddy, Jumat (7/3/2025).
Menurutnya, modul ini bekerja dengan cara mengisolasi informasi yang berharga dan menyempurnakan detail penting dari data point cloud 3D. Kemudian, data yang telah disempurnakan digunakan untuk melatih pengklasifikasi berbasis arsitektur GDANet, sebuah jaringan perhatian yang dirancang untuk memahami representasi objek 3D dengan lebih baik melalui pemisahan geometri.
Selanjutnya, arsitektur ini memanfaatkan operasi dua fungsi atau konvolusi overparameterized (DOConv). Lapisan konvolusi ini dirancang untuk meningkatkan kinerja jaringan saraf konvolusional dengan menambahkan parameter tambahan tanpa meningkatkan kompleksitas komputasi selama inferensi.
“Hal ini digunakan untuk menangkap fitur-fitur kompleks yang penting untuk klasifikasi akurat,” jelasnya.
Ia juga mengembangkan kerangka kerja pembelajaran mandiri bernama Adaptive Dynamic Loss Weighting for Cross-Modal Contrastive Point Cloud Learning (AdaCrossNet). Kerangka ini dimaksudkan untuk meningkatkan pembelajaran representasi.
“AdaCrossNet dirancang untuk mengurangi kebutuhan anotasi manual melalui pembelajaran kontras intra-modal dan lintas-modal yang dinamis,” ujarnya.
Hasil pengujian menunjukkan bahwa kerangka kerja yang dikembangkannya mencapai kinerja yang sangat baik pada berbagai dataset benchmark. Modul denoising mencapai skor Hausdorff Distance atau jarak maksimum antara titik sudut geometri tertentu ke titik sudut terdekat dalam geometri referensi sebesar 0,177. Sedangkan pengklasifikasi mencapai akurasi 90,7 persen pada ModelNet40 dan 96,7 persen pada Human Pose Dataset.
Disebutkan pula, salah satu inovasi utama dari penelitian ini adalah penggunaan pendekatan Self-Supervised Learning (SSL) untuk mengenali fitur-fitur penting dari data point cloud 3D. Data ini ditangkap oleh Light Detection and Ranging (LiDAR), yakni teknologi pemindaian jarak jauh yang menggunakan laser untuk mengukur jarak suatu objek atau permukaan dengan sangat presisi.
Teknologi ini dapat menjangkau banyak hal, mulai dari pengembangan sistem pemantauan kesehatan yang lebih akurat hingga penciptaan antarmuka yang lebih intuitif untuk interaksi manusia dengan komputer. Dalam bidang kesehatan, teknologi ini dapat digunakan untuk menganalisis gerakan pasien.
“Bisa digunakan selama rehabilitasi atau untuk mendeteksi perubahan postur,” pungkas Oddy. (msn)
