SURABAYA, Lenzanasional – Seorang doktor dari Departemen Teknik Elektro Institut Teknologi Sepuluh Nopember (ITS) Surabaya, Dr. Oddy Virgantara Putra, SKom, MT, berhasil menciptakan kerangka kerja pembelajaran mandiri yang efektif untuk meningkatkan akurasi pengenalan objek tiga dimensi (3D). Inovasi ini menggabungkan teknik denoising dan self-supervised learning, menjadikannya solusi canggih dalam mengatasi ketidakakuratan data.

Dalam penelitiannya, Oddy mengembangkan modul denoising yang mampu menghilangkan 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 ScoreNet dan Guided Filter, yang berfungsi menyaring gangguan serta menyempurnakan detail penting dalam data point cloud 3D,” ujar Oddy, yang juga dosen Departemen Teknik Elektro ITS.

Data yang telah disempurnakan kemudian digunakan untuk melatih pengklasifikasi berbasis GDANet, jaringan perhatian (attention network) yang lebih baik dalam memahami representasi objek 3D melalui pemisahan geometri.

Selanjutnya, arsitektur ini memanfaatkan Dual Operation Convolution (DOConv), sebuah lapisan konvolusi yang dirancang untuk menangkap fitur kompleks tanpa meningkatkan kompleksitas komputasi.

“Teknologi ini memungkinkan sistem untuk mengenali objek dengan lebih akurat,” tambah Oddy.

Selain teknik denoising, Oddy juga mengembangkan kerangka pembelajaran mandiri bernama Adaptive Dynamic Loss Weighting for Cross-Modal Contrastive Point Cloud Learning (AdaCrossNet).

“AdaCrossNet membantu mengurangi kebutuhan anotasi manual dengan menerapkan pembelajaran kontras intra-modal dan lintas-modal yang dinamis,” jelasnya.

Uji coba menunjukkan bahwa sistem yang dikembangkan Oddy mencapai performa luar biasa pada berbagai dataset benchmark:

Modul denoising mendapatkan skor Hausdorff Distance sebesar 0,177, yang menunjukkan tingkat akurasi tinggi dalam menyelaraskan data point cloud.

Pengklasifikasi GDANet mencatatkan akurasi 90,7% pada ModelNet40 dan 96,7% pada Human Pose Dataset, membuktikan keandalan sistem dalam mengenali objek secara presisi.

Penelitian ini memanfaatkan Light Detection and Ranging (LiDAR), teknologi pemindaian jarak jauh berbasis laser yang dapat menangkap data point cloud dengan presisi tinggi. Teknologi ini tidak hanya terbatas pada bidang pengenalan objek, tetapi juga dapat digunakan dalam berbagai aspek, seperti:

Kesehatan: Menganalisis gerakan pasien dalam rehabilitasi atau mendeteksi perubahan postur tubuh.

Sistem Pemantauan: Meningkatkan akurasi dalam pemantauan lingkungan dan keamanan.

Interaksi Manusia & Komputer: Menciptakan antarmuka yang lebih intuitif dan cerdas.

“Penelitian ini berkontribusi terhadap Sustainable Development Goals (SDGs) 3 dan 9, yakni meningkatkan kesehatan masyarakat serta mendorong inovasi dan infrastruktur yang lebih baik,” kata Oddy.

Ia berharap temuannya dapat mendukung pengembangan sistem berbasis sensor yang lebih canggih untuk meningkatkan pengenalan objek dan interaksi manusia dengan teknologi.

“Tujuan akhirnya adalah agar teknologi ini bisa membantu lebih banyak orang,” pungkasnya.(**)