Surabaya (beritajatim.com) – Lulusan program doktoral Departemen Teknik Elektro Institut Teknologi Sepuluh Nopember (ITS), Dr. Oddy Virgantara Putra, berhasil mengembangkan sebuah kerangka kerja pembelajaran mandiri yang efektif untuk mengatasi masalah ketidakakuratan data.
Kerangka kerja ini menggabungkan teknik denoising dan pembelajaran mandiri untuk meningkatkan akurasi pengenalan objek tiga dimensi (3D).
Oddy menjelaskan, kerangka kerja yang dikembangkannya dapat mengurangi noise serta meningkatkan kualitas data point cloud 3D, yaitu 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,” ujar Oddy, Jumat (7/3/2025).
Menurut Oddy, modul ini bekerja dengan cara mengisolasi informasi penting dan menyempurnakan detail dari data point cloud 3D. Data yang telah disempurnakan kemudian digunakan untuk melatih pengklasifikasi berbasis arsitektur GDANet, sebuah jaringan perhatian yang dirancang untuk memahami representasi objek 3D dengan lebih baik melalui pemisahan geometri.
Arsitektur ini juga memanfaatkan operasi dua fungsi atau konvolusi overparameterized (DOConv), yang bertujuan meningkatkan kinerja jaringan saraf konvolusional dengan menambahkan parameter tambahan tanpa meningkatkan kompleksitas komputasi saat inferensi.
“Hal ini digunakan untuk menangkap fitur-fitur kompleks yang penting untuk klasifikasi akurat,” tambah Oddy yang juga merupakan dosen di Departemen Teknik Elektro ITS itu.
Selain itu, Oddy mengembangkan kerangka kerja pembelajaran mandiri bernama Adaptive Dynamic Loss Weighting for Cross-Modal Contrastive Point Cloud Learning (AdaCrossNet). Kerangka ini bertujuan 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 dikembangkan Oddy memperoleh kinerja yang sangat baik pada berbagai dataset benchmark. Modul denoising mencapai skor Hausdorff Distance sebesar 0,177, sementara pengklasifikasi mencapai akurasi 90,7 persen pada ModelNet40 dan 96,7 persen pada Human Pose Dataset.
Salah satu inovasi utama dari penelitian ini adalah penggunaan pendekatan Self-Supervised Learning (SSL) untuk mengenali fitur-fitur penting dari data point cloud 3D yang ditangkap oleh teknologi Light Detection and Ranging (LiDAR). Teknologi LiDAR ini menggunakan laser untuk mengukur jarak objek atau permukaan dengan presisi tinggi, yang dapat dimanfaatkan dalam berbagai bidang, termasuk pengembangan sistem pemantauan kesehatan yang lebih akurat.
“Bisa digunakan selama rehabilitasi atau untuk mendeteksi perubahan postur,” kata Oddy mengenai aplikasi teknologi ini dalam bidang kesehatan.
Penelitian ini diharapkan dapat mendukung pencapaian Sustainable Development Goals (SDGs) 3 dan 9, yaitu kehidupan sehat dan kesejahteraan, serta pembangunan infrastruktur, inovasi, dan industri. Oddy berharap temuannya dapat berkontribusi dalam penggabungan sensor untuk meningkatkan pengenalan objek dan manusia, serta memberi manfaat bagi lebih banyak orang. [ipl/ted]
