Visi komputer

Visi komputer atau penglihatan komputer adalah bidang ilmiah antardisiplin yang membahas bagaimana komputer dapat memperoleh pemahaman tingkat tinggi dari gambar atau video digital. Dari perspektif teknik, bidang ini berupaya mengotomatiskan tugas-tugas yang dapat dilakukan oleh sistem penglihatan manusia.^[1][2][3]

Tugas visi komputer meliputi metode untuk memperoleh, memproses, menganalisis dan memahami gambar digital, dan ekstraksi data dimensi tinggi dari dunia nyata untuk menghasilkan informasi numerik atau simbolis, misalnya, dalam bentuk keputusan.^[4][5][6][7] Pengertian dalam konteks ini berarti transformasi gambar visual (input retina) menjadi deskripsi mengenai dunia sekitar yang dapat berinteraksi dengan proses pemikiran lain dan memperoleh tindakan yang sesuai. Pemahaman gambar ini dapat dilihat sebagai penguraian informasi simbolik dari data gambar menggunakan model yang dibangun dengan bantuan geometri, fisika, statistik, dan teori pembelajaran.^[8]

Sub-domain dari visi komputer meliputi rekonstruksi adegan, deteksi peristiwa, pelacakan video, pengenalan objek, estimasi pose 3D, pembelajaran, pengindeksan, estimasi gerakan, dan pemulihan gambar.^[6]

Definisi

Visi komputer adalah bidang antardisiplin yang membahas bagaimana komputer dapat direkayasa untuk mendapatkan pemahaman tingkat tinggi dari masukan data berupa gambar atau video digital. Dari perspektif teknik, bidang ini berupaya mengotomasikan tugas-tugas yang dapat dilakukan oleh sistem penglihatan manusia.^[1][2][3] "Visi komputer berkaitan dengan ekstraksi otomatis, analisis, dan pemahaman informasi yang berguna dari satu gambar atau urutan gambar. Ini melibatkan pengembangan dasar teoretis dan algoritmik untuk mencapai pemahaman visual otomatis".^[9] Sebagai disiplin ilmu, visi komputer berkaitan dengan teori di balik sistem buatan yang mengekstraksi informasi dari gambar. Data gambar dapat mengambil banyak bentuk, seperti urutan video, pandangan dari beberapa kamera, atau data multidimensi dari pemindai medis.^[10]

Sejarah

Pada akhir 1960-an, visi komputer dimulai di universitas yang merintis kecerdasan buatan. Teknologi ini dimaksudkan untuk meniru sistem penglihatan manusia, sebagai batu loncatan untuk memberkahi robot dengan perilaku cerdas.^[11] Pada tahun 1966, diyakini bahwa ini dapat dicapai melalui proyek musim panas, dengan menempelkan kamera ke komputer dan membuatnya "menggambarkan apa yang dilihatnya".^[12][13]

Apa yang membedakan visi komputer dari bidang pengolahan gambar digital yang lazim pada waktu itu adalah keinginan untuk mengekstraksi struktur tiga dimensi dari gambar dengan tujuan mencapai pemahaman adegan penuh. Studi pada tahun 1970-an membentuk fondasi awal untuk banyak algoritma visi komputer yang ada saat ini, termasuk ekstraksi tepi dari gambar, pelabelan garis, pemodelan non-polihedral dan polihedral, representasi objek sebagai interkoneksi dari struktur yang lebih kecil, aliran optik, dan estimasi gerak.^[11]

Dekade berikutnya ditandai dengan studi berdasarkan analisis matematika yang lebih ketat dan aspek kuantitatif dari visi komputer. Ini termasuk konsep matematika skala-ruang, inferensi bentuk dari berbagai isyarat seperti bayangan, tekstur dan fokus, serta model kontur yang dikenal sebagai snake. Para peneliti juga menyadari bahwa banyak dari konsep-konsep matematika ini dapat diperlakukan dalam kerangka optimisasi yang sama seperti regularisasi dan bidang acak Markov.^[14]

Pada 1990-an, beberapa topik penelitian sebelumnya menjadi lebih aktif daripada yang lain. Penelitian dalam rekonstruksi 3D proyektif menyebabkan pemahaman yang lebih baik mengenai kalibrasi kamera. Dengan munculnya metode optimasi untuk kalibrasi kamera, disadari bahwa banyak ide yang telah dieksplorasi dalam teori penyesuaian bundel dari bidang fotogrametri. Ini mengarah pada metode rekonstruksi 3-D dari beberapa gambar. Kemajuan dibuat dalam masalah korespondensi stereo padat dan teknik stereo multipandang yang lebih maju. Pada saat yang sama, variasi potongan grafik digunakan untuk menyelesaikan segmentasi gambar. Dekade ini juga menandai pertama kalinya teknik pembelajaran statistik digunakan dalam praktik untuk mengenali wajah dalam gambar (lihat Eigenface). Menjelang akhir 1990-an, perubahan signifikan terjadi dengan meningkatnya interaksi antara bidang grafis komputer dengan visi komputer. Ini termasuk rendering berbasis gambar, perubahan gambar, interpolasi tampilan, jahitan gambar panorama dan rendering bidang cahaya awal.^[11]

Perkembangan terkini ditandai dengan kebangkitan metode berbasis fitur, digunakan bersama dengan teknik pembelajaran mesin dan kerangka kerja optimasi yang kompleks.^[15][16]

Arsitektur Modern dan Pembelajaran Dalam

Untuk mengatasi biaya komputasi yang ekstrem dari model pembelajaran dalam (deep learning) terdahulu, visi komputer modern kini sangat bergantung pada arsitektur jaringan saraf konvolusional (CNN) ringan seperti MobileNet, EfficientNet, dan MedSpectralNet. Arsitektur ini memanfaatkan teknik matematika tingkat lanjut seperti konvolusi terpisah berdasarkan kedalaman (depthwise separable convolutions) dan pemrosesan aliran ganda untuk memungkinkan ekstraksi fitur visual yang sangat efisien pada perangkat tertanam dengan sumber daya terbatas.^[17]

Tugas Fundamental

Secara operasional, visi komputer modern dikategorikan secara struktural ke dalam tiga tugas utama: klasifikasi gambar yang memberikan satu label tunggal untuk keseluruhan gambar; deteksi objek yang menggunakan model seperti YOLO untuk mengidentifikasi dan menggambar kotak pembatas (bounding box) spasial di sekitar banyak entitas; dan segmentasi semantik yang memanfaatkan arsitektur seperti U-Net untuk melakukan pelabelan kategoris piksel demi piksel secara sangat terperinci dari suatu pemandangan visual.^[18]

Tabel Tugas Utama Visi Komputer

Tugas Visi	Definisi Output	Fungsionalitas Utama	Contoh Arsitektur
Klasifikasi Gambar	Label kategoris tunggal	Mengategorikan seluruh gambar berdasarkan fitur visual dominan.	AlexNet, ResNet-50, VGG16
Deteksi Objek	Kotak pembatas (bounding box) + label	Mengidentifikasi dan melokalisasi beberapa objek diskrit dalam sebuah pemandangan.	YOLOv8, Faster R-CNN, SSD
Segmentasi Semantik	Masker kelas tingkat piksel	Menetapkan kelas semantik spesifik ke setiap individu piksel.	U-Net, DeepLab, SegNet

Visi Komputer Tepi (Edge Computer Vision)

Visi komputer tepi (edge computer vision) melibatkan penerapan model pembelajaran mesin yang sangat terkompresi dan berbobot ringan langsung ke sensor IoT lokal dan mikrokontroler. Dengan menggunakan teknik seperti kuantisasi INT8 (mengubah bobot presisi tinggi menjadi bilangan bulat 8-bit), metode ini secara drastis mengurangi latensi pemrosesan, menghemat penggunaan lebar pita (bandwidth), dan meningkatkan keamanan privasi karena data visual dianalisis langsung di pinggiran jaringan tanpa perlu dikirim ke peladen awan jarak jauh.^[19]

Penerapan

Manajemen Bencana dan UAV

Algoritma visi komputer yang diintegrasikan ke dalam Kendaraan udara tak berawak (UAV) banyak dimanfaatkan secara ekstensif dalam manajemen bencana global. Sistem ini mempekerjakan kerangka kerja deteksi objek waktu nyata seperti YOLO untuk menganalisis video multispektral dan termal yang ditangkap oleh kamera drone guna mengidentifikasi anomali termal, asap, serta mendeteksi kebakaran hutan sejak tahap paling awal.^[20]

Penginderaan Jauh dan Observasi Bumi

Dalam observasi Bumi, algoritma visi komputer digunakan untuk memproses dan menormalkan pencitraan multispektral dan hiperspektral berskala masif yang ditangkap oleh instrumen satelit orbit, seperti satelit MODIS, VIIRS, dan PACE milik NASA. Kemampuan ini memungkinkan sistem secara otomatis melacak pergerakan aerosol atmosfer secara global, perubahan penggunaan lahan daratan, serta anomali termal lingkungan.^[21]

Pertanian Presisi

Pertanian presisi memanfaatkan visi komputer melalui kamera multispektral yang dipasang di udara untuk memantau tanaman secara non-invasif. Pemrosesan gambar digital digunakan untuk secara otonom menghitung metrik kesehatan tanaman, seperti Normalized Difference Vegetation Index (NDVI), dan mengeksekusi deteksi gulma yang terlokalisasi, yang memandu alat semprot presisi untuk mengurangi penggunaan bahan kimia.^[22]

Penerapan di Indonesia

Penerapan teknologi visi komputer di Indonesia telah dilakukan dalam berbagai aspek. Seperti diantaranya penegakan disiplin lalu lintas melalui teknologi yang dikembangkan oleh Polisi Republik Indonesia,^[23] dan sistem pengukur kecepatan kendaraan berbasis video.^[24]

Di luar sektor perkotaan, visi komputer diterapkan secara ekstensif pada pengendalian mutu hasil pertanian dan pemantauan lingkungan kepulauan. Praktik ini mencakup penerapan sistem mikrokomputer berbiaya rendah dengan model pembelajaran dalam seperti ResNet-50 untuk menilai secara otomatis kualitas fermentasi dan cacat fisik komoditas ekspor, seperti biji kakao Trinitario.^[25]

Tabel Penerapan Sektor Visi Komputer di Indonesia

Sektor	Penerapan Spesifik	Model / Teknik AI	Dampak / Manfaat
Pertanian Ekspor	Klasifikasi cacat biji kakao Trinitario	ResNet-50 pada Raspberry Pi	Mencapai akurasi 94%, menghilangkan galat penilaian manual.
Akuakultur	Identifikasi kelamin udang ceri (Cherry Shrimp)	Deteksi Objek YOLOv9	Optimalisasi hasil produksi peternakan air yang dinamis.
Biologi Laut	Pemetaan padang lamun dan mangrove	Segmentasi Multispektral	Melacak kelestarian ekosistem pesisir dari waktu ke waktu.

Pustaka dan Perangkat Lunak

Sistem visi komputer modern dibangun dengan memanfaatkan pustaka perangkat lunak standar industri, seperti OpenCV untuk tugas pemrosesan gambar tradisional. Selain itu, perancangan model yang kompleks juga mengandalkan kerangka kerja pembelajaran dalam berbasis bahasa Python seperti PyTorch dan TensorFlow, yang menyediakan infrastruktur esensial untuk pelatihan jaringan saraf dengan akselerasi GPU secara masif dan transfer pembelajaran.^[26]

Kerentanan dan Serangan Adversarial

Model visi komputer rentan terhadap ancaman serangan adversarial. Dalam skenario ini, aktor-aktor jahat memasukkan gangguan digital (noise) yang tidak dapat dirasakan secara kasatmata, atau menggunakan gangguan lapisan fisik, seperti penembakan laser optik terhadap sensor kendaraan otonom, dengan niat memaksa jaringan saraf untuk membuat kesalahan klasifikasi dengan tingkat kepercayaan (confidence) yang sangat tinggi.^[27]

Etika dan Privasi

Penggunaan teknologi visi komputer secara masif telah memicu keprihatinan serius mengenai etika pengawasan biometrik global dan bias demografis algoritmik. Riset secara berulang membuktikan bahwa sistem pengenalan wajah yang dilatih menggunakan basis data yang tidak proporsional kerap memanifestasikan tingkat galat klasifikasi yang jauh lebih tinggi ketika memproses gambar individu wanita dan individu dengan warna kulit gelap.^[28]

Lihat pula

• Pencitraan komputasi
• Fotografi komputasi
• Penglihatan mesin
• Pemetaan ruang
• Algoritma Teknomo–Fernandez
• Sistem visual
• Persepsi visual
• Ilmu penglihatan
• Visi egosentris
• Agnosia visual
• DeepDream

Referensi

Bacaan lanjutan

• David Marr (1982). Vision. W. H. Freeman and Company. ISBN 978-0-7167-1284-8.
• Azriel Rosenfeld; Avinash Kak (1982). Digital Picture Processing. Academic Press. ISBN 978-0-12-597301-4.{{cite book}}: Pemeliharaan CS1: Status URL (link)
• Barghout, Lauren; Lawrence W. Lee (2003). Perceptual information processing system. U.S. Patent Application 10/618,543. ISBN 978-0-262-08159-7.
• Berthold K.P. Horn (1986). Robot Vision. MIT Press. ISBN 978-0-262-08159-7.
• Michael C. Fairhurst (1988). Computer Vision for robotic systems. Prentice Hall. ISBN 978-0-13-166919-2.
• Olivier Faugeras (1993). Three-Dimensional Computer Vision, A Geometric Viewpoint. MIT Press. ISBN 978-0-262-06158-2.
• Tony Lindeberg (1994). Scale-Space Theory in Computer Vision. Springer. ISBN 978-0-7923-9418-1.
• James L. Crowley and Henrik I. Christensen (Eds.) (1995). Vision as Process. Springer-Verlag. ISBN 978-3-540-58143-7.
• Gösta H. Granlund; Hans Knutsson (1995). Signal Processing for Computer Vision. Kluwer Academic Publisher. ISBN 978-0-7923-9530-0.
• Reinhard Klette; Karsten Schluens; Andreas Koschan (1998). Computer Vision – Three-Dimensional Data from Images. Springer, Singapore. ISBN 978-981-3083-71-4.
• Emanuele Trucco; Alessandro Verri (1998). Introductory Techniques for 3-D Computer Vision. Prentice Hall. ISBN 978-0-13-261108-4.
• Bernd Jähne (2002). Digital Image Processing. Springer. ISBN 978-3-540-67754-3.
• Richard Hartley and Andrew Zisserman (2003). Multiple View Geometry in Computer Vision. Cambridge University Press. ISBN 978-0-521-54051-3.
• Gérard Medioni; Sing Bing Kang (2004). Emerging Topics in Computer Vision. Prentice Hall. ISBN 978-0-13-101366-7.
• R. Fisher; K Dawson-Howe; A. Fitzgibbon; C. Robertson; E. Trucco (2005). Dictionary of Computer Vision and Image Processing. John Wiley. ISBN 978-0-470-01526-1.
• Nikos Paragios and Yunmei Chen and Olivier Faugeras (2005). Handbook of Mathematical Models in Computer Vision. Springer. ISBN 978-0-387-26371-7.
• Wilhelm Burger; Mark J. Burge (2007). Digital Image Processing: An Algorithmic Approach Using Java. Springer. ISBN 978-1-84628-379-6.
• Pedram Azad; Tilo Gockel; Rüdiger Dillmann (2008). [httpivt.sourceforge.net/book.html Computer Vision – Principles and Practice]. Elektor International Media BV. ISBN 978-0-905705-71-2.{{cite book}}: Periksa nilai |url=
• Richard Szeliski (2010). Computer Vision: Algorithms and Applications. Springer-Verlag. ISBN 978-1848829343.
• J. R. Parker (2011). Algorithms for Image Processing and Computer Vision (2nd ed.). Wiley. ISBN 978-0470643853.
• Richard J. Radke (2013). Computer Vision for Visual Effects. Cambridge University Press. ISBN 978-0-521-76687-6.
• Nixon, Mark; Aguado, Alberto (2019). Feature Extraction and Image Processing for Computer Vision (Edisi 4th). Academic Press. ISBN 978-0128149768.

Pranala luar

• USC Iris computer vision conference list
• Computer vision papers on the web A complete list of papers of the most relevant computer vision conferences.
• Computer Vision Online News, source code, datasets and job offers related to computer vision.
• Keith Price's Annotated Computer Vision Bibliography
• CVonline Bob Fisher's Compendium of Computer Vision.
• British Machine Vision Association Supporting computer vision research within the UK via the BMVC and MIUA conferences, Annals of the BMVA (open-source journal), BMVA Summer School and one-day meetings
• Computer Vision Container, Joe Hoeller GitHub: Widely adopted open-source container for GPU accelerated computer vision applications. Used by researchers, universities, private companies as well as the U.S. Gov't.