AI Visual: Klasifikasi, Deteksi Objek, atau Anomali? Memilih Jenis Model yang Tepat

Satu Masalah, Beberapa Cara Melihatnya

Saat memulai proyek AI visual, pertanyaan pertama biasanya "berapa akurasinya?". Padahal ada pertanyaan yang lebih dulu harus dijawab: jenis model apa yang dipakai. Masalah inspeksi yang sama — misalnya tutup botol miring — bisa diselesaikan dengan klasifikasi OK/NG, deteksi objek, pengecekan posisi, atau deteksi anomali. Pilihan ini menentukan berapa foto yang harus dikumpulkan, bagaimana cara melabelinya, dan informasi apa yang keluar dari sistem.

Artikel ini membahas empat jenis tugas AI visual yang paling sering dipakai di QC manufaktur, kapan masing-masing cocok, dan kesalahan umum saat memilih.

Empat Jenis Tugas AI Visual

Klasifikasi: Paling Cepat Dimulai

Klasifikasi melihat satu gambar utuh dan memberi satu jawaban. Labelingnya paling ringan — cukup memasukkan foto ke folder OK atau NG — sehingga cocok untuk tim yang baru mencoba, seperti dijelaskan di membuat model AI vision tanpa coding.

Cocok jika cacat besar dan jelas relatif terhadap ukuran foto: warna produk salah, kemasan penyok parah, varian tertukar. Kelemahannya, model tidak memberi tahu di mana cacatnya, dan cacat kecil di foto besar mudah "tenggelam". Jika cacat hanya beberapa piksel, crop foto ke area yang diperiksa atau pertimbangkan deteksi objek.

Deteksi Objek: Saat Lokasi dan Jumlah Penting

Deteksi objek menggambar kotak di sekitar setiap objek atau cacat. Labelingnya lebih berat karena setiap cacat harus dikotaki, tetapi hasilnya jauh lebih informatif:

• Lokasi cacat bisa disimpan sebagai foto beranotasi untuk operator dan analisis.
• Jumlah per kelas bisa dihitung — misalnya 12 baut harus ada, seperti di penghitungan objek dengan camera vision.
• Aturan bisa dibuat per jenis cacat: gores kecil boleh, retak tidak boleh.

Ini pilihan paling umum untuk inspeksi cacat produksi. Kebutuhan foto dan cara anotasinya ada di panduan dataset & anotasi.

Pengecekan Posisi: Untuk Rakitan dan Kelengkapan

Banyak kasus QC sebenarnya bukan soal cacat permukaan, melainkan apakah komponen ada dan terpasang di tempatnya: konektor, klip, label, sekrup. Pendekatan ini membandingkan posisi komponen terhadap acuan dari produk OK. Cocok untuk lini perakitan dengan posisi produk yang konsisten, seperti pengecekan kelengkapan pada AI visual otomotif. Kuncinya adalah fixture atau jig yang membuat produk selalu berada di posisi yang sama.

Deteksi Anomali: Ketika Contoh Cacat Langka

Di lini yang sudah matang, produk cacat bisa sangat jarang sehingga sulit mengumpulkan ratusan contoh NG. Deteksi anomali belajar hanya dari foto OK, lalu menandai apa pun yang menyimpang. Cocok untuk permukaan seragam dan cacat yang bentuknya tidak bisa ditebak. Pembahasan lengkapnya ada di deteksi anomali tanpa contoh cacat.

Catatannya: model anomali tidak tahu jenis cacat, dan variasi normal yang belum pernah dilihat (lot bahan baru, pencahayaan bergeser) bisa ikut dianggap anomali. Ambang skornya perlu dikalibrasi dengan data nyata.

Kesalahan Umum Saat Memilih

1. Memilih klasifikasi untuk cacat kecil. Akurasi di data uji terlihat bagus, tetapi cacat kecil di produksi lolos.
2. Langsung deteksi objek padahal contoh NG belum ada. Mulai dengan anomali untuk mengumpulkan kandidat cacat, lalu latih deteksi objek setelah datanya cukup.
3. Satu model untuk semua pertanyaan. Sering kali kombinasi lebih tepat: deteksi objek untuk kelengkapan, anomali untuk permukaan, lalu hasilnya digabung di rule engine ke PLC/MES.
4. Menilai dari satu angka saja. Bandingkan false reject dan escape dengan kerangka di metrik akurasi QC inspection AI, bukan hanya "akurasi 98%".

Jika aturan inspeksinya sangat sederhana dan produk sangat konsisten, bisa jadi Anda tidak butuh model AI sama sekali — lihat AI visual vs machine vision rule-based.

Cara Cepat Memutuskan

• Cacat besar, jelas, satu jenis → klasifikasi.
• Butuh lokasi, jumlah, atau aturan per jenis cacat → deteksi objek.
• Fokus pada kelengkapan rakitan dengan posisi tetap → pengecekan posisi.
• Contoh cacat langka atau tidak terduga → deteksi anomali.

Uji dua pendekatan sekaligus di fase pilot — polanya ada di roadmap pilot 30 hari — lalu pilih berdasarkan data, bukan asumsi.

Nirmana VisionAI menyediakan mode Classification, Object Detection, Position-Fit Check, dan Anomaly dalam satu aplikasi on-premise, lengkap dengan template siap pakai dan training langsung dari GUI. Lihat paket & edisi Nirmana VisionAI untuk mulai mencoba di lini Anda.