Dataset & Anotasi untuk QC Inspection AI: Berapa Foto yang Dibutuhkan?

Yang Gagal Biasanya Datanya, Bukan Algoritmanya

Saat proyek QC inspection berbasis AI meleset, tim biasanya langsung mencurigai modelnya. Padahal penyebabnya lebih sering sederhana: foto pelatihannya terlalu sedikit, terlalu seragam, atau dilabeli dengan aturan yang berbeda antar orang.

Kabar baiknya, dataset justru bagian yang paling Anda kuasai. Produk, lini, dan pengetahuan soal cacat sudah ada di tim QC — tinggal dipindahkan ke gambar secara tertib.

Berapa Gambar yang Realistis untuk Mulai

Angka itu titik awal, bukan target akhir. Bila contoh NG sulit dikumpulkan — kasus paling umum di lini yang sudah matang — deteksi anomali yang hanya dilatih dari produk bagus memotong hambatan itu sejak hari pertama.

Variasi Lebih Berharga daripada Jumlah

Seribu foto dari satu shift, satu batch, dan satu posisi kamera nilainya lebih rendah daripada tiga ratus foto yang mewakili kondisi nyata. Yang wajib ikut terekam: shift berbeda termasuk malam hari, batch bahan baku berbeda, variasi posisi produk di konveyor, kondisi kotor wajar seperti debu dan bekas jari, serta kasus batas yang membuat inspektor senior pun ragu.

Satu hal justru harus dijaga tetap sama: pencahayaan. Variasi cahaya bukan kekayaan data, melainkan kebisingan yang membuat model belajar hal keliru — alasannya diuraikan di panduan pencahayaan camera vision.

Aturan Label Disepakati Sebelum Melabeli

Kesalahan termahal terjadi sebelum satu kotak pun digambar: tim melabeli tanpa definisi bersama. Gores 2 mm dianggap NG oleh satu orang dan OK oleh yang lain, lalu model belajar dari kontradiksi. Sepakati tiga hal, tulis dalam satu halaman berisi contoh gambar:

1. Ambang cacat — ukuran atau keparahan minimum yang dihitung NG.
2. Cakupan kotak — seluruh area cacat atau titik pusatnya saja.
3. Kasus ragu — masuk kelas terpisah, bukan dipaksakan ke OK atau NG.

Ujinya sederhana: minta dua orang melabeli 50 gambar yang sama secara terpisah. Bila hasilnya berbeda lebih dari sepuluh persen, definisinya yang perlu diperbaiki, bukan orangnya.

Kesalahan yang Diam-Diam Menurunkan Akurasi

• Cacat terlewat tanpa label mengajarkan model bahwa cacat itu normal — lebih merusak daripada label salah.
• Menduplikasi gambar NG demi menyeimbangkan kelas hanya membuat model menghafal beberapa contoh.
• Gambar sama di data latih dan data uji membuat skor evaluasi tampak indah tetapi palsu.

Pisahkan data uji sejak awal dan jangan pernah dipakai melatih; hanya dengan begitu metrik false reject dan escape bisa dipercaya.

Dataset Hidup, Bukan Pekerjaan Sekali Jadi

Setelah go-live, produk berubah, supplier berganti, dan cacat jenis baru muncul — inilah yang membuat akurasi perlahan menurun, seperti diuraikan di drift model AI visual. Ritme perawatan yang praktis: simpan semua gambar NG, ambil sampel kecil produk OK tiap hari, dan tinjau kasus berskor dekat ambang setengah jam per minggu. Dataset pun tumbuh sendiri dari lini, dan pelatihan ulangnya bisa dikerjakan tim QC karena prosesnya tidak menuntut coding.

Checklist Sebelum Melatih

1. Gambar diambil dengan kamera dan lensa yang sama seperti di produksi — lihat panduan memilih kamera dan lensa.
2. Pencahayaan terkunci dan cahaya luar tertutup.
3. Tiap kelas cacat punya contoh dari minimal tiga batch berbeda.
4. Aturan label tertulis dan sudah diuji silang antar dua pelabel.
5. Data uji terpisah, tersimpan beserta waktu, shift, dan nomor batch.

Ingin mulai membangun dataset QC inspection dari lini Anda sendiri? Lihat paket & edisi Nirmana VisionAI.