Memahami Cara Kerja Image Recognition dalam 3 Tahap!

Tidak ada sejarah pasti yang menandakan awal lahirnya teknologi image recognition. Namun, pada 1956 diadakan seminar di Dartmouth College yang mempertemukan para ilmuwan dari berbagai bidang untuk membahas potensi pengembangan mesin dengan kemampuan berpikir. Intinya, seminar ini adalah cikal bakal lahirnya kecerdasan buatan atau Artificial Intelligence (AI).

Namun, tidak seperti ekspektasi awal, pada saat itu kecerdasan buatan sering tidak memenuhi ekspektasi. Sekitar tahun 60 hingga 70-an para ilmuwan dan juga peneliti berusaha untuk terus mengembangkan AI dengan pendanaan yang minim dan optimisme yang sudah mulai surut, pada akhirnya, saat itu konsep AI hanya dianggap fiksi ilmiah belaka.

Akhirnya pandangan itu semua berubah ketika perangkat keras komputer berkembang pesat, sejak akhir 80an dan seterusnya. Dengan biaya yang lebih terjangkau dan melonjaknya kemampuan pemrosesan komputer, algoritma dasar, dan neural network dapat dikembangkan dan akhirnya memungkinkan AI memenuhi ekspektasi awal.

Di bidang image recognition sendiri, peristiwa penting terjadi pada tahun 2010. Kompetisi ImageNet Large Scale Visual Recognition Challenge (ILSVRC) pertama kali diadakan di mana tim peneliti menggunakan kumpulan data tertentu untuk menguji algoritma klasifikasi citra.

Hingga tahun 2012, pemenang kompetisi biasanya menang dengan error rate berkisar antara 25% – 30%. Ini semua berubah pada tahun 2012 ketika tim peneliti dari University of Toronto, menggunakan Deep Neural Network (DNN), yang disebut AlexNet, hanya mencapai tingkat error 16,4%.

Error Rate terus mengalami penurunan dari tahun ke tahun, dan akhirnya DNN menjadi fondasi dasar untuk AI dalam melakukan image recognition.

Di artikel ini kita akan coba membahas pengertian dari image recognition, cara kerjanya dan mengapa image recognition begitu penting di masa sekarang, serta bagaimana penerapannya di berbagai dunia industri.

Definisi Image Recognition

Image Recognition mengacu pada teknologi yang mengidentifikasi tempat, simbol, orang, objek, bangunan, dan beberapa variabel lain dalam gambar digital. Mungkin sangat mudah bagi manusia untuk mengenal objek yang berbeda, seperti jenis-jenis binatang. Kita dapat dengan mudah mengenali gambar kucing dan membedakannya dari gambar kuda. Tapi hal itu mungkin tidak sesederhana yang bisa dilakukan oleh komputer.

Image Recognition adalah gambar yang terdiri dari elemen gambar, juga dikenal sebagai piksel, masing-masing dengan jumlah representasi numerik yang terbatas dan terpisah untuk intensitas atau tingkat keabuannya. Jadi komputer melihat gambar sebagai nilai numerik dari piksel ini dan untuk mengenali gambar tertentu, komputer harus mengenali pola dan keteraturan dalam data numerik ini.

Satu hal penting yang perlu diingat, image recognition adalah istilah yang berbeda dengan object detection. Object Detection adalah cara komputer mendeteksi suatu objek yang berbeda-beda di dalam suatu frame. Sedangkan image recognition adalah bagaimana komputer mengenali gambar tertentu, kemudian mengklasifikasinya berdasarkan kelas atau label tertentu.

Bagaimana Cara Kerja Image Recognition?

Di tingkat dasar, image recognition pada dasarnya adalah penggambaran sebagai peniruan penglihatan manusia. Kemampuan penglihatan manusia telah berevolusi untuk mengasimilasi, mengkontekstualisasikan, dan bereaksi dengan cepat terhadap apa yang manusia lihat.

Teknologi ini juga dapat mengkategorikan dan mengidentifikasi data dalam gambar dan mengambil tindakan yang sesuai berdasarkan konteks pencarian.

Secara sederhana, terdapat 3 tahap bagaimana image recognition bekerja :

1. Tahap pertama diawali dengan mengenali dan memahami kumpulan data yang sangat besar. Hal ini diperumpamakan seperti seorang bayi yang melihat dunia sekitarnya. Seorang bayi tidak tahu anjing adalah anjing atau pohon adalah pohon, tetapi mereka dengan cepat belajar mengidentifikasi dan mengkategorikan dunia di sekitar mereka. Kumpulan data menyediakan semua informasi yang diperlukan AI di balik pengenalan gambar untuk memahami data yang "dilihatnya" dalam gambar.
2. Tahap kedua adalah memasukkan dataset tadi ke dalam jaringan syaraf tiruan, dan kemudian dilakukan pelatihan. Biasanya jaringan syaraf tiruan yang digunakan adalah Convolutional Neural Network (CNN). CNN adalah jaringan yang menggunakan rangkaian filter untuk mengidentifikasi data yang disimpan dalam gambar. Gambar yang akan dipindai "dibagi" menjadi blok piksel yang kemudian dibandingkan dengan filter yang sesuai di mana kesamaan terdeteksi. Hasilnya ditandai sebagai nilai tinggi dalam matriks keluaran. Begitulah gambaran sederhana tentang bagaimana cara kerja Convolutional Neural Network, namun ini memberikan gambaran tentang bagaimana proses image recognition bekerja.
3. Tahap ketiga atau terakhir. sistem dapat diberi gambar uji yang dibandingkan dengan kumpulan data pelatihan, dan hasil atau prediksi berdasarkan apa yang "dilihat" oleh model merupakan outputnya.

Penerapan Image Recognition di Berbagai Industri

Pertanyaan berikutnya adalah apa gunanya pengenalan gambar. Pencarian gambar Google dan kemampuan memfilter gambar ponsel berdasarkan pencarian teks sederhana, merupakan contoh sehari-hari dari bagaimana teknologi ini bermanfaat bagi kita dalam kehidupan sehari-hari.

Namun bisnislah yang membuka potensi sebenarnya dari pemrosesan gambar. Ada insentif besar bagi bisnis untuk memanfaatkan sumber daya ini. Menurut Statista, pengguna Facebook dan Instagram saja menambahkan lebih dari 300.000 gambar ke kedua media sosial ini setiap menit. Di dunia sekarang ini, di mana data dapat menjadi aset bisnis yang paling berharga, informasi dalam gambar tidak dapat diabaikan. Image Recognition pada umumnya bisa dimanfaatkan di industri berikut:

- Deteksi dan perlindungan terhadap penipuan dan pemalsuan

Pengenalan citra semakin banyak digunakan oleh banyak perusahaan untuk menghindari pemalsuan. Teknologi ini dapat mengidentifikasi penggunaan logo, merek dagang, atau elemen desain lainnya secara ilegal.

Karena Visual AI dapat memproses kumpulan jutaan gambar sekaligus, ini adalah teknologi baru yang canggih dalam melawan pelanggaran hak cipta dan pemalsuan. Jaringan saraf dapat dengan cepat dilatih untuk mempelajari elemen desain apa pun.

Kemampuan untuk belajar dengan cepat ini merupakan perkembangan yang relatif baru. Sebelumnya, ini merupakan proses rumit yang memerlukan banyak sampel gambar, tetapi sekarang beberapa sistem AI visual hanya memerlukan satu contoh.

- Perlindungan Phishing

Phishing adalah masalah yang terus berkembang yang merugikan bisnis miliaran rupiah per tahun. Sistem tradisional sangat bergantung pada blacklists. Namun, ada masalah mendasar dari blacklist ini, sehingga membuat seluruh prosedur rentan terhadap orang-orang yang ingin mengambil keuntungan.

Masalahnya adalah sederhana bahwa blacklist ini harus cepat ditanggapi, karena dalam beberapa jam saja bisa kedaluwarsa, dan kesempatan akan ancaman baru akan semakin terbuka untuk lolos. Teknik keamanan siber saat ini juga mengandalkan pengidentifikasian ancaman terprogram yang disematkan dalam email. Namun, dalam dalam hal ini, profesional cyber security sebagian besar sering kewalahan dalam mengamankan sistem.

Pengenalan Gambar, saat digunakan sebagai bagian dari tumpukan keamanan, tidak bergantung pada metode ini. Melainkan memindai email dan halaman web, mencari petunjuk visual dari elemen berisiko tinggi.

Kesimpulan

Image Recognition adalah salah satu perkembangan teknologi yang banyak dirasakan manfaatnya di era teknologi saat ini. Berbagai macam industri sudah banyak memanfaatkan teknologi ini. Tentunya selain memanfaatkan teknologi ini, Anda juga bisa mempelajarinya dan mengimplementasikannya. Dengan mempelajari machine learning dan data science Anda mampu mengembangkan program image recognition milik Anda sendiri. Yuk, bergabung di Algoritma Data Science School Anda akan belajar dan membuat proyek machine learning Anda sendiri.

YONVI SATRIA