AI bukan berarti selalu lebih baik
Salah satu kesalahpahaman paling umum soal software kamera inspeksi adalah anggapan bahwa deep learning (AI) otomatis mengungguli pendekatan konvensional di semua kondisi. Kenyataannya, keduanya adalah alat yang dirancang untuk masalah yang berbeda. Memilih yang salah bukan cuma soal boros anggaran — bisa berarti sistem yang justru lebih rewel dan kurang andal dibanding kalau memakai pendekatan yang lebih sederhana.
Apa itu Software Vision Konvensional (Rule-Based)?
Pendekatan rule-based bekerja dengan aturan yang ditentukan secara eksplisit oleh engineer — threshold warna, pencocokan pola geometris (pattern matching), deteksi tepi (edge detection), atau analisis blob untuk menghitung dan mengukur bentuk. Sistem mengikuti instruksi yang jelas: kalau kondisi ini terpenuhi, hasilnya pass; kalau tidak, fail.
- Kelebihan: Cepat diproses, hasilnya deterministik dan mudah dijelaskan — Anda tahu persis kenapa suatu unit dinyatakan gagal, karena aturannya eksplisit. Tidak perlu data pelatihan sama sekali, sehingga bisa langsung dipakai begitu parameter diatur. Bisa berjalan di hardware yang jauh lebih ringan dibanding deep learning.
- Kekurangan: Sangat bergantung pada kondisi yang konsisten — pencahayaan, posisi objek, dan latar belakang yang berubah-ubah bisa membuat aturan yang sudah dikalibrasi jadi tidak akurat. Untuk cacat yang bentuknya bervariasi dan sulit dirumuskan sebagai aturan matematis — misalnya goresan yang bentuknya selalu berbeda, atau kontaminasi organik — rule-based sering kesulitan menangkapnya secara konsisten.
Apa itu Software Vision AI (Deep Learning)?
Pendekatan deep learning tidak diberi aturan eksplisit, melainkan dilatih dengan contoh gambar — baik yang baik (OK) maupun yang cacat (NG) — sampai model belajar mengenali pola visual yang membedakan keduanya, tanpa harus dirumuskan manusia sebagai aturan matematis.
- Kelebihan: Jauh lebih andal untuk cacat yang bentuknya bervariasi dan sulit didefinisikan dengan aturan kaku — goresan, penyok, kontaminasi, atau ketidaksesuaian warna yang tidak beraturan. Setelah dilatih dengan data yang representatif, umumnya lebih tahan terhadap variasi pencahayaan dan posisi dibanding rule-based.
- Kekurangan: Butuh sample data pelatihan yang cukup dan beragam, termasuk contoh cacat — yang sering kali justru paling sulit dikumpulkan. Proses pelatihan makan waktu dan butuh keahlian tersendiri, serta umumnya memerlukan hardware dengan akselerasi GPU untuk model yang berat. Hasilnya juga bergantung penuh pada kualitas data pelatihan — model yang dilatih dengan data tidak representatif akan gagal di lapangan meski algoritmanya sudah benar.
Ringkasan perbandingan
| Aspek | Rule-Based (Konvensional) | Deep Learning (AI) |
|---|---|---|
| Cara kerja | Aturan eksplisit dari engineer | Belajar dari contoh gambar OK/NG |
| Data pelatihan | Tidak diperlukan | Wajib, termasuk contoh cacat |
| Cacat bentuk bervariasi | Sering kesulitan | Lebih andal |
| Kebutuhan hardware | Ringan | Umumnya perlu GPU untuk model berat |
| Kemudahan menjelaskan hasil | Tinggi — aturan eksplisit dan mudah ditelusuri | Lebih rumit ditelusuri, meski tersedia tool visualisasi |
| Kecepatan setup awal | Cepat, tanpa perlu koleksi data | Butuh waktu mengumpulkan & melabeli sample |
Kapan pakai yang mana
- Pilih rule-based kalau kondisi inspeksi konsisten dan cacatnya bisa didefinisikan dengan jelas — misalnya mengukur dimensi, mendeteksi kehadiran komponen, atau membaca kode dengan format tetap. Lebih cepat disiapkan dan lebih murah dijalankan jangka panjang untuk kasus seperti ini.
- Pilih deep learning kalau cacatnya bentuknya bervariasi dan sulit dirumuskan sebagai aturan matematis — goresan, kontaminasi, cacat permukaan organik, atau variasi produk yang tinggi. Investasi waktu mengumpulkan sample di awal akan terbayar dengan akurasi yang jauh lebih baik untuk kasus seperti ini.
- Keduanya juga sering digabung dalam satu sistem — misalnya rule-based untuk mengukur dimensi dan memverifikasi posisi, sementara deep learning menangani deteksi cacat permukaan pada objek yang sama. Software yang kami pasang mendukung kombinasi ini di atas kamera iRayple, Basler, maupun HIKROBOT.
Kirimkan sample produk Anda — termasuk contoh yang cacat kalau ada — dan kami bantu tentukan pendekatan mana yang paling sesuai sebelum Anda memutuskan investasi sistemnya.
Pertanyaan yang sering diajukan
Apakah harus pilih salah satu, rule-based atau deep learning, tidak bisa dua-duanya?
Tidak harus. Keduanya sering digabung dalam satu sistem — misalnya rule-based dipakai untuk mengukur dimensi atau memverifikasi posisi karena aturannya jelas dan hasilnya perlu dijelaskan dengan pasti, sementara deep learning menangani deteksi cacat permukaan yang bentuknya bervariasi pada objek yang sama.
Berapa banyak sample gambar yang dibutuhkan untuk melatih model deep learning?
Yang menentukan bukan jumlahnya, melainkan keragamannya. Model perlu melihat contoh dari setiap variasi yang mungkin muncul di lini produksi — termasuk cacat yang samar, kondisi pencahayaan berbeda, dan variasi antar batch. Seratus sample yang beragam jauh lebih berguna daripada seribu sample yang seragam.
Apakah software rule-based sudah ketinggalan zaman dibanding AI?
Tidak. Untuk kasus yang kondisinya konsisten dan aturannya jelas — pengukuran dimensi, verifikasi posisi, pembacaan kode dengan format tetap — rule-based tetap lebih cepat, lebih murah dijalankan, dan hasilnya lebih mudah dijelaskan dibanding deep learning. AI unggul justru pada kasus yang sulit dirumuskan sebagai aturan, bukan menggantikan rule-based di semua kondisi.
Apakah software AI Ornova hanya bisa dijalankan di PC, atau bisa juga di smart camera?
Tergantung beban pemrosesan model dan resolusi gambar. Untuk model deep learning yang ringan pada aplikasi sederhana, smart camera dengan pemrosesan di dalam kamera bisa mencukupi. Untuk model yang lebih berat atau lini berkecepatan tinggi, PC dengan akselerasi GPU tetap diperlukan.