Tangerang Selatan – Humas BRIN. Peneliti dari Kelompok Riset Kontrol dan Pengukuran Presisi di Pusat Riset Fotonik, Organisasi Riset Nano Teknologi dan Material (ORNM), Badan Riset dan Nasional (BRIN), Edi Kurniawan mengembangkan riset “Pemantauan Jarak Fisik Orang Berbasis Sistem Jaringan Saraf Mendalam dengan Optimasi TensorRT”. Riset ini didasari untuk mendeteksi pelanggaran jaga jarak fisik (physical distancing) di kerumunan dengan memanfaatkan konsep mesin pembelajaran (machine learning).
Dalam risetnya tersebut, Edi mengungkapkan pihaknya menggunakan kamera bergerak yang dilengkapi dengan fitur untuk mendeteksi objek orang dan menghitung jumlah orang dalam kerumunan. “Teknologi ini mampu mengukur jarak antar obyek dalam kerumunan, serta memiliki potensi untuk diterapkan dalam monitoring lingkungan, kebencanaan, serta pengawasan lalu lintas,” jelasnya saat webinar ORNAMAT Seri ke-37, Selasa (24/10).
Riset Edi Kurniawan ini mencerminkan langkah besar dalam pemanfaatan kecerdasan buatan untuk solusi praktis dalam situasi dunia nyata. Teknologi ini selain dapat digunakan untuk penanggulangan pandemi, tetapi juga dapat merambah ke sektor-sektor lain seperti perencanaan kota dan manajemen lalu lintas.
Dikatakan Edi, kunci keberhasilan teknologi ini adalah pengembangan stasiun monitoring physical distancing (PD) dan optimalisasi aplikasi kecerdasan buatan (AI). Untuk memberikan gambaran lebih lanjut, ia membagikan skema sistem monitoring PD.
Pertama adalah input video dari kamera yang mampu mendeteksi objek orang, yang melibatkan penggunaan model Deep Neural Network (DNN) atau jaringan saraf dalam. Model DNN yang digunakan yaitu YOLO (you only look once). “Melalui model DNN ini, dapat digunakan sesuai dengan kebutuhan, serta tidak hanya orang, tetapi dapat mendeteksi obyek-obyek berbeda,” ujarnya.
Lebih lanjut, Edi menjabarkan pentingnya dilakukan optimasi program machine learning TensorRT dalam inferensi DNN. Inferensi dalam proses penggunaan DNN yang sudah terlatih untuk membuat prediksi terhadap data baru, memerlukan efisiensi tinggi.
Sebagai ilustrasi, prinsip input deteksi obyek DNN/YOLO yang ada di persimpangan jalan bisa mendeteksi orang, mobil, hingga tanda lalu lintas. “Sehingga YOLO berpotensi besar untuk diaplikasikan pada kendaraan otonom (autonomous vehicle),” kata Edi.
Model DNN yang Edi gunakan dilatih dengan dataset COCO (common object in context). Dataset COCO yang digunakan terdiri dari 80 kelas atau kategori, yang dimulai dari orang, kendaraan, hingga produk sehari-hari seperti sikat gigi. COCO memiliki 330 ribu gambar dan 200 gambar berlabel untuk keperluan deteksi obyek.
Menurutnya, dalam penerapan DNN penting untuk melakukan inferensi. Inferensi merupakan proses komputasi menggunakan DNN yang sudah terlatih untuk membuat prediksi tentang data atau gambar baru.
“DNN yang sudah terlatih berukuran sangat besar, karena memiliki ratusan lapisan neuron buatan dan miliaran bobot yang menghubungkannya. Akibatnya butuh daya komputasi besar ruang penyimpanan dan energi besar pula, yang kemungkinan meningkatkan latensi. “Tantangan bagi kita untuk menjalankan metode AI ini secara cepat,” terangnya.
Pada sistem pemantauan PD berbasis DNN dengan optimalisasi TensorRT dibangun menggunakan mesin AI berdaya rendah. Optimasi secara drastis meningkatkan kinerja mesin. “Ini tidak hanya menghadirkan efisiensi komputasi, tetapi juga memungkinkan penggunaan daya yang lebih hemat dan mengurangi latensi,” ulasnya. (esw, adl/ed:jml)
