Mengapa Data Cacat Jahitan Sulit Didapat?
Dalam dunia industri tekstil, terutama dalam produksi massal pakaian, kualitas jahitan menjadi salah satu faktor utama yang menentukan nilai jual produk. Namun, ironisnya, citra-citra cacat jahitan sangat jarang tersedia untuk keperluan pelatihan model deteksi berbasis pembelajaran mesin. Banyak perusahaan enggan berbagi data karena alasan privasi atau kekhawatiran reputasi. Selain itu, karena insiden cacat bersifat tidak terprediksi dan jarang, pengumpulan datanya pun menjadi mahal dan tidak praktis.
Hal ini menjadi hambatan besar dalam implementasi solusi deep learning secara luas, karena performa jaringan saraf tiruan sangat bergantung pada banyaknya data pelatihan. Di sinilah peran penelitian Noor ul-Huda dkk. menjadi krusial: mereka menawarkan solusi dengan pendekatan Deep Convolutional Generative Adversarial Network (DCGAN) untuk menghasilkan data cacat jahitan secara otomatis.
Apa Itu DCGAN dan Mengapa Penting?
DCGAN adalah salah satu varian dari Generative Adversarial Networks (GAN), sebuah pendekatan dua arah antara generator dan discriminator. Singkatnya:
- Generator berupaya membuat citra palsu yang tampak seperti nyata.
- Discriminator bertugas membedakan antara gambar asli dan palsu.
Dengan proses pelatihan yang berulang, keduanya saling mengasah kemampuan hingga generator mampu menciptakan citra yang begitu mirip dengan kenyataan sehingga sulit dibedakan, bahkan oleh mata manusia.
Keunggulan DCGAN dibandingkan model lain seperti pix2pix atau autoencoder terletak pada kemampuannya menghasilkan citra baru dari nol—bukan hanya memodifikasi citra yang ada.
Dataset: Realistis, Sintetik, dan Diperluas
Peneliti mengembangkan dataset yang mencerminkan empat jenis cacat jahitan umum:
- Unbalanced stitches: 1.100 gambar
- Open seams: 1.000 gambar
- Seam puckering: 1.000 gambar
- Broken stitches: 900 gambar
Citra-citra ini dibuat menggunakan berbagai teknik manual, lalu diperbesar jumlahnya melalui data augmentation seperti rotasi, pencerminan, dan skala ulang. Dari total 4.000 gambar awal, menjadi sekitar 6.000 gambar setelah augmentasi—sebuah langkah penting untuk menghindari overfitting selama pelatihan jaringan.
Arsitektur DCGAN: Desain Sederhana, Hasil Luar Biasa
Model dibangun dari dua jaringan:
1. Generator
- Input berupa vektor noise berdimensi 100.
- Menggunakan layer konvolusi dan upsampling bertingkat.
- Batch normalization dan fungsi aktivasi ReLU diterapkan untuk mempercepat dan menstabilkan pelatihan.
- Output berupa gambar berukuran 96x96 piksel dalam format RGB.
2. Discriminator
- Dibangun dengan konvolusi bertingkat dan LeakyReLU.
- Dropout digunakan untuk mencegah overfitting.
- Outputnya adalah probabilitas antara 0 (gambar palsu) hingga 1 (gambar nyata).
Evaluasi Kualitas: Antara Mesin dan Manusia
Evaluasi Kualitatif
Sepuluh pakar industri tekstil diminta mengevaluasi citra cacat yang dihasilkan. Hasilnya cukup mencengangkan:
- Delapan dari sepuluh tidak bisa membedakan mana citra nyata dan mana yang buatan DCGAN.
- Nilai persepsi keaslian rata-rata berada pada kisaran 85%.
Ini menunjukkan bahwa citra sintetis DCGAN cukup realistis untuk mengelabui mata manusia sekalipun yang berpengalaman.
Evaluasi Kuantitatif
Pengukuran dilakukan menggunakan metrik FreĢchet Inception Distance (FID), yang menilai kesamaan distribusi fitur antara gambar nyata dan gambar sintetis. Hasilnya:
- Unbalanced Stitch: FID = 61.43
- Seam Puckering: FID = 65.74
- Broken Stitch: FID = 75.55
- Open Seam: FID = 69.54
Semakin kecil nilai FID, semakin tinggi kualitas citra buatan. Hasil ini menunjukkan kualitas sintesis yang baik, meski broken stitch dinilai sebagai tipe cacat paling kompleks untuk dihasilkan.
Perbandingan dengan Pix2Pix GAN
Pix2Pix GAN dikenal dengan kemampuan image-to-image translation, tapi memiliki kelemahan besar: hanya mampu menghasilkan citra baru dari citra pasangan (defect-free dan defective) yang telah ditentukan. Artinya, variasinya terbatas dan tidak bisa menciptakan cacat baru di luar konteks yang telah dikenalnya.
DCGAN unggul karena bisa menghasilkan variasi cacat yang benar-benar baru dari vektor noise acak, tanpa tergantung input gambar sebelumnya. Dengan kata lain, ia jauh lebih fleksibel dan berpotensi menciptakan database cacat yang sangat luas.
Implementasi: Praktis dan Terjangkau
Model dilatih menggunakan GPU NVIDIA Tesla T4 dengan TensorFlow di Google Colab. Parameter pelatihan antara lain:
- Learning rate: 0.00001
- Batch size: 32
- Epoch: 40 hingga 1000
- Image scale: [-1, 1]
- Loss function: Binary Cross-Entropy
Setiap iterasi pelatihan menghasilkan 28 gambar baru, dan model disimpan setiap 40 epoch—strategi ini memungkinkan pelatihan jangka panjang tanpa kehilangan progres.
Implikasi Industri: Efisiensi, Biaya Rendah, dan Reputasi Terjaga
Dengan kemampuan menghasilkan citra cacat jahitan realistis, DCGAN membuka jalan bagi:
- Model deteksi cacat berbasis AI yang akurat tanpa perlu dataset mahal.
- Pelatihan algoritma pada dataset seimbang—menghindari bias karena dominasi citra "normal".
- Simulasi cacat untuk uji coba sistem inspeksi visual sebelum diterapkan di lini produksi.
Lebih penting lagi, industri tidak perlu mengorbankan reputasi atau berbagi data sensitif hanya demi membangun model AI. Cukup latih model menggunakan data sintetis, dan validasi akurasinya melalui uji di lapangan.
Kritik & Ruang Pengembangan
Meski menjanjikan, penelitian ini juga memiliki beberapa keterbatasan:
- Resolusi gambar masih relatif kecil (96x96 piksel). Di industri nyata, deteksi mikro-cacat bisa menuntut resolusi lebih tinggi.
- FID tidak selalu akurat dalam menilai kualitas fitur spesifik seperti garis jahitan. Penilaian manusia lebih representatif untuk kasus seperti ini.
- Jenis cacat masih terbatas. Perlu pengembangan untuk mencakup cacat struktur dalam (misalnya cacat pola atau kekusutan benang).
Penutup: Dari Tantangan Menjadi Terobosan
Paper ini menunjukkan bahwa keterbatasan data bukan lagi penghalang utama dalam penerapan AI untuk inspeksi kualitas tekstil. Dengan pendekatan DCGAN, industri bisa menciptakan dataset mereka sendiri—bebas dari risiko reputasi, hemat biaya, dan siap pakai untuk melatih model deteksi cacat otomatis.
Lebih dari sekadar solusi teknis, ini adalah langkah strategis menuju industri tekstil yang lebih cerdas, efisien, dan mandiri secara digital.
Sumber:
Noor ul-Huda, Haseeb Ahmad, Ameen Banjar, Ahmed Omar Alzahrani, Ibrar Ahmad, M. Salman Naeem. (2024). Image synthesis of apparel stitching defects using deep convolutional generative adversarial networks. Heliyon, 10, e26466.