ADAPTIVE BOTTLENECK AUTOENCODER DENGAN MEKANISME GATING UNTUK SEGMENTASI ANOMALI CITRA INDUSTRI

Sistem inspeksi visual otomatis menjadi komponen vital, namun dihadapkan pada tantangan kelangkaan data cacat. Pendekatan unsupervised anomaly detection menggunakan Convolutional Autoencoder sering diandalkan, tetapi model dengan ukuran Bottleneck statis memiliki kelemahan fundamental berupa generalisasi berlebih yang menyebabkan kegagalan dalam mendeteksi cacat. Penelitian ini bertujuan untuk merancang, mengimplementasikan, dan memvalidasi model Adaptive Bottleneck Autoencoder yang dilengkapi mekanisme Gating sebagai solusi deteksi cacat permukaan yang efisien secara komputasi tanpa perlu menyesuaikan dimensi ruang laten secara manual. Metodologi yang digunakan adalah desain eksperimental-kuantitatif pada dataset publik MVTec AD, khususnya kategori Grid dan Zipper, menggunakan arsitektur Autoencoder yang dimodifikasi dengan Sparsity Gating Network beraktivasi Sigmoid tunggal dan dilatih menggunakan fungsi kerugian gabungan dari DSSIM serta L1-Norm (Sparsity Loss). Hasil pengujian menunjukkan model mampu menekan representasi anomali secara dinamis, mencapai performa evaluasi tingkat piksel (Mean AUROC) sebesar 0.8632 untuk dataset Grid dan 0.7457 untuk Zipper, serta berhasil melokalisasi anomali dengan presisi secara kualitatif pada visualisasi error Map. Komputasi penapisan fitur terbukti efisien karena berjalan dalam waktu yang konstan dengan arsitektur ringan dengan hanya 2.939.641 parameter dan ukuran berkas 11,21 MB. Integrasi mekanisme Gating pada Autoencoder berhasil mengatasi generalisasi berlebih secara efektif dan potensial diaplikasikan pada sistem inspeksi berbasis edge computing secara real-time di lini manufaktur.

Kata Kunci: Autoencoder, Adaptive Bottleneck, Mekanisme Gating, Pembelajaran Tanpa Pengawasan, Segmentasi Cacat Permukaan.