CAMBRIDGE, Massachusetts – Lebih dari 3.500 spesies hewan berisiko punah akibat perubahan habitat, eksploitasi sumber daya alam berlebihan, dan perubahan iklim menurut studi terbaru Oregon State University1. Peneliti MIT mengembangkan algoritma computer vision (visi komputer) untuk memantau populasi satwa liar secara lebih efisien. Justin Kay, mahasiswa PhD di MIT Computer Science and Artificial Intelligence Laboratory (CSAIL), tengah mengerjakan proyek pelacakan salmon di Pasifik Barat Laut yang menyediakan nutrisi penting bagi predator seperti burung dan beruang2.
Tantangan utama? Terlalu banyak data satwa liar untuk diproses. Terlalu banyak model AI untuk dipilih1. Kay dan kolega di CSAIL serta University of Massachusetts Amherst menciptakan metode AI bernama CODA (Consensus-Driven Active Model Selection atau Seleksi Model Aktif Berbasis Konsensus) yang membantu konservasionis memilih model AI terbaik. Riset ini dinobatkan sebagai Highlight Paper di International Conference on Computer Vision (ICCV) Oktober lalu1.
Mengapa CODA Efektif untuk Konservasi
Repository HuggingFace Models saja menyimpan 1,9 juta model pre-trained (terlatih sebelumnya)1. Biasanya analisis data AI memerlukan pengumpulan dataset representatif, anotasi manual, dan pelatihan berulang. Kini jutaan model publik tersedia untuk tugas prediktif tanpa perlu melatih model sendiri. Masalahnya: model mana yang tepat?
"Menjawab pertanyaan seleksi model ini biasanya memerlukan waktu lama untuk mengumpulkan dan menganotasi dataset besar," jelas Kay1. CODA mengubah proses anotasi data menjadi "aktif" – bukan meminta pengguna menganotasi dataset tes besar sekaligus, sistem ini memandu mereka menganotasi poin data paling informatif. Hasilnya luar biasa: sering kali hanya butuh 25 contoh untuk mengidentifikasi model terbaik dari kandidat yang ada1.
| Aspek 📊 | Metode Tradisional | Metode CODA |
|---|---|---|
| Jumlah Anotasi Diperlukan | Dataset besar lengkap | Hanya 25 contoh 🎯 |
| Proses Anotasi | Bulk annotation sekaligus | Interaktif dan terpandu ⚡ |
| Fokus Pengembangan | Pelatihan model | Pipeline evaluasi robust 🔍 |
| Efisiensi Waktu | Berminggu-minggu | Sangat cepat 🚀 |
| Keahlian Teknis | Coding AI tingkat lanjut | Minimal, user-friendly 👥 |
| Aplikasi Lapangan | Terbatas | Fleksibel untuk data tidak seimbang 🌐 |
| Akurasi Seleksi | Memerlukan validasi ekstensif | Probabilistik dengan konsensus model 📈 |
Aplikasi Nyata: Klasifikasi Satwa Liar
Wisdom of the Crowd dalam AI
Satu insight kunci: konsensus prediksi dari koleksi model AI kandidat lebih informatif dibanding prediksi individual1. Ini semacam "wisdom of the crowd" (kebijaksanaan kerumunan) – rata-rata pooling vote semua model memberikan prior yang layak tentang label yang seharusnya untuk poin data individual. CODA mengestimasi "confusion matrix" (matriks kebingungan) untuk setiap model AI: bila label benar untuk data adalah kelas X, berapa probabilitas model memprediksi kelas X, Y, atau Z?
Bayangkan Anda ekolog satwa liar baru mengumpulkan dataset berisi ratusan ribu gambar dari kamera di alam liar1. Anda ingin tahu spesies apa dalam gambar tersebut – tugas memakan waktu yang bisa diotomasi classifier visi komputer. Bila Anda sudah melabeli 50 gambar harimau dan suatu model berkinerja baik pada 50 gambar itu, kemungkinan besar akan berkinerja baik pada sisa gambar harimau yang belum dilabeli juga.
Peluang Pengembangan Masa Depan
Banyak kemungkinan menarik untuk membangun di atas riset ini1. Mungkin ada cara lebih baik mengonstruksi prior informatif untuk seleksi model berdasar expertise domain – misalnya bila sudah diketahui satu model berkinerja luar biasa pada subset kelas tertentu atau buruk pada kelas lain. Ada juga peluang mengekstend framework untuk mendukung tugas machine learning lebih kompleks dan model probabilistik performa lebih sophisticated.
Proyek Konservasi Lain di Beerylab MIT
Lab yang dipimpin Sara Beery ini menggabungkan kapabilitas pattern-recognition algoritma machine learning dengan teknologi visi komputer untuk monitor satwa liar1. Proyek sedang berjalan mencakup monitoring terumbu karang dengan drone, re-identifikasi gajah individual sepanjang waktu, dan fusi data observasi Bumi multi-modal dari satelit serta kamera in-situ1. Lab ini melihat teknologi emerging untuk monitoring biodiversitas, mencoba memahami bottleneck analisis data, dan mengembangkan pendekatan visi komputer serta machine learning baru yang mengatasi masalah tersebut dengan cara aplikabel luas.
Algoritma visi komputer Kay yang menghitung salmon bermigrasi dalam video sonar bawah air adalah contoh kerja itu1. Mereka sering menghadapi distribusi data yang bergeser bahkan saat mencoba mengonstruksi dataset pelatihan paling beragam. Selalu menemukan sesuatu yang baru saat deploy kamera baru – ini cenderung menurunkan performa algoritma visi komputer. Ini contoh masalah umum dalam machine learning disebut domain adaptation (adaptasi domain), namun saat mencoba menerapkan algoritma domain adaptation existing ke data perikanan mereka menyadari ada keterbatasan serius dalam cara algoritma existing dilatih dan dievaluasi3.
Kay sangat excited tentang memahami cara lebih baik mengembangkan dan menganalisis performa algoritma ML prediktif dalam konteks untuk apa mereka benar-benar digunakan1. Biasanya output dari algoritma visi komputer – katakanlah bounding boxes (kotak pembatas) sekeliling hewan dalam gambar – bukan hal yang benar-benar dipedulikan orang, melainkan alat untuk menjawab masalah lebih besar: spesies apa hidup di sini dan bagaimana itu berubah seiring waktu?
Kesimpulan
Dunia alami berubah pada laju dan skala belum pernah terjadi sebelumnya1. Kemampuan bergerak cepat dari hipotesis ilmiah atau pertanyaan manajemen ke jawaban berbasis data lebih penting dari sebelumnya untuk melindungi ekosistem dan komunitas yang bergantung padanya. Kemajuan AI dapat memainkan peran penting, namun kita perlu berpikir kritis tentang cara mendesain, melatih, dan mengevaluasi algoritma dalam konteks tantangan sangat nyata ini. Penelitian didukung sebagian oleh National Science Foundation, Natural Sciences and Engineering Research Council of Canada, dan Abdul Latif Jameel Water and Food Systems Lab (J-WAFS)1.
Daftar Pustaka
- Shipps, Alex. (2025). 3 Questions: How AI is helping us monitor and support vulnerable ecosystems. MIT News. Diakses dari https://news.mit.edu/2025/3q-how-ai-is-helping-monitor-support-vulnerable-ecosystems-1103
- Mirage News. (2025). AI Monitors, Supports Vulnerable Ecosystems. Diakses dari https://www.miragenews.com/ai-monitors-supports-vulnerable-ecosystems-1563153/
- Kay, Justin et al. (2025). Domain Adaptation Framework for Fish Counting. Transactions on Machine Learning Research. Dipublikasikan melalui MIT CSAIL.
