Iskandar mengembangkan rancangan tersebut untuk mata kuliah Computer Vision dua kredit pada semester keenam Program Sarjana Robotics and Artificial Intelligence di Universitas Cendekia Abditama. Studi ini merupakan penelitian desain konseptual dan pengembangan, bukan eksperimen terhadap mahasiswa. Karena itu, penelitian tidak menggunakan nilai mahasiswa, wawancara, maupun data pribadi dan tidak mengklaim adanya peningkatan hasil belajar.
Ketika Computer Vision Gagal, Dampaknya Bisa Lebih dari Sekadar Salah Gambar
Dalam robotika, Computer Vision tidak berhenti pada pengolahan gambar. Sistem mengubah informasi visual menjadi perkiraan, kemudian menjadi keputusan dan akhirnya tindakan fisik. Kesalahan kecil dalam segmentasi atau deteksi dapat menyebabkan robot salah bernavigasi, melakukan respons aktuator yang tidak aman, atau gagal menemukan objek yang harus diperiksa.
Masalahnya, tugas kuliah sering kali hanya menilai apakah program berhasil menghasilkan keluaran. Demonstrasi yang bekerja pada satu kondisi belum tentu menunjukkan bahwa sistem kuat menghadapi perubahan pencahayaan, sudut kamera, gerakan, objek yang tertutup, latar belakang berbeda, atau keterbatasan perangkat komputasi.
Iskandar menilai pendekatan seperti itu dapat menyembunyikan persoalan penting, termasuk kode yang disalin atau dihasilkan AI tanpa benar-benar dipahami, perubahan parameter tanpa eksperimen terkontrol, perubahan data yang tidak terdokumentasi, serta ketimpangan kontribusi dalam kerja kelompok.
Karena itu, kegagalan justru diperlakukan sebagai sumber informasi. Kesalahan seperti false positive, false negative, deteksi yang hilang, kontur tidak stabil, hingga masalah kecepatan pemrosesan dapat membantu mahasiswa memahami batas sistem dan mencari penyebabnya.
Delapan Tahap FAIL-SAFE
Rancangan FAIL-SAFE mengubah proyek satu semester menjadi rangkaian keputusan yang dapat diperiksa. Namanya berasal dari delapan tahap yang harus dilalui mahasiswa:
- Frame – menentukan keputusan robot, pengguna, lingkungan, konsekuensi kesalahan, dan batasan sistem.
- Audit – memeriksa asal data, izin penggunaan, cakupan lingkungan, ketidakseimbangan data, dan risiko awal.
- Isolate – membuat kondisi awal atau baseline dan mengubah satu variabel dalam setiap eksperimen.
- Log – mencatat kegagalan, dugaan penyebab, bukti, serta perubahan yang dilakukan.
- Stress-test – menguji sistem dalam kondisi yang lebih sulit, termasuk perubahan pencahayaan, blur, oklusi, sudut, latar belakang, dan beban komputasi.
- Account – memastikan kontribusi dan pemahaman setiap anggota kelompok dapat dibuktikan.
- Formalize – menetapkan ambang batas, keterbatasan, ketidakpastian, serta tindakan fallback ketika sistem tidak yakin.
- Explain – membuat seluruh proyek dapat dijalankan ulang, diperiksa, dikritik, dan digunakan secara bertanggung jawab.
Dalam rancangan semester 16 pertemuan, setiap tahap menghasilkan artefak yang dapat diperiksa. Mahasiswa mulai dari pernyataan masalah dan risiko pada minggu 1–2, audit data serta baseline pada minggu 3–4, eksperimen terkontrol pada minggu 5–7, integrasi sistem pada minggu 9–11, pengujian ketahanan pada minggu 12–13, hingga demonstrasi dan ujian lisan individual pada minggu 15–16.
Penilaian Tidak Lagi Hanya Melihat Robot Berhasil atau Tidak
Salah satu hasil utama rancangan Iskandar adalah 4P Evidence Architecture, yakni empat jenis bukti yang harus saling melengkapi: Performance, Process, Person, dan Protection.
Performance mengukur apa yang dilakukan sistem, termasuk metrik, demonstrasi, latensi, dan frame rate. Process menunjukkan bagaimana hasil diperoleh melalui notebook, audit data, eksperimen, dan catatan kegagalan. Person memastikan mahasiswa benar-benar memahami pekerjaan melalui penelusuran kode, catatan kontribusi, dan ujian lisan. Sementara Protection menilai aspek izin data, keterbatasan sistem, potensi bias, batas operasi, dan perilaku fail-safe.
Komposisi penilaiannya juga dirancang untuk mengurangi masalah “nebeng” dalam proyek kelompok. Kuis konsep dan refleksi menyumbang 10 persen, pekerjaan laboratorium 20 persen, penilaian individual tengah semester 15 persen, proyek robot-vision kelompok 30 persen, ujian lisan individual dan live rerun 20 persen, serta profesionalisme dan kontribusi 5 persen.
Dengan mekanisme tersebut, mahasiswa yang tidak mampu menjelaskan kode, mengulang eksperimen, atau mempertanggungjawabkan parameter tidak otomatis memperoleh nilai penuh hanya karena kelompoknya menghasilkan demonstrasi yang bagus.
AI Generatif Boleh Digunakan, tetapi Harus Dipertanggungjawabkan
Rancangan ini juga merespons penggunaan AI generatif dalam pendidikan. Iskandar tidak menawarkan larangan menyeluruh. Sebaliknya, mahasiswa diminta mengungkapkan penggunaan AI, menjelaskan tujuan penggunaannya, mencatat keluaran yang diadopsi dan dimodifikasi, serta menunjukkan bahwa hasil tersebut telah diverifikasi dan dipahami.
Pendekatan ini menggeser fokus dari pertanyaan “siapa yang menulis setiap baris kode?” menjadi “apakah mahasiswa memahami, menguji, mengkritik, dan bertanggung jawab atas kode tersebut?”. Ujian lisan, penelusuran kode, dan pertanyaan parameter secara acak digunakan untuk menguji pemahaman tersebut secara langsung.
Aspek keselamatan juga ditempatkan sejak awal. Mahasiswa harus menentukan apa yang dilakukan robot ketika tingkat keyakinan sistem rendah, latensi terlalu tinggi, objek menghilang, atau input kamera tidak valid. Responsnya dapat berupa berhenti, memperlambat gerakan, mengambil kembali data visual, meminta verifikasi manusia, atau beralih ke sensor lain.
Bukan Bukti bahwa Mahasiswa Sudah Lebih Pintar
Iskandar menegaskan bahwa FAIL-SAFE saat ini merupakan rancangan konseptual, bukan bukti empiris bahwa metode tersebut telah meningkatkan kemampuan mahasiswa. Penelitian belum mengukur peningkatan nilai, penerimaan mahasiswa, beban kerja, maupun reliabilitas penilaian. Tahap berikutnya yang disarankan adalah penelitian tindakan kelas untuk menguji penerapan rancangan tersebut secara langsung.
Meski demikian, rancangan ini berpotensi diterapkan lebih luas karena tidak bergantung pada perangkat robot mahal. Eksperimen awal dapat menggunakan dataset offline dan kamera berbiaya rendah, sedangkan pengujian performa dapat dilakukan dengan laptop yang tersedia. Simulasi atau respons robot berenergi rendah juga dapat digunakan untuk menguji aspek keselamatan.
Menurut Iskandar, nilai utama pendekatan ini adalah membentuk kebiasaan rekayasa yang lebih bertanggung jawab: setiap hasil harus dapat dijelaskan, dijalankan ulang, dibatasi oleh kondisi penggunaan, dan dikaitkan dengan tindakan yang aman. Kerangka tersebut juga berpotensi diadaptasi untuk mata kuliah machine learning, sistem tertanam, kendali, data science, dan robotika.
Profil Penulis
Catatan: Artikel sumber tidak mencantumkan gelar akademik Didik Iskandar maupun daftar bidang keahlian formal penulis. Karena itu, informasi tersebut tidak ditambahkan agar profil tetap faktual.
0 Komentar