Pembelajaran mandiri (self-supervised learning) dalam penginderaan jauh melatih model pada citra satelit atau udara yang tidak berlabel dengan membuat tugas-tugas pendahuluan (pretext tasks), sementara klasifikasi terawasi (supervised classification) bergantung pada data berlabel manusia untuk mengajari model cara mengkategorikan piksel atau adegan. Kedua pendekatan ini menangani pemetaan tutupan lahan dan deteksi objek, tetapi keduanya sangat berbeda dalam hal kebutuhan data, skalabilitas, dan akurasi di dunia nyata.
Sebuah paradigma pelatihan di mana model mempelajari representasi dari data pengamatan Bumi yang tidak berlabel dengan menyelesaikan tugas-tugas pendahuluan sebelum melakukan penyempurnaan pada aplikasi hilir.
Pendekatan pembelajaran mesin tradisional di mana model dilatih pada data penginderaan jauh yang diberi label secara manual untuk menetapkan kategori pada piksel, objek, atau pemandangan.
| Fitur | Pembelajaran Mandiri (Self-Supervised Learning) dalam Penginderaan Jauh (Remote Sensing) | Klasifikasi Terawasi |
|---|---|---|
| Data Berlabel Diperlukan | Pelatihan awal sangat minim atau bahkan tidak ada sama sekali. | Kumpulan data yang ekstensif dan dianotasi oleh para ahli. |
| Skalabilitas Lintas Wilayah | Tinggi, transfer antar wilayah geografis | Terbatas, seringkali spesifik wilayah. |
| Biaya Anotasi | Rendah, menggunakan arsip gambar mentah | Tinggi, pelabelan manual itu mahal. |
| Akurasi Hilir | Bersaing dengan label terbatas | Tertinggi ketika label berlimpah |
| Pelatihan Komputasi | Pelatihan intensif awal, penyempurnaan ringan. | Sedang, skalanya bergantung pada ukuran dataset. |
| Menangani Kelas Langka | Lebih baik, mempelajari representasi yang lebih luas | Lebih lemah, membutuhkan sampel yang seimbang |
| Interpretasi | Tugas-tugas tingkat rendah dan yang dibuat-buat bersifat abstrak. | Lebih lanjut, aturan pengambilan keputusan dapat diperiksa. |
| Kematangan dalam Produksi | Sedang berkembang, sebagian besar dalam tahap penelitian. | Matang, diterapkan secara luas dalam operasional. |
Klasifikasi terawasi bergantung pada kumpulan data yang diberi label dengan cermat di mana setiap contoh pelatihan membawa label kebenaran dasar. Pembuatan label ini untuk citra beresolusi tinggi seringkali membutuhkan keahlian GIS dan dapat menghabiskan biaya mulai dari beberapa sen hingga beberapa dolar per poligon. Pembelajaran mandiri (self-supervised learning) membalikkan persamaan ini dengan memanfaatkan petabyte citra tak berlabel yang tersedia secara gratis yang dikumpulkan oleh satelit seperti Sentinel-2, memungkinkan model untuk mempelajari fitur-fitur yang berguna tanpa anotasi manusia selama fase pra-pelatihan awal.
Model yang dilatih murni dengan supervisi cenderung mengalami overfitting terhadap karakteristik spektral dan spasial dari adegan pelatihannya, yang berarti pengklasifikasi yang dilatih pada lahan pertanian Eropa mungkin akan mengalami kesulitan ketika diterapkan pada hutan tropis. Sebaliknya, representasi yang diawasi sendiri (self-supervised) menangkap pola visual yang lebih luas dari beragam citra, sehingga menghasilkan transfer yang jauh lebih baik ketika disempurnakan pada kumpulan data berlabel kecil dari wilayah atau sensor baru. Hal ini membuat pendekatan yang diawasi sendiri sangat menarik untuk upaya pemetaan skala global.
Pada tolok ukur standar seperti EuroSAT, BigEarthNet, dan Kontes Penggabungan Data IEEE GRSS, model yang diawasi masih memiliki sedikit keunggulan jika diberikan cukup data pelatihan berlabel. Namun, studi dari tahun 2022 dan seterusnya secara konsisten menunjukkan bahwa pra-pelatihan mandiri yang diikuti oleh probing linier atau fine-tuning hanya pada beberapa ratus label dapat menyamai atau bahkan melampaui model dasar yang sepenuhnya diawasi. Kesenjangan semakin menyempit ketika labelnya bising, tidak seimbang, atau terbatas pada kelas yang jarang.
Pra-pelatihan mandiri (self-supervised pre-training) membutuhkan biaya komputasi yang tinggi, seringkali memerlukan beberapa GPU yang berjalan selama berhari-hari pada jutaan potongan gambar. Namun, setelah dilatih sebelumnya, model dapat digunakan kembali di banyak tugas hilir dengan pelatihan tambahan minimal. Pipeline yang diawasi (supervised pipeline) melewati langkah pra-pelatihan yang berat tetapi harus dilatih ulang dari awal setiap kali sensor, geografi, atau skema kelas berubah, yang akan menumpuk seiring waktu bagi organisasi yang mengelola banyak produk pemetaan.
Klasifikasi terawasi tetap menjadi andalan penginderaan jauh operasional karena perilakunya dipahami dengan baik, protokol validasinya terstandarisasi, dan kerangka peraturan seringkali mensyaratkan data pelatihan yang dapat dilacak. Metode swa-supervisi masih dalam tahap pematangan, dan para praktisi terkadang ragu untuk menerapkannya dalam aplikasi berisiko tinggi seperti penanggulangan bencana atau pemantauan deforestasi tanpa pengujian kinerja yang ekstensif. Meskipun demikian, alur kerja hibrida yang menggabungkan pra-pelatihan swa-supervisi dengan penyempurnaan terawasi dengan cepat mendapatkan daya tarik baik dalam penelitian maupun industri.
Pembelajaran mandiri (self-supervised learning) menghilangkan kebutuhan akan data berlabel sepenuhnya.
Pra-pelatihan mandiri (self-supervised pre-training) menghilangkan label dari tahap awal, tetapi tugas-tugas selanjutnya masih memerlukan data berlabel untuk penyempurnaan (fine-tuning) atau evaluasi. Penghematan tersebut berasal dari kebutuhan label yang jauh lebih sedikit, bukan nol label.
Klasifikasi terawasi sudah usang karena adanya metode swa-pengawasan.
Klasifikasi terawasi tetap menjadi pendekatan dominan dalam sistem operasional dan seringkali mencapai akurasi tertinggi ketika label berlimpah. Pembelajaran mandiri (self-supervised learning) melengkapi, bukan menggantikan, pendekatan tersebut.
Model yang diawasi sendiri selalu mengungguli model yang diawasi pada tolok ukur penginderaan jauh.
Performa bergantung pada dataset, jumlah data berlabel yang tersedia, dan tugas hilir. Dengan kumpulan data berlabel yang besar, model supervised masih dapat menyamai atau mengungguli model self-supervised.
Semakin banyak data yang tidak berlabel selalu meningkatkan model pembelajaran mandiri (self-supervised models).
Kualitas dan keragaman lebih penting daripada volume mentah. Model yang diawasi sendiri dapat mencapai titik jenuh atau bahkan menurun kualitasnya ketika diberi citra yang berlebihan atau berkualitas rendah tanpa cukup variasi musim, sensor, atau geografi.
Klasifikasi terawasi tidak dapat melakukan generalisasi di luar wilayah pelatihannya.
Dengan desain yang cermat, adaptasi domain, dan sampel pelatihan yang beragam, pengklasifikasi terawasi dapat melakukan generalisasi di berbagai wilayah. Keterbatasannya memang nyata tetapi tidak mutlak, dan teknik pembelajaran transfer membantu menutup kesenjangan tersebut.
Pilih klasifikasi terawasi (supervised classification) ketika Anda memiliki data berlabel yang melimpah dan berkualitas tinggi serta membutuhkan model yang matang dan mudah diinterpretasikan untuk wilayah atau sensor yang terdefinisi dengan baik. Pilih pembelajaran mandiri (self-supervised learning) ketika label langka, mahal, atau terbatas secara geografis, dan Anda menginginkan model dasar yang fleksibel yang dapat beradaptasi dengan banyak tugas hilir dengan upaya anotasi minimal.
Adaptasi bahasa dalam AI berfokus pada pengajaran model untuk menangani bahasa tertentu melalui penyempurnaan dan pembelajaran transfer, sementara sistem AI yang tidak bergantung pada bahasa bertujuan untuk memproses bahasa apa pun tanpa pelatihan khusus bahasa. Kedua pendekatan tersebut mengatasi tantangan multibahasa tetapi berbeda secara mendasar dalam arsitektur, data pelatihan, dan penerapan di dunia nyata.
Perbandingan ini menganalisis pilihan strategis dalam pembelajaran mesin antara Adaptasi Domain, yang mentransfer pengetahuan dari lingkungan sumber berlabel ke lingkungan target yang berbeda, dan Pelatihan Dalam Domain, yang membangun model sepenuhnya berdasarkan data yang dikumpulkan dari pengaturan penerapan target yang tepat.
Agen AI berorientasi tugas dibangun untuk menyelesaikan alur kerja spesifik secara mandiri, sementara model bahasa tujuan umum berfungsi sebagai generator teks serbaguna yang merespons berbagai macam perintah. Memilih di antara keduanya bergantung pada apakah Anda membutuhkan eksekusi tugas yang andal atau kecerdasan percakapan yang fleksibel.
Agen AI otonom beroperasi secara independen dengan merencanakan, menalar, dan mengeksekusi tugas multi-langkah dengan masukan manusia minimal, sementara sistem AI berbasis perintah merespons instruksi pengguna individual satu interaksi pada satu waktu. Perbedaan utamanya terletak pada kemampuan bertindak: agen mengejar tujuan lintas sesi, sedangkan sistem berbasis perintah menunggu arahan.
Agen AI personal adalah sistem baru yang bertindak atas nama pengguna, membuat keputusan dan menyelesaikan tugas multi-langkah secara otonom, sementara alat SaaS tradisional bergantung pada alur kerja yang digerakkan pengguna dan antarmuka yang telah ditentukan sebelumnya. Perbedaan utamanya terletak pada otonomi, kemampuan beradaptasi, dan seberapa besar beban kognitif yang dialihkan dari pengguna ke perangkat lunak itu sendiri.
