Artificial Intelligence (AI) telah menunjukkan kemampuan luar biasa dalam menganalisis data visual, mulai dari foto sehari-hari hingga citra yang digunakan dalam bidang profesional. Namun, di balik kemampuannya mengenali pola, AI menghadapi satu tantangan mendasar: tidak semua bagian citra sama pentingnya. Tanpa kemampuan untuk membedakan mana informasi yang relevan dan mana yang tidak, sistem AI berisiko menghasilkan analisis yang kurang optimal.

Dalam kehidupan sehari-hari, manusia secara alami mampu memusatkan perhatian pada bagian penting dari apa yang dilihat. Saat membaca, mata tidak menangkap seluruh halaman secara detail, melainkan fokus pada kata atau kalimat tertentu. Prinsip serupa juga dibutuhkan oleh AI. Agar dapat menganalisis citra dengan lebih baik, AI perlu mekanisme yang membantunya belajar fokus. Inilah yang melatarbelakangi pengembangan attention mechanism dalam sistem AI modern.

Salah satu bentuk attention mechanism yang banyak dikembangkan dalam analisis citra adalah Convolutional Block Attention Module (CBAM). Secara sederhana, CBAM merupakan modul tambahan yang membantu model AI memberikan perhatian lebih pada informasi yang penting, baik dari sisi fitur maupun lokasi dalam citra. Dengan adanya CBAM, AI tidak lagi memperlakukan seluruh bagian citra secara setara, tetapi mampu menimbang bagian mana yang paling berkontribusi terhadap pengambilan keputusan.

 

Gambar 1. Ilustrasi prinsip kerja Convolutional Block Attention Module (CBAM) yang membantu Artificial Intelligence menentukan apa dan di mana informasi penting pada citra.

 

Pendekatan ini menjadi penting karena citra sering kali mengandung informasi yang kompleks dan saling tumpang tindih. Tanpa mekanisme perhatian, AI cenderung melihat citra secara “rata”, sehingga detail penting dapat tertutup oleh informasi yang kurang relevan. CBAM membantu mengatasi masalah ini dengan menyaring dan menekankan bagian citra yang paling bermakna, sehingga proses analisis menjadi lebih terarah dan efisien.

Keunggulan CBAM tidak terletak pada kompleksitasnya, melainkan pada cara kerjanya yang cerdas dan ringan. Modul ini tidak dirancang untuk menggantikan arsitektur AI yang sudah ada, tetapi untuk melengkapinya. Dengan menambahkan CBAM, model AI dapat meningkatkan kualitas fokusnya tanpa harus menjadi jauh lebih besar atau rumit. Hal ini menunjukkan bahwa peningkatan kemampuan AI tidak selalu bergantung pada ukuran model, tetapi juga pada strategi pengelolaan informasi yang lebih baik.

Pendekatan berbasis perhatian seperti CBAM mencerminkan arah perkembangan AI saat ini, yaitu menuju sistem yang tidak hanya kuat secara komputasi, tetapi juga lebih selektif dan terstruktur dalam memproses informasi. Dengan kemampuan untuk “memperhatikan” detail yang relevan, AI dapat menghasilkan analisis yang lebih konsisten dan dapat dipercaya, terutama dalam aplikasi yang menuntut ketelitian tinggi.

Sebagai penutup, kemampuan Artificial Intelligence untuk belajar fokus merupakan langkah penting dalam evolusi sistem analisis citra. Convolutional Block Attention Module (CBAM) menjadi contoh bagaimana mekanisme perhatian dapat meningkatkan kualitas pemahaman AI terhadap data visual. Melalui riset yang terus berkembang, pendekatan seperti CBAM membuka peluang bagi AI untuk menjadi sistem yang tidak hanya cerdas, tetapi juga lebih bijak dalam mengambil keputusan.

 

Sumber

Prasetyo, S. Y. (in press). CBAM-enhanced classification head for VGG16-based pneumonia detection. International Conference on Informatics and Computational Sciences (ICICoS 2025).

Penulis : Ir. Simeon Yuda Prasetyo, S.Kom., M.Kom., IPP, CSCU.