Menghitung Kerumunan dari Drone Tanpa Anotasi: Protokol Adaptif untuk Acara Skala Besar
Negara tuan rumah sedang bersiap untuk menyelenggarakan turnamen sepak bola dunia pada tahun 2034, dan sejak sekarang sudah mengasah teknologi manajemen arus manusia di acara-acara massal. Salah satu skenario paling kompleks adalah ibadah haji, di mana jutaan peziarah berkumpul setiap tahunnya. Untuk acara seperti ini, dibutuhkan bukan sekadar drone dengan kamera, melainkan sistem cerdas yang mampu menilai kepadatan kerumunan secara real-time dan memperingatkan bahaya desakan sejak dini.
Masalahnya, model penghitungan orang standar dilatih pada satu set data, tetapi di lapangan mereka berhadapan dengan kondisi yang berbeda: sudut pandang lain, pencahayaan, kepadatan, pergerakan. Melakukan anotasi manual pada setiap bingkai baru terlalu mahal dan lambat. Karena itu, para peneliti mencari cara untuk mengadaptasi model secara langsung, tanpa petunjuk eksternal. Tugas inilah yang menjadi fokus penelitian terbaru di arXiv (2608.17625), yang penulisnya mengusulkan sebuah protokol lengkap untuk penerapan sistem semacam itu secara aman dalam kondisi kerumunan massal.
Bagaimana Membuat Model Bekerja pada Bingkai yang Tidak Dikenal
Ide utamanya adalah adaptasi tanpa anotasi. Model menyesuaikan dirinya sendiri dengan aliran video baru, hanya menggunakan bingkai-bingkai itu sendiri, tanpa anotasi apa pun. Para penulis melakukan 525 kali uji coba terkontrol dan menguji pendekatan ini pada empat jenis distorsi dan lima tingkat keparahan. Ternyata, adaptasi memulihkan 31 hingga 49 persen kesalahan yang disebabkan oleh pergeseran domain — yaitu perbedaan antara data pelatihan dan data nyata. Metode terbaik mengurangi kesalahan absolut sebesar 41,8 poin dibandingkan dengan model awal yang dibekukan, dengan hasil yang signifikan secara statistik (p=7,5×10⁻¹⁰).
Namun yang penting bukan hanya kualitas rata-rata. Para peneliti menurunkan hukum keparahan yang membagi metode menjadi dua kategori: metode yang memberikan margin akurasi absolut yang konstan, dan metode yang marginnya meningkat seiring kompleksitas adegan. Untuk praktik, ini berarti kita dapat menghitung anggaran stabilitas terlebih dahulu — memahami konfigurasi algoritma mana yang aman dijalankan dalam penerbangan nyata, dan mana yang akan mulai kehilangan kualitas pada bingkai yang terlalu kompleks.
Selain itu, para penulis menguji model pada korpus skala penuh dengan citra udara nyata. Model awal, yang dilatih hingga kesalahan validasi 14,6, menghasilkan MAE 48 poin lebih buruk pada bingkai nyata. Adaptasi memperbaiki kelemahan utamanya — kurangnya penghitungan pada adegan padat secara sistematis. Ini sangat penting, karena justru pada adegan padat desakan mulai terbentuk, dan data yang terlalu rendah dapat berujung pada tragedi.
Kapan Adaptasi Bisa Menipu
Para penulis juga membahas keterbatasan pendekatan ini secara jujur. Mereka menguji mode khusus yang menggunakan klip panjang 300 bingkai dengan interval 200 ms — lima kali lebih lebar dari standar. Ternyata, dalam mode ini sinyal adaptasi dijelaskan bukan oleh aliran orang yang sebenarnya, melainkan oleh normalisasi data sederhana. Sisa kontinuitas hampir tidak merespons kesalahan penghitungan proporsional, yang justru muncul akibat pergeseran domain. Ini dikonfirmasi oleh empat ablasi: korelasi antara sinyal dan aliran nyata mencapai 0,999, dan distorsi 40% data masukan hanya mengubah akurasi sebesar 0,05 MAE. Kesimpulannya: adaptasi hanya bisa dipercaya ketika kerjanya benar-benar disebabkan oleh aliran, bukan artefak pemrosesan.
Mengapa Sekadar "Mengukur Pergeseran" Tidak Cukup
Banyak sistem mencoba memperkirakan besarnya pergeseran domain dan berdasarkan itu memutuskan kapan mengaktifkan adaptasi. Para penulis menunjukkan bahwa pendekatan ini tidak berhasil. Mereka membangun gerbang pergeseran tanpa anotasi dan menemukan bahwa besarnya pergeseran dan kerusakan akurasi nyata hampir tidak berkorelasi berdasarkan peringkat (Spearman rho=0,20). Di antara pergeseran nyata, korelasinya bahkan negatif (rho=-0,60). Ini berarti gerbang yang berorientasi pada besarnya pergeseran melewatkan hingga 58% kasus di mana adaptasi dapat membantu, dan sebaliknya — aktif di tempat yang tidak diperlukan. Karena itu, para penulis mengusulkan kebijakan adaptasi tanpa syarat dengan pemantauan ekor distribusi — memperhatikan bukan rata-rata pergeseran, melainkan penyimpangan yang jarang tetapi berbahaya.
Protokol Penerapan Enam Langkah
Berdasarkan semua eksperimen, para penulis merumuskan protokol praktis untuk implementasi. Protokol ini mencakup enam langkah — dari validasi pada resolusi penuh hingga pengujian modul risiko pada episode kelebihan kapasitas nyata. Modul semacam itu bekerja pada dua dari enam klip panjang dengan kelebihan kapasitas nyata. Protokol ini juga mengharuskan penentuan terlebih dahulu metode adaptasi mana yang diizinkan untuk jenis pengambilan gambar tertentu, serta memeriksa apakah normalisasi menutupi sinyal kepadatan yang sebenarnya.
Pada akhirnya, penelitian ini menunjukkan: penghitungan kerumunan tanpa anotasi dari drone — bukan lagi teori, melainkan praktik rekayasa. Namun agar sistem dapat bekerja pada skala sebesar itu, dibutuhkan bukan hanya model yang akurat, tetapi juga prosedur pengujian dan penerapan yang matang. Pendekatan seperti inilah — dari statistik hingga protokol konkret — yang memungkinkan algoritma berubah menjadi alat keamanan yang andal untuk acara massal.
