NusamandiriNews, Depok – International Conference on Information Technology Research and Innovation (ICITRI 2025) yang digelar Universitas Nusa Mandiri (UNM) menghadirkan keynote speaker internasional, Prof. Christophoros Nikou dari Department of Computer Science and Engineering, University of Ioannina, Greece yang berlangsung secara hybrid di UNM kampus Margonda, Depok, Kamis (11/9).
Dalam presentasinya yang bertajuk “Lightweight Bayesian Deep Learning in Computer Vision”, ia mengulas pendekatan terbaru dalam pengembangan model kecerdasan buatan, khususnya di bidang computer vision.
Baca juga: Universitas Nusa Mandiri Gelar ICITRI 2025, Rektor Sambut Peneliti dari Berbagai Daerah
Prof. Nikou menjelaskan bahwa jaringan saraf tiruan (neural networks) dan deep learning telah mendominasi banyak aplikasi, mulai dari computer vision, large language models, hingga multimodal models. Namun, pendekatan ini memiliki keterbatasan serius, seperti risiko overconfidence, overfitting, sensitivitas terhadap distribusi data baru (distribution shifts), serta tantangan dalam kalibrasi probabilitas yang akurat.
“Ketika kita berbicara tentang aplikasi kritis seperti autonomous driving atau aplikasi medis, kemampuan untuk mengukur ketidakpastian prediksi menjadi hal yang sangat penting,” ujar Prof. Nikou, Kamis (11/9).
Melalui konsep Bayesian Deep Learning, Prof. Nikou menekankan perlunya kuantisasi ketidakpastian pada bobot jaringan, di mana bobot dianggap sebagai variabel acak. Tantangan pendekatan ini adalah tingginya kompleksitas komputasi. Karena itu, ia memperkenalkan konsep Lightweight Bayesian Deep Learning yang bertujuan menghadirkan pemodelan Bayesian dengan kompleksitas rendah, namun tetap dapat diaplikasikan pada tugas penting computer vision.
Beberapa inovasi yang ia paparkan antara lain:
1. Probabilistic Object Detection dengan Bayesian Feature Fusion Network, yang mampu mendeteksi objek secara lebih aman dan akurat.
2. Probabilistic Pruning Methods yang memungkinkan jaringan belajar untuk membuang koneksi yang tidak relevan, sehingga lebih efisien tanpa mengurangi performa.
3. Variance Voting, sebuah teknik yang meningkatkan akurasi deteksi dengan menggabungkan beberapa hasil prediksi untuk memperbaiki kalibrasi ketidakpastian.
Selain itu, Prof. Nikou juga mengusulkan integrasi Bayesian Learning dengan Implicit Neural Representation (INR). Dengan pendekatan ini, model dapat mewakili sinyal (gambar, video, hingga bentuk 3D) dalam resolusi kontinu. Integrasi ini memungkinkan representasi probabilistik yang lebih sederhana, hemat sumber daya, namun tetap kaya dalam menangkap ketidakpastian prediksi.
“Pendekatan ini memungkinkan kita untuk mencapai closer-to-exact Bayesian inference dibanding metode pendekatan biasa, sekaligus memberikan estimasi ketidakpastian yang lebih baik dan lebih terkalibrasi,” jelasnya.
Baca juga: Kecerdasan Buatan untuk Masa Depan: UNM Akan Gelar Konferensi Internasional ICITRI 2025
Hasil eksperimen yang dipaparkan menunjukkan bahwa metode ini efektif untuk deteksi objek pada dataset skala besar seperti COCO, serta robust terhadap perubahan distribusi data pada CIFAR100 yang terkorupsi.
Dengan pemaparannya, Prof. Nikou menegaskan bahwa arah penelitian Bayesian Deep Learning yang ringan (lightweight) akan menjadi fondasi penting bagi pengembangan computer vision di masa depan, terutama pada aplikasi-aplikasi kritis yang membutuhkan keandalan tinggi.(ACH)
