Sukabumihitz – Universitas Nusa Mandiri (UNM) sebagai Kampus Digital Bisnis kembali menghadirkan narasumber kelas dunia dalam gelaran International Conference on Information Technology Research and Innovation (ICITRI 2025). Salah satunya adalah Prof. Christophoros Nikou dari Department of Computer Science and Engineering, University of Ioannina, Greece. Sesi ini berlangsung secara hybrid di Kampus UNM Margonda, Depok, Kamis (11/9).
Dalam presentasi berjudul “Lightweight Bayesian Deep Learning in Computer Vision”, Prof. Nikou mengulas pendekatan terbaru dalam pengembangan model kecerdasan buatan, khususnya pada bidang computer vision.
Ia menjelaskan bahwa jaringan saraf tiruan (neural networks) dan deep learning kini mendominasi berbagai aplikasi, mulai dari computer vision hingga large language models dan multimodal models. Meski begitu, metode ini masih memiliki keterbatasan serius, seperti risiko overconfidence, overfitting, sensitivitas terhadap distribusi data baru (distribution shifts), serta tantangan dalam kalibrasi probabilitas.
“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, ia menekankan pentingnya melakukan kuantisasi ketidakpastian pada bobot jaringan dengan menganggap bobot sebagai variabel acak. Meski begitu, pendekatan ini menimbulkan tantangan berupa kompleksitas komputasi yang tinggi.
Untuk menjawab hal tersebut, ia memperkenalkan Lightweight Bayesian Deep Learning. Pendekatan ini merupakan pemodelan Bayesian dengan kompleksitas rendah yang tetap dapat diterapkan pada berbagai tugas penting di bidang computer vision.
Baca juga: Mahasiswa UNM Tembus Magang di Perusahaan Teknologi Nasional, Raih Prestasi hingga Kancah Internasional
Inovasi dan Integrasi Baru
Beberapa inovasi yang dipaparkan Prof. Nikou mencakup:
Probabilistic Object Detection dengan Bayesian Feature Fusion Network, yang meningkatkan keamanan dan akurasi deteksi objek.
Probabilistic Pruning Methods, memungkinkan jaringan membuang koneksi yang tidak relevan sehingga lebih efisien tanpa mengorbankan performa.
Variance Voting, teknik yang menggabungkan beberapa hasil prediksi untuk memperbaiki kalibrasi ketidakpastian.
Selain itu, ia juga mengusulkan integrasi Bayesian Learning dengan Implicit Neural Representation (INR). Pendekatan ini memungkinkan model merepresentasikan sinyal seperti gambar, video, hingga bentuk 3D dengan resolusi kontinu. Dengan demikian, model dapat menghadirkan representasi probabilistik yang lebih sederhana, hemat sumber daya, namun tetap kaya dalam menangkap ketidakpastian.
“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.
Hasil eksperimen membuktikan bahwa metode ini efektif mendeteksi objek pada dataset skala besar seperti COCO. Selain itu, metode ini juga terbukti tangguh menghadapi perubahan distribusi data pada CIFAR100 yang terkorupsi.
Dalam pemaparannya, Prof. Nikou menegaskan bahwa penelitian Lightweight Bayesian Deep Learning akan menjadi fondasi penting bagi pengembangan computer vision di masa depan, khususnya untuk aplikasi kritis yang menuntut keandalan tinggi.
