Milenianews.com, Depok – Sementara pembahasan AI dalam ICITRI 2026 menyentuh berbagai kebutuhan manusia dan keamanan teknologi, Prof. Dr. Agus Subekti membawa peserta melihat sisi lain dari perkembangan kecerdasan buatan, yakni bagaimana teknologi tersebut terus dikembangkan agar semakin efisien, adaptif, dan mampu memahami informasi secara lebih baik.
Akademisi Universitas Nusa Mandiri (UNM) sekaligus peneliti Badan Riset dan Inovasi Nasional (BRIN) tersebut membedah salah satu algoritma pengenalan citra yang banyak digunakan dalam pengembangan AI, yaitu Convolutional Neural Network (CNN). Meski menjadi bagian penting dalam berbagai aplikasi pengenalan citra, CNN menurutnya masih memiliki sejumlah keterbatasan yang perlu dijawab melalui riset lanjutan.
Salah satu persoalannya berkaitan dengan informasi spasial. Dalam proses pengolahan citra, terutama pada tahap pooling, CNN dapat kehilangan detail mengenai posisi atau hubungan spasial suatu objek. Model tersebut juga cenderung lebih kuat dalam mengenali detail lokal seperti tekstur, tetapi memiliki keterbatasan ketika harus memahami konteks gambar secara menyeluruh.
Baca juga: Prof. Yasuyuki Nogami Soroti Tantangan Keamanan Siber di Era AI
CNN juga menghadapi tantangan ketika objek mengalami rotasi atau perubahan bentuk. Di sisi lain, kebutuhan terhadap data berlabel dan sumber daya komputasi yang besar membuat penerapan model tersebut menjadi tantangan tersendiri, terutama ketika AI harus dijalankan pada perangkat dengan kemampuan terbatas.
Persoalan lain yang tidak kalah penting adalah sifat black-box pada model AI. Kemampuan model dalam menghasilkan prediksi tidak selalu diikuti dengan kemampuan untuk menjelaskan secara sederhana bagaimana keputusan tersebut diambil.
“Meskipun (CNN) telah menjadi tulang punggung dalam berbagai aplikasi kecerdasan buatan, kita harus menyadari bahwa teknologi ini memiliki batasan serius. Model konvensional sangat haus akan data komputasi, kesulitan memahami konteks global dari sebuah citra, dan sering kali bertindak seperti ‘kotak hitam’ yang proses pengambilan keputusannya sulit dijelaskan,” ujar Prof. Agus dalam keterangan rilis yang diterima pada Kamis (10/9).
Menurutnya, keterbatasan tersebut bukan alasan untuk meninggalkan CNN, melainkan menjadi pijakan untuk mengembangkan pendekatan baru dalam riset AI. Salah satunya melalui Capsule Networks atau CapsNet yang dirancang untuk mempertahankan informasi spasial secara lebih baik sehingga sistem dapat memahami perspektif dan posisi objek.
Arah pengembangan lainnya adalah mengombinasikan CNN dengan Transformer melalui mekanisme attention. Pendekatan tersebut memungkinkan AI tidak hanya memproses detail lokal, tetapi juga menangkap konteks yang lebih luas dalam sebuah citra.
Prof. Agus juga menyoroti Self-Supervised Learning sebagai pendekatan untuk mengurangi ketergantungan terhadap data berlabel. Dengan metode ini, AI dapat belajar dari data mentah yang belum diberi label sehingga proses pelatihan dapat dilakukan secara lebih efisien.
Sementara itu, Knowledge Distillation menjadi salah satu pendekatan untuk membawa kemampuan model AI berukuran besar ke perangkat yang memiliki sumber daya lebih terbatas. Pengetahuan dari model yang kompleks dapat ditransfer ke model yang lebih kecil sehingga tetap mampu mempertahankan tingkat akurasi yang baik ketika digunakan pada perangkat seperti smartphone maupun sistem edge dan Internet of Things (IoT).
“Masa depan riset kecerdasan buatan tidak lagi sekadar bergantung pada arsitektur CNN tunggal. Arah inovasi kita ke depan adalah mengombinasikan CNN dengan teknologi Transformer, menerapkan Self-Supervised Learning untuk efisiensi data, serta memanfaatkan Knowledge Distillation agar AI yang cerdas dapat berjalan di perangkat dengan sumber daya terbatas,” katanya.
Paparan tersebut menunjukkan bahwa perkembangan AI tidak selalu berarti mengganti teknologi lama dengan teknologi yang baru. Sebaliknya, kemajuan juga lahir dari keberanian peneliti untuk membongkar keterbatasan teknologi yang sudah ada, kemudian mencari pendekatan yang lebih tepat untuk menjawab kebutuhan.
Baca juga: Prof. Celia Shahnaz Ungkap Wajah AI yang Makin Humanis di ICITRI 2026
“Langkah maju dalam inovasi AI bukanlah dengan mengabaikan kekurangan teknologi yang ada saat ini, melainkan mengeksplorasi solusi baru agar kecerdasan buatan menjadi lebih efisien, lebih mudah dipahami secara logis, dan lebih tepat guna dalam menyelesaikan masalah nyata,” tuturnya.
Prof. Agus menunjukkan bahwa di balik semua itu masih terdapat pekerjaan besar di level teknologi, yakni membuat AI semakin efisien, dapat dijelaskan, dan tepat guna.
Dengan demikian, tema “Next-Generation AI for Human-Centered Innovation and Sustainable Futures” tidak berhenti sebagai jargon konferensi. Dari kesehatan hingga keamanan siber, dari teknologi inklusif hingga pengembangan algoritma, ICITRI 2026 memperlihatkan bahwa masa depan AI sedang dibentuk melalui satu pertanyaan penting, yaitu bagaimana membuat teknologi semakin maju tanpa kehilangan relevansinya bagi manusia.
Tonton podcast Milenianews yang menghadirkan bintang tamu beragam dari Sobat Milenia dengan cerita yang menghibur, inspiratif serta gaul hanya di youtube MileniaNews.
