Orasi Ilmiah Pengukuhan Guru Besar Prof. Arief Setyanto: Computer Vision dan AI untuk Solusi Nyata

Prof. Arief Setyanto, S.Si., M.T., Ph.D. menyampaikan pandangan kritis sekaligus visioner dalam orasi ilmiah Pengukuhan Guru Besar yang berlangsung di Ruang Cinema Universitas AMIKOM Yogyakarta pada Selasa, 5 Mei 2026. Dalam kesempatan tersebut, ia menegaskan bahwa pengembangan kecerdasan artifisial tidak boleh berhenti pada pencapaian teknis semata. Teknologi AI yang dikembangkan harus mampu menjawab persoalan-persoalan konkret yang dihadapi masyarakat luas, bukan hanya unggul dalam tolok ukur laboratorium atau kompetisi akademik.

Tema Orasi: Transformasi Digital di Dua Sektor Strategis

Orasi ilmiah yang disampaikan Prof. Arief mengangkat judul “Computer Vision dan Kecerdasan Artifisial dalam Transformasi Digital Bidang Pendidikan dan Pertanian Presisi”. Dalam orasi tersebut, ia menguraikan secara sistematis rangkaian penelitian yang selama ini ia tekuni, meliputi pengembangan computer vision, kecerdasan artifisial, dan edge computing. Seluruh riset tersebut dirancang untuk mendorong transformasi digital di dua sektor yang dinilai strategis bagi Indonesia, yaitu sektor pendidikan dan sektor pertanian presisi.

Mengenal Computer Vision: Mesin yang Belajar Melihat

Sebagai fondasi dari seluruh penelitiannya, Prof. Arief menjelaskan secara mendasar apa yang dimaksud dengan computer vision. Teknologi ini memungkinkan mesin untuk “melihat” dan memahami isi dari data visual, sebagaimana cara kerja sistem penglihatan manusia dalam mengenali objek, wajah, gerakan, dan lingkungan sekitarnya. Dalam praktiknya, computer vision dapat diterapkan untuk berbagai keperluan, di antaranya mengenali dan memantau aktivitas yang berlangsung di dalam ruang kelas, mendeteksi ekspresi wajah sebagai indikator kondisi emosional, membaca dan mengklasifikasikan objek yang terekam dalam gambar maupun video, serta mendukung pelaksanaan proses pertanian yang lebih terukur dan efisien.

Tantangan Komputasi: Saat AI Terlalu Besar untuk Dunia Nyata

Salah satu permasalahan mendasar dalam penerapan AI di lapangan adalah kesenjangan antara kebutuhan komputasi model AI modern dengan keterbatasan infrastruktur yang tersedia di banyak lokasi. Banyak model kecerdasan artifisial mutakhir memerlukan daya komputasi yang sangat besar, sementara kenyataan di lapangan menunjukkan bahwa tidak semua lokasi penerapan memiliki akses terhadap server berkapasitas tinggi, koneksi jaringan yang cepat dan stabil, maupun pasokan listrik yang mencukupi. Kondisi ketimpangan ini menjadi hambatan serius ketika AI hendak digunakan pada perangkat-perangkat berukuran kecil seperti drone lapangan, kamera pemantau outdoor, atau berbagai perangkat edge berdaya komputasi rendah.

Solusi Kompresi Model: AI yang Lebih Ringan, Tetap Andal

Untuk mengatasi persoalan tersebut, Prof. Arief bersama tim penelitinya mengembangkan pendekatan kompresi model AI, yakni serangkaian teknik untuk memperkecil ukuran model tanpa mengorbankan kemampuan fungsionalnya secara signifikan. Dua teknik utama yang digunakan dalam penelitian ini adalah post-training quantization dan knowledge distillation.

Melalui pendekatan-pendekatan tersebut, model AI berukuran besar dapat dikonversi menjadi versi yang jauh lebih ringan sehingga mampu berjalan pada perangkat dengan sumber daya komputasi terbatas, seperti Raspberry Pi, Jetson Nano, maupun Orin Nano. Prof. Arief juga mengakui bahwa proses pengurangan ukuran model memang berpotensi berdampak pada tingkat akurasi. Namun, ia menegaskan bahwa tidak semua konteks penerapan membutuhkan akurasi sempurna. Dalam situasi tertentu, pengurangan beban komputasi yang disertai sedikit penurunan akurasi masih dapat diterima dan dipertanggungjawabkan, terutama jika tujuan utamanya adalah menghadirkan teknologi yang lebih hemat energi, lebih terjangkau dari sisi biaya, dan lebih mudah diimplementasikan secara langsung di lapangan.

Knowledge Distillation: Model Besar Mengajari Model Kecil

Dalam konteks deteksi objek atau object detection, penelitian Prof. Arief menerapkan konsep knowledge distillation secara lebih mendalam. Dalam pendekatan ini, model AI berukuran besar berperan sebagai “teacher” atau pengajar, sementara model berukuran kecil berposisi sebagai “student” atau murid yang menyerap dan mempelajari pengetahuan dari model besar tersebut. Hasilnya, sistem deteksi objek yang dihasilkan dapat beroperasi jauh lebih ringan dari segi komputasi, namun tetap memiliki kemampuan memadai dalam mengenali dan mengklasifikasikan objek dengan tingkat presisi yang dapat diterima untuk keperluan praktis.

Smart Classroom: Teknologi Memahami Kualitas Pembelajaran

Salah satu penerapan riset yang paling konkret dari penelitian Prof. Arief adalah konsep smart classroom atau kelas pintar. Dalam kerangka penelitian ini, ia mengembangkan sistem pemantauan proses pembelajaran berbasis integrasi kamera, mikrofon, dan analisis data secara otomatis. Sistem tersebut dirancang bukan sekadar untuk merekam jalannya perkuliahan, melainkan untuk membantu membaca dan mengevaluasi kualitas proses belajar mengajar dari berbagai dimensi, baik dari sisi pengajar maupun dari sisi mahasiswa.

Data audio visual yang dikumpulkan oleh sistem ini dapat digunakan untuk menganalisis sejumlah aspek penting, antara lain kualitas dan kejelasan suara dosen dalam menyampaikan materi, ekspresi keceriaan dan tingkat antusiasme pengajar selama sesi berlangsung, tingkat perhatian mahasiswa terhadap materi yang disampaikan, tingkat keaktifan dan partisipasi mahasiswa dalam proses diskusi, kesesuaian antara pertanyaan yang diajukan dengan topik pembelajaran yang sedang dibahas, serta kesesuaian antara materi yang diajarkan dengan rencana pembelajaran yang telah disusun. Dengan demikian, teknologi ini berpotensi menjadi instrumen evaluasi pembelajaran yang objektif dan berbasis data.

Generative AI dan Pergeseran Paradigma Pendidikan

Prof. Arief juga menyoroti dampak besar yang dibawa oleh kehadiran generative AI terhadap dunia pendidikan. Ia mencatat bahwa pertanyaan-pertanyaan yang bersifat definitif dan faktual kini dapat dijawab dengan cepat dan akurat oleh teknologi seperti ChatGPT maupun Copilot. Kondisi ini menuntut adanya pergeseran paradigma dalam praktik pendidikan. Aktivitas pembelajaran tidak lagi cukup berfokus pada kemampuan menghafal dan menjawab pertanyaan secara tertulis. Sebaliknya, pendidikan perlu bergerak ke arah yang lebih menekankan kemampuan berpikir kritis, menganalisis informasi secara mendalam, menjelaskan pemahaman secara lisan, serta berinteraksi secara aktif dan reflektif dalam proses diskusi.

Smart Spraying Drone: Presisi di Ladang, Efisiensi di Tangan Petani

Di luar ranah pendidikan, riset Prof. Arief merambah sektor pertanian presisi melalui pengembangan teknologi smart spraying drone. Berbeda dari drone pertanian konvensional yang menyemprot seluruh area lahan secara merata tanpa diskriminasi, drone yang dikembangkan dalam penelitian ini dirancang untuk mampu mengenali secara selektif area atau titik tertentu yang memang membutuhkan penyemprotan. Pendekatan selektif ini sangat relevan untuk komoditas tertentu seperti kelapa sawit, di mana penyemprotan pupuk atau bahan kimia pertanian hanya diperlukan pada titik-titik spesifik di sekitar pohon, bukan pada keseluruhan permukaan lahan.

Drone yang dikembangkan dilengkapi dengan kamera dan perangkat komputasi edge yang mampu melakukan deteksi objek secara real-time selama penerbangan berlangsung. Sistem yang tertanam di dalamnya membantu menentukan lokasi tanaman serta area target penyemprotan secara otomatis. Dengan arsitektur ini, proses pemetaan lahan dan penyemprotan dapat dilaksanakan sekaligus dalam satu kali penerbangan, tanpa memerlukan tahap pemetaan manual yang terpisah dan memakan waktu.

Target Implementasi dan Harapan bagi Petani

Prof. Arief menyampaikan bahwa penelitian smart spraying drone masih terus berjalan dan ditargetkan untuk menyelesaikan tahap percobaan di kebun pada tahun 2026. Apabila seluruh proses berjalan sesuai rencana, teknologi tersebut diproyeksikan dapat mulai diturunkan kepada masyarakat, khususnya para petani, pada tahun 2027. Ia menekankan bahwa dampak yang diharapkan dari teknologi ini tidak hanya bersifat teknis. Secara lebih luas, penerapannya diharapkan mampu menurunkan secara signifikan penggunaan bahan kimia pertanian, meningkatkan efisiensi operasional dalam proses perawatan lahan, serta memberikan dampak ekonomi yang nyata dan terukur bagi para petani sebagai pengguna akhir teknologi.

AI untuk Indonesia: Kontekstual, Mandiri, dan Berdampak

Rangkaian penelitian yang disampaikan Prof. Arief dalam orasi ilmiahnya menegaskan satu prinsip mendasar: pengembangan AI tidak boleh berhenti di tataran konsep atau terkurung dalam batas-batas laboratorium akademik. Kecerdasan artifisial perlu diarahkan untuk menjadi teknologi yang benar-benar relevan dengan kebutuhan nasional, memiliki konteks dan kepekaan lokal yang kuat, serta mampu memberikan dampak nyata yang dirasakan langsung oleh masyarakat. Melalui empat pilar riset utamanya, yakni computer vision, kompresi model AI, smart classroom, dan smart spraying drone, Prof. Arief secara konsisten mendorong pengembangan teknologi yang lebih mandiri, lebih efisien, dan lebih aplikatif.

Momentum Strategis bagi Universitas AMIKOM Yogyakarta

Bagi Universitas AMIKOM Yogyakarta, pengukuhan Prof. Arief Setyanto sebagai Guru Besar merupakan sebuah momentum penting yang sarat makna. Peristiwa ini memperkuat posisi dan kontribusi institusi dalam ekosistem riset kecerdasan buatan dan computer vision di tingkat nasional. Lebih dari itu, penelitian-penelitian yang dikembangkan Prof. Arief sejalan sepenuhnya dengan semangat dan komitmen perguruan tinggi dalam menghadirkan inovasi teknologi yang tidak hanya unggul secara akademik dan ilmiah, tetapi juga memiliki manfaat langsung yang dapat dirasakan di sektor pendidikan, pertanian, dan kedaulatan digital Indonesia secara keseluruhan.