Sistem Cerdas Berbasis Pengetahuan

1. SistemCerdasBerbasisPengetahuan KECERDASAN BUATAN(Artificial Intelligence) Materi 1 Eko Prasetyo TeknikInformatika Univ. Pembangunan Nasional Veteran JawaTimur 2011

2. MesinCerdas • Lebihdari 2000 tahunparaahliberusahamenjawabpertanyaan universal: Bagaimanamanusiaberfikir, bekerja ? Apakah non-manusiabisaberfikir ? – Sampaisaatinimasihberlumterjawab. • Beberapaahlisudahmulaimembuatpendekatankomputasiilmukomputer yang diterimasebagaiidedimanakomputasitersebutbisamelakukansesuatuseperti yang dilakukanmanusia. • Para ahlidanilmuankemudianmenamakannyamesin “cerdas” • Apa yang dimaksuddengan “kecerdasan” ? [Essential English Dictionary, Collins, London, 1990]: • Kecerdasanseseorangadalahkemampuanuntukmemahamidanmempelajarisesuatu • Kecerdasanadalahkemampuanuntukmemikirkandanmemahamimaksuddalammelakukansesuatuolehinsting (atausecaraotomatis) • Definisi 1  Kecerdasandimilikiolehmanusia • Definisi 2  Memberikanperbedaanpendekatansecarajelasdanbeberapafleksibilitas, tidakmenyebutkanapakahorangataubenda yang mempunyaikemampuanuntukberpikirdanmemahami.

3. MesinCerdas • Befikir [Essential English Dictionary, Collins, London, 1990]: • Aktifitasmenggunakanotakdalammemandangmasalahataumembuatide. • Kecerdasanadalah “Kemampuanuntukmempelajaridanmemahami, untukmenyelesaikanmasalahdanuntukmembuatkeputusan” • Sejak 1940 – Komputersudahmulaidiusahakanuntukdapatberpikir Masa “dark age” AI • Tujuan AI sebagaiilmupengetahuanadalahmembuatmesinmelakukansesuatudimanahaltersebutmembutuhkankecerdasanjikadilakukanolehmanusia [Boden, 1977]. • Pertanyaannya “Bisakahmesinberfikir ?” • Padakenyataannya : adaorang yang pandaidalammatematikatapilemahdalamhalsejarah. Ada yang pandaimencariuang….ada yang pandaidalammenghabiskanuang. • Kemampuanmanusiaberbedapadasetiap area ilmupengetahuan • Jikamesinjugadapatberfikir, tentujugapada area yang terbatas

4. MesinCerdas • Paper paling tuadansignifikandalambidangmesincerdas “Computing machinery and intelligence”, ditulisolehahlimatematikaInggris Alan Turing, lebihdari 60 tahunlalu (Turing, 1950). • Pada 1937, mengusulkankonsepmesin universal. • PD II, menjadipemainkuncidalampemecahan Enigma, mesin encoding militerJerman • Mendesain “Automatic Computing Engine”. • Menulis program pertama yang dapatmemainkancatursecaralengkap. Diimplementasikandalamkomputer Manchester University . • Konsepteorikomputer universal danpengalamanprakteknyadalampembangunansistempemecahankodemelengkapinyauntukmendekatidasarkuncikecerdasanbuatan. • Pertanyaannya : • Adakahpemikirantanpapengalaman ? • Adakahpikirantanpakomunikasi ? • Adakahbahasatanpakehidupan ? • Adakahkecerdasantanpakehidupan ? • Pertanyaanmendasardalamkecerdasanbuatan. Bisakahmesinberpikir ?

5. Turing imitation game Pertanyaan ‘Can machines think?’, Turing mengatakanseharusnyakitabertanya, ‘Can machines pass a behaviour test for intelligence ?’ Prediksinya, tahun 2000, komputerdapatdiprogramuntukbisamelakukanpercakapandenganmanusiaselama 5 menitdanmampunyaipeluang 30% untukmembohongiintrogatorbahwadiaadalahmanusia. Turing mendefinisikankecerdasanperilakukomputersebagaikemampuanuntukmencapaikinerja level manusiadalampekerjaankognitif (teori) Artinyakomputerdikatakan lulus tesjikaintrogatortidakdapatmembedakanmesindenganmanusiapada basis jawabanpertanyaanmereka. Padatahun 2020, diperkirakanotakmanusiadapatdimodelkanmenjadisebuah chip seukurangula

6. Sejarah AI – dari “dark age” sampai knowledge-based systems • AI adalahbidangilmu yang dibangunmelalui 3 generasipeneliti. • Periode “Dark Age” – lahirnya AI (1943–1956) • Warren McCulloch and Walter Pitts (1943) dari Columbia University, menyampaikanhasilpenelitianmengenai AI : Pemodelan neuron dariotakmanusia. • McCulloch dan Pitts mengusulkan model jaringansyaraftiruanpadamasalahbiner. • Kenyataannya, pemecahanmasalahtidaksemua linier. • John von Neumann (1930) membuat stored program machine. Mendorongpengembangan Neural Network Computer oleh Marvin Minsky and Dean Edmonds padatahun 1951. • Claude Shannonmempublish paper permainancatur yang memungkinkan 10120pergerakan (1950)  Menggunakanteknikheuristikdalammencarisolusi • McCarthy, Minsky, dan Shannon bergabunguntukrisetmesincerdas, jaringansyaraftiruan, danteori automata. • Pelatihandanpenelitianparaahlidiatasmemulailahirnyailmubaru yang kemudiandikenaldengan “Artificial Intelligence”

7. PeriodeBangkitnya AI – Era harapanbesar (1956-akhir 1960) • Padaperiodetersebutkomputerumunyahanyadapatmelakukanpekerjaanperhitunganmatematika. • McCarthy mendefinisikan LISP – bahasapemrogramantertua (FORTRAN 2 tahunlebihtua) • 1958, McCarthy mempresentasikan paper “Programs with Common Sense” yang kemudiandisebutAdvice Talker untukmencarisolusimasalahumumdidunia. • Bisamengenerate, misalnyabagaimanamengendarakebandaradidasarkanbeberapaaksioma. • Yang terpenting, program didesainuntukbisamenerimaaksiomabaru (pengetahuanbaru) – wilayahkeahlian (kepakaran) yang berbedatanpadiprogramulang. • Advice Taker menjadisistemberbasispengetahuan yang pertamamendampingipusatpokokrepresentasidanpenalaranpengetahuan • Minskymembangun anti-logical outlook padarepresentasidanpenalaranpengetahuan (Minsky, 1975) merupakankontribusiutamarekayasapengetahuan • Neural computing dan ANN yang dimulaioleh McCulloch dan Pitts dilanjutkanoleh Rosenblatt yang membuktikanteoremakonvergensiperceptron, mendemonstrasikanalgoritmapembelajaran yang dapatmenyesuaikankekuatanhubunganperceptron (Rosenblatt, 1962).

8. PeriodeBangkitnya AI – Era harapanbesar (1956-akhir 1960) • General Problem Solver (GPS) (Newell and Simon, 1961, 1972). Allen Newell and Herbert Simon membangun program serbagunauntukmensimulasikanmetodepenyelesaianmasalahmanusia. • GPS berusahamemisahkanpemecahanmasalahdari data • Didasarkanpadateknik yang sekarangdikenalsebagaimeans-ends analysis • Mean-ends analysis digunakanuntukmenentukanperbedaankondisisaatitudengankondisi yang diinginkandarimasalah, menerapkanoperasitertentuuntukmencapaikondisitujuan. Jikakondisi yang ditujubelumtercapai, akandigunakantujuanterdekat, kemudianmengulangiproses yang samasampaitujuantercapai. • GPS gagalmenyelesaikanmasalah yang komplek. Penggunaanwaktudanmemori yang besardalameksekusimembuatnyadibuang. • Peneliti AI berusahauntukmensimulasikanpemikiranmasalah yang kompleksdenganmembuatmetodeumumuntukmenyelesaikankelasmasalah yang luas. • LotfiZadeh (1965) mempublish paper “Fuzzy Sets” yang dianggapsebagaidasarteoryhimpunan Fuzzy. Selama 2 dekade, peneliti fuzzy telahmembangunratusanmesinpintardansistemcerdas.

9. Janji yang belumterpenuhi (1960-Awal 1970) • 1950, penelitimenjanjikanadanyasistemcerdasserbagunadengandasarskalapengetahuanmanusiapada 1980, danmelewatikecerdasanmanusiaditahun 2000. • 1970, mengklaimbahwahalituterlaluoptimis. • Kesulitanutamaditahun 1960 : • Peneliti AI menggunakanmetodeumumuntukmenyelesaikanmasalah yang luas. Seharusnyamasalahbesardipecahmenjadimasalahkecil. • Kebanyakanpeneliti AI berusahamenyelsaikanmasalah yang terlaluluasdansulit. Seperti : mesintranslasibahasa (Rusia Inggris) dengankamuselektronik  membutuhkanpemahamanumumtentangtatabahasadarikeduabahasa. Mesininikemudianditolak. • 1971, pemerintahInggrismenundapembiayaanpenelitian AI, karenatidakadanyahasil yang signifikan yang didapat.

10. TeknologiSistemPakar – Kuncikesuksesan (Awal 1970 – Pertengahan 1980) • Permasalahanpengembanganpadaperiodesebelumnyaadalahpembatasanmasalah. • Para penelitiberkeyakinanbahwaalgoritmapencariandanteknikpenalaran yang lebihpintardapatdibuatuntukmengemulasikanmetodeumum, miripmanusiadalammemecahkanmasalah. • DENDRAL, contoh program teknologi yang munculditahun 1969 untukanalisiskimia. • Feigenbaumbekerjasamadengan Lederberg (ahlikimia) untukmembuat program yang dapatbekerjapada level pemikiranmanusia, kemudiandisebutsistempakar. • Feigenbaumtidakhanyamenggunakanaturankimiadalammemahamipemikiranmasalahkimiatapijugamenggunakanpengetahunheuristik-nya, yang kemudianmasalahinidisebutdengan “knowledge acquisition bottleneck”. • “knowledge acquisition bottleneck” : bagaimanamengekstrakpegetahuanmanusiapakarmenjadi program komputer • Keduabersama Buchanan membangun DENDRAL  Sistemberbasispengetahuanpertama yang sukses.

11. DENDRAL Kemunculannyamenandai “perubahanparadigma” AI : pergeserandari“general-purpose”, sedikitpengetahuan, metode yang lemah, menjadidomain khusus, teknikpengetahuanintensif. Maksuddariproyek DENDRAL adalahmengembangkan program komputeruntukmencapai level kinerjapengalamanmanusia. DENDRAL membuktikanbahwakomputerdapatsamaahlinyadalamwilayahmasalah yang sempitdanterdefinisi. Proyek DENDRAL merupakanidedasarmetodologibaruyaitusistempakar – knowledge engineering, yang meliputiteknikpeng-capture-an, analisis, pengekpresianaturan ‘know-how’ pakar.

12. MYCIN • MYCIN adalah rule-based expert system untuk diagnosis infectious blood diseases • Karakterumum MYCIN sebagaisistempakarawal : • MYCIN dapatbekerjapada level orangpakar, dipandanglebihbaikdaripadadoktermuda. • Pengetahuan MYCIN terdiridarisekitar 450 aturanindependenbentuk IF-THEN daripengetahuanmanusiadalam domain kecilmelaluiwawancarapakarsecaraintensif • Pengetahuandisandingkandenganbentukaturan yang secarajelasterpisahdarimekanismepenalaran. Pengembangsistemdapatdenganmudahmemanipulasipengetahuandalamsistemdenganmenyisipkanataumenghapusbeberapaaturan. • EMYCIN (Empty MYCIN) adalahversi MYCIN yang kosong (tanpapengetahuan). • Menambahkanfiturketidakpastian, yang kemudiandisebut Uncertainty Factor.

13. PROSPECTOR Sistempakareksplorasi mineral yang dikembangkanoleh Stanford Research Institute (Duda et al., 1979). 9 pakarberkontribusipadapengetahuandankepakaran. Menggunakankombinasistruktur yang menyandingkanaturandenganjaringansemantik Menggunakanlebihdariseribuaturanuntukmerepresentasikan domain pengetahuan yang luas. Cara kerja : Ahligeologismemasukkankarakteristikgeologi, sistemmelakukanperbandingandengan model yang ada, jikamungkinakanmengquery user untukmendapatkantambahaninformasi, sistemmelakukanpenilaiandanmemberikankesimpulan. KetidakpastiandalamilmugeologiditanganidenganmenyandingkandenganaturanBayesuntukmempropagasiketidakpastianmelaluisistem.

14. PerkembanganSistemPakar • Aplikasisistempakarbanyakbermunculandiakhir 1970  menunjukkankesuksesan AI • Bahasa AI yang banyakdigunakan: LISP, PROLOG, OPS. • Survey ditahun 1986, beragampenerapansistempakarditemukan: kimia, elektronik, teknik, geologi, manajemen, kedokteran, kontrolproses, danilmumiliter. • Waterman melaporkanada 200 SP, paling banyakdalambidangkedokteran. • 7 tahunkemudian (Durkin, 1994) melaporkanada 2500 sistempakardidunia yang sudahdikembangkan. Wilayah baru yang banyakberkembangadalahbisnisdanperusahaan. • Banyaknyasistempakar yang sudahdikembangkandiberbagaibidangternyatadiluarperkiraankemampuanteknologiini. • Teknologibaruberkembangtapisudahbanyakdiimplementasikan • Kesulitannyaadapadakompleksitasdanposisiteknisdankegiatansosial.

15. Kesulitan yang dihadapiSistemPakargenerasiawal • Terbataspada domain pakar yang sempit. • MYCN hanyapadamasalahpenyakitdarah, jikapasienmempunyaipenyakitdalam domain yang lain, maka MYCIN tidakdapatdigunakan • Karena domain yang sempit, sistempakartidakrobustdanflexibleseperti yang diinginkan user. • Mempunyaikemampuanpenjelasan yang terbatas. • Bisamenunjukkanurutanaturan yang diterapkanuntukmencapaisolusi, tetapitidakdapatmenghubungkanakumulasidan heuristic pengetahuanuntukmemperdalampengetahuan domain masalah. • Sulitdiverifikasidandivalidasi • Sistempakar, khususnyagenerasipertama, mempunyaisedikitbahkantidakadasamasekalikemampuanuntukbelajardaripengalaman.

16. Machine learning – Rebirth of Neural Network (Pertengahan 1980 – sekarang) • Pertengahan 1980, peneliti, insinyur, pakarmenyadaribahwapengembangansistempakarmembutuhkanlebihbanyaktidakhanyasistempenalaranatau shell sistempakar, danmeletakkanaturan yang cukupdidalamnya. Disadariolehkebutuhansistempakaruntukdapatmemprediksimusimdinginberbasiskecerdasanbuatan, parapenelitimulaimelirikJaringanSyaraf • Cowan (1960) sebenarnyasudahmemberikankomputasisyaraf yang dibutuhkan. Barupada 1980 melakukansolusitersebut. • Alasandelaynyateknologiini: • Tidakada PC untukmemodelkandanmengeksperimenjaringansyaraftiruan. • Psikologidankeuangan • MinskydanPapert(1969): • mendemonstrasikanbatasankomputasidasarperceptron single layer. • Tidakadaalasanuntukmembutuhkanperceptron multilayer yang lebihkompleks • Initentusajamendorongpenelitiberikutnyauntukmasukkebidangjaringansyarafditahundi era 1970

17. Machine learning – Rebirth of Neural Network (Pertengahan 1980 – sekarang) Di era 1980, karenakebutuhanpemrosesaninformasisepertiotak, seiringpeningkatanteknologikomputerdanprogresdalamilmusyaraf, bidangjaringansyarafmenjadibangkitdengansangat dramatis. Grossbergmemunculkanprinsipbarudariself-organisation (adaptive resonance theory), yang memberikan basis untukkelasbarujaringansyaraf (Grossberg, 1980). Hopfield memperkenalkanjaringansyarafdengan feedback – Hopfield networks, yang menimbulkanbanyakperhatiandi era 1980 (Hopfield, 1982). Kohonenmempublish paper self-organised maps (Kohonen, 1982). Barto, Sutton and Anderson mempublishpekerjaannyadalammemperkuatkontrolpembelajarandanaplikasinya (Barto et al.,1983).

18. Machine learning – Rebirth of Neural Network (Pertengahan 1980 – sekarang) Terobosanbaru yang sesungguhnyadatangditahun 1986 ketikaalgoritmapembelajaran back-propagationpertamadiperkenalkanoleh Bryson and Ho pada 1969 (Bryson and Ho, 1969), ditemukankembaliolehRumelhartdan McClelland dalam Parallel Distributed Processing: Explorations in the Microstructures of Cognition (Rumelhart and McClelland, 1986). Padasaat yang sama, back-propagation learning jugadibahasoleh Parker (Parker, 1987) danLeCun (LeCun, 1988), selanjutnyamenjadimetode yang paling populeruntukpelatihanperceptron multilayer. Padatahun 1988, Broomhead and Lowe menemukanproseduruntukmendesainjaringan layer feedforwardmenggunakanradial basis function, sebuahalternatifperceptrons multilayer(Broomhead and Lowe, 1988). Jaringansyaraftiruantelahmenempuhperjalananpanjangdari model awal McCulloch dan Pitts hinggamenjadisubyekinterdisiplinilmudenganakardariilmusyaraf, psikologi, matematika, danteknik. Dan terusdikembangkandalan area teoridanaplikasipraktek.

19. Evolutionary Computation atau Learning by doing (awal 1970 – sekarang) • Kecerdasanalamimerupakanhasildarievolusi. • Maka, denganpensimulasianevolusibiologis, kitaperlumendiskusikanbagaimanasistemkehidupandidorongmenujulevel kecerdasan yang lebihtinggi. • “Nature learns by doing” • Sistemindividumenunjukkanbagaimanasetiapindividuberadaptasipadasuatulingkungantertentu – merekabersainguntukmempertahankankelangsunganhidup. • Spesies yang lebihbaikmempunyaikesempatan yang lebihbaikuntukbereproduksi, • makamerekadapatmemberikanunsurgenetiknya (gen) padagenerasiberikutnya. • Pendekatanevolusidalam AI didasarkanpada model komputasiseleksidangenetikalami. • Bekerjadenganmensimulasikanpopulasisejumlahindividu, mengevaluasikinerja, men-generate populasibaru, danmengulangiprosesinisejumlahiterasitertentu. • Komputasievolusimengombinasikan 3 teknik: algoritmagenetika, strategievolusi, dan genetic programming. • Konsepalgoritmagenetikadiperkenalkanoleh John Holland (1975) • Membangunalgoritmauntukmemanipulasi ‘kromosom’ buatan (string digit biner) menggunakanoperasigenetikseperti: seleksi, crossover, danmutasi.

20. Evolutionary Computation atau Learning by doing (awal 1970 – sekarang) • Strategievolusi, (terpisahdari John Holland), Ingo Rechenberg and Hans-Paul Schwefel (1965) mengusulkan metode optimisasi baru yang disebut dengan strategi evolusi. • Strategi evolusi didesain secara khusus untuk menyelesaikan optimasi parameter dalam masalah teknik. • Rechenberg danSchwefelmengusulkanperubahanacakdalam parameter sebagaikejadianmutasialami. • Genetic programming merepresentasikanaplikasi model genetikadaripembelajaranuntukpemrograman. • Tujuannyabukanuntukmeyusunkoderepresentasimasalah, melainkankodekomputeruntukmenyelesaikanmasalah. • Genetic programming men-generate program komputeruntuksolusi.

21. Era baruRekayasaPengetahuan(akhir 1980 – sekarang) • Teknologijaringansyaraftiruan (ANN) menawarkaninteraksi yang lebihalamidengandunianyatadaripadamenjalankansistem yang didasarkanpadapenalaransimbolik. • ANN bisamempelajari, beradaptasi, mengubahlingkunganmasalah, memunculkanpoladalamsituasidimanaaturantidakdapatmemahami, danmencapainyadenganinformasi yang fuzzy atautidaklengkap. • ANN minim fasilitaspenjelasandanbiasanyabertindaksepertiblack box. • Prosespelatihan (training) ANN denganteknologisaatinilambat, danseringnya retraining bisamenyebabkankesulitas yang serius. • Dalamkasustertentudimanaadasedikitinformasi, ANN bisamenyelesaikanmasalahdenganlebihbaikdibandingsistempakar • Duateknologiinitidakbersaingsaatini, tapisalingmelengkapisatusama lain. • Neural computing dapatdigunakanuntukmengekstrakpengetahuan yang tersembunyidalam data set yang besaruntukmendapatkanaturansistempakar. • ANN dapatmengoreksiaturandalam traditional rule-based expert systems (Omlin and Giles,1996) • Dimanapengetahuan yang dibutuhkantidaklengkapmaka ANN dapatmemperbaikipengetahuan, • Dimanapengetahuantidakkonsistendengan data yang diberikan, ANN dapatmerevisiaturan.

22. Era baruRekayasaPengetahuan(akhir 1980 – sekarang) • Teknologisangatpenting yang lain adalah yang menanganipengetahuan yang samar, tidaktepat, dantidakpastiyaitulogika fuzzy (fuzzy logic) • Metodeterbaikdalampenanganansistempakarklasik yang tidakpresisi, didasarkanpadakonsepprobabilitas. • MYCIN, memperkenalkan certainty factors. • PROSPECTOR, disandingkandenganaturanBayesuntukmempropagasiketidakpastian • Pakarbiasanyatidakmemikirkannilaiprobabilitas, tetapiistilahsepertisering, umumnya, kadang-kadang, danjarang. • Logika fuzzy didasarkanpadapenggunaannilai fuzzy yang meng-capture maknakata, penalaranmanusiadanpembuatankeputusan. • Sebagaimetode yang menyandikandanmenerapkanpengetahuanmanusiadalambentuk yang secaraakuratmerefleksikanpemahamanpakar yang sulit, masalahkompleks • Logika fuzzy memberikancarauntukmenyelesaikanmelaluikomputasi yang paling baikdarisistempakartradisional

23. Era baruRekayasaPengetahuan(akhir 1980 – sekarang) • Dalamjantunglogika fuzzy, ditempatkankonsepvariabellinguistik. • Variabellinguistikadalahkata, bukanangka • Miripdengansistempakar, sistem fuzzy menggunakanaturan IF-THEN untukdisandingkandenganpengetahuanmanusia, tetapiaturaninikabur (fuzzy), seperti : • IF speed is high THEN stopping_distance is long • IF speed is low THEN stopping_distance is short. • Teorilogika fuzzy (fuzzy set) diperkenalkanoleh Professor LotfiZadeh (1965) – Memberikanpemahamankomputasidengankata. • Keuntunganaplikasi yang dimodelkandenganlogika fuzzy : • Meningkatkankekuatankomputasi • Fuzzy rule-based systemsbekerjalebihcepatdibandingsistempakarkonvensional • Meningkatkanpemodelankognitif • Sistem fuzzy bisamengkodekanpengetahuandalambentuk yang merefleksikancarapakardalammemikirkanmasalah yang kompleks. • Pemikiran yang tidakpresisiseperti, tinggidanrendah, cepatdanlambat, beratdanringan, danmenggunakanistilahsepertisangatseringdanhampirtidakpernah, biasanyadanhampirtidakpernah, seringdanjarang, dsb. • Kemampuanmerepresentasikanbeberapapakar • Sistempakarkonvensionaldibangundalam domain masalah yang sempit

24. Kesimpulan Kecerdasanadalahkemampuanuntukbelajardanmemahami, menyelesaikanmasalahdanmembuatkeputusan. Artificial intelligence (Kecerdasanbuatan) adalahilmu yang mendefinisikantujuannyadalampembuatanmesin yang melakukansesuatu yang membutuhkankecerdasanjikadilakukanolehmanusia. Sebuahmesindisebutcerdasjikadiadapatmencapaikinerjapada level manusiadalambeberapapekerjaankognitif. Untukmembangunmesincerdas, kitaharusmeng-capture, mengorganisasikandanmenggunakanpengetahuanpakarmanusiadalambeberapawlayahmasalah. Realisasibahwa domain masalahuntukmesincerdasharusdibatasi, ditandaioleh ‘pergeseranparadigma’ dalam AI dari ‘general-purpose’, sedikitpengetahuan, metode yang lemahmenjadi domain spesifik, metodepengetahuan yang intensif.

25. Kesimpulan • Satudarikesulitanutamadalampembangunanmesincerdas (knowledge engineering), adalah ‘knowledge acquisition bottleneck’ – mengestrakpengetahuandarimanusiapakar. • Pakarberfikirdalamistilah yang tidakjelassepertisangatseringdanhampirtidakpernah, biasanyadanhampirtidakpernah, seringdanjarang, danmenggunakanvariabellinguistik, sepertitinggidanrendah, cepatdanlambat, beratdanringan. • Sistempakartidakdapatbelajardanmeningkatkandirinyamelaluipengalaman • Artificial neural networks, diinspirasiolehjaringansyarafbiologis, belajardarikasussejarah: • Membuatkemungkinanuntuk men-generate aturansecaraotomatis • Menghindarikelambatan • Pemrosesan yang mahalsaatakuisisipengetahuan, validasidanrevisi. • Integrasisistempakardan ANN, logika fuzzy dan ANN meningkatkanadaptabilitas, toleransikegagalandankecepatansistemberbasispengetahuan.

26. ANY QUESTION ? Selanjutnya……… Materi 2 - Jaringansyaraftiruan