Pembelajaran pada Sistem gerak Berpengetahuan

/^^E͗ϮϬϴϳͲϯϯϮϴ

WƌŽƐŝĚŝŶŐ

<ŽŶĨĞƌĞŶƐŝEĂƐŝŽŶĂů

/ŶĨŽƌŵĂƚŝŬĂϮϬϭϬ

^ŝƐƚĞŵ<ŽŵƉƵƚĂƐŝĞƌŝŶƚĞůŝŐĞŶƐŝ

ĂŶĚƵŶŐ͕ϭϭKŬƚŽďĞƌϮϬϭϬ

^ĞŬŽůĂŚdĞŬŶŝŬůĞŬƚƌŽĚĂŶ/ŶĨŽƌŵĂƚŝŬĂ

/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐ

<ŽŶĨĞƌĞŶƐŝEĂƐŝŽŶĂů/ŶĨŽƌŵĂƚŝŬĂʹ<E/&ϮϬϭϬ

/^^E͗ϮϬϴϳͲϯϯϮϴ

ŝŝ

<ŽŵŝƚĞWƌŽŐƌĂŵ

<ĞƚƵĂ

͗ǁŝ,͘tŝĚLJĂŶƚŽƌŽ

tĂŬŝů<ĞƚƵĂ

͗LJƵWƵƌǁĂƌŝĂŶƚŝ

ŶŐŐŽƚĂ

͗

ĚĂŶŐ^͘ŚŵĂĚ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ

DŝƌŶĂĚƌŝĂŶŝ

;hŶŝǀĞƌƐŝƚĂƐ/ŶĚŽŶĞƐŝĂͿ

/ƉŝŶŐ^ƵƉƌŝĂŶĂ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ

ƌŝĨũƵŶĂŝĚLJ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝ^ĞƉƵůƵŚEŽƉĞŵďĞƌͿ

ĂŝŶĂů͘,ĂƐŝďƵĂŶ

;hŶŝǀĞƌƐŝƚĂƐ/ŶĚŽŶĞƐŝĂͿ

ĞŶŚĂƌĚ^ŝƚŽŚĂŶŐ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ

d͘ĂƐĂƌƵĚĚŝŶ

;hŶŝǀĞƌƐŝƚĂƐ/ŶĚŽŶĞƐŝĂͿ

dĂƚŝ>͘DĞŶŐŬŽ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ

ZŝůĂDĂŶĚĂůĂ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ

ZĞƚĂŶƚLJŽtĂƌĚŽLJŽ

;hŶŝǀĞƌƐŝƚĂƐ'ĂĚũĂŚDĂĚĂͿ

ĂŵďĂŶŐZŝLJĂŶƚŽ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ

ƌŵĞŝŶ͘Z͘>ĂŶŐŝ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ

^ƵŚŽŶŽ,͘^ƵƉĂŶŐŬĂƚ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ

:ŽŬŽ>ŝĂŶƚŽƵůŝĂůŝ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝ^ĞƉƵůƵŚEŽƉĞŵďĞƌͿ

ŶĚƌŝLJĂŶ͘^ƵŬƐŵŽŶŽ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ

ĨǁĂƌŵĂŶDĂŶĂĨ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ

<ƌŝĚĂŶƚŽ^ƵƌĞŶĚƌŽ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ

ZŝLJĂŶĂƌƚŽ^ĂƌŶŽ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝ^ĞƉƵůƵŚEŽƉĞŵďĞƌͿ

,ƵƐŶŝ^͘^ĂƐƚƌĂŵŝŚĂƌĚũĂ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ

ĐŚŵĂĚ/ŵĂŵ<ŝƐƚŝũĂŶƚŽƌŽ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ

ZŝŶĂůĚŝ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ

,ĞŶŶLJzƵƐŶŝƚĂƵďŝƌ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ

EƵƌhůĨĂDĂƵůŝĚĞǀŝ

;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ

WĞůĂŬƐĂŶĂ

͗

DĂƐĂLJƵ>ĞLJůŝĂ<ŚŽĚƌĂ

,Ăƌůŝůŝ

DĂƌLJ,ĂŶĚŽŬŽ

^ĂŶƚŝŬĂtĂĐŚũƵĚŝŶWĂƌƚĂƐƵďŝƚĂ

ƵŐŝtŝďŽǁŽ

>ƵŬŵĂŶ,ĞƌLJĂǁĂŶ

DƵŶĂǁĂƌŚŵĂĚ

:ƵĚŚŝ^ĂŶƚŽƐŽ

WĞŶLJĞůĞŶŐŐĂƌĂ ͗<ĞůŽŵƉŽŬ<ĞĂŚůŝĂŶ/ŶĨŽƌŵĂƚŝŬĂ

^ĞŬŽůĂŚdĞŬŶŝŬůĞŬƚƌŽΘ/ŶĨŽƌŵĂƚŝŬĂ

/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐ

Konferensi Nasional Informatika - KNIF 2010 ISSN: 2087 - 3328

122

Pembelajaran pada Sistem Berpengetahuan-Tumbuh :

Emulasi Cara Manusia Berpikir

Arwin Datumaya Wahyudi Sumari

Departemen Eletktronika Akademi Angkatan Udara

Jl. Laksda Adisutjipto, Yogyakarta – 55002 +62 274 486922 ext 6101, 6108

arwin91@aau.ac.id

Adang Suwandi Ahmad

Sekolah Teknik Elektro dan Informatika Gedung Achmad Bakrie Lt. 2 Jl. Ganeca 10, Bandung – 40132

+62 22 2502260

asaisrg@yahoo.com

Aciek Ida Wuryandari

Sekolah Teknik Elektro dan Informatika Gedung Achmad Bakrie Lt. 2 Jl. Ganeca 10, Bandung – 40132

+62 22 2500960

aciekidaw@yahoo.com

Jaka Sembiring

Sekolah Teknik Elektro dan Informatika Gedung Achmad Bakrie Lt. 2 Jl. Ganeca 10, Bandung – 40132

+62 22 2500985

jaka@depkominfo.go.id

ABSTRAK

Sistem Berpengetahuan-Tumbuh terinspirasi otak manusia adalah sebuah sistem berbasis agen kognitif yang memiliki kemampuan untuk menumbuhkan pengetahuannya seiring bertambahnya informasi yang ia terima seiring berjalannya waktu. Tidak seperti paradigma pembelajaran dalam Kecerdasan Tiruan yang telah ada, sistem tersebut memperoleh pengetahuan mengenai sebuah fenomena melalui interaksi dengannya dalam satu rangkaian pengamatan. Cara penumbuhan pengetahuan sistem adalah emulasi cara manusia berpikir melalui fusi pada penginferensian diekstraksi dari rangkaian pengamatan tersebut berbasis metoda fusi penginferensian-informasi Observasi Multi-waktu A3S (Arwin-Adang-Aciek-Sembiring) atau OMA3S. Dalam makalah ini akan disampaikan mekanisme pembelajaran Sistem Berpengetahuan-Tumbuh untuk memperoleh pengetahuan dari fenomena yang ia amati. Pengetahuan tersebut diukur oleh parameter Derajat Keyakinan.

Kategori dan Deskriptor Obyek

I.2.0 [Kecerdasan Tiruan]: Umum – simulasi kognitif.

Istilah-Istilah Umum

Algoritma

Kata Kunci

Derajat Keyakinan, Fusi Penginferensian-Informasi, Kecerdasan Tiruan, Metoda OMA3S, Sistem Berpengetahuan-Tumbuh.

1. PENDAHULUAN

Membangun sistem cerdas yang dapat menirukan sebagian kecerdasan manusia adalah salah satu tujuan dari dibentuknya disiplin keilmuan dan teknologi Kecerdasan Tiruan, istilah yang disuarakan oleh John McCarthy lebih dari 50 tahun lalu [1]. Karena sedemikian variatifnya, kecerdasan manusia dapat ditinjau

dari beragam perspektif keilmuan seperti matematika, psikologi dan sosiologi, dan teknologi seperti nano teknologi dan pengolahan informasi secara paralel, sehingga muncul beragam pendekatan dan pengelompokkannya untuk mengemulasikan kecerdasan tersebut. Beberapa diantaranya adalah :

• Ditinjau dari perspektif keagenan yakni agen cerdas [2].

• Berdasarkan topologinya [3].

• Berdasarkan teknik-teknik komputasi berbasis probabilistik yang disebut dengan Kecerdasan Komputasional (Computational Intelligence) [4] atau Soft Computing (SC) [5].

• Berdasarkan cara memperoleh pengetahuan dan jenis

informasi yang dioleh [6].

Kecerdasan manusia bersumber dari sebuah entitas yakni otak, pengolah informasi alami yang telah ada semenjak manusia dilahirkan. Di awal kelahiran bayi, meskipun otak diyakini telah memiliki pengetahuan awal berupa ingatan dasar (background memory), pengetahuan yang disimpan akan semakin bertambah seiring dengan semakin sempurnanya organ-organ penginderaannya untuk mempersepsikan fenomena-fenomena yang ada di lingkungan sekitarnya. Ilustrasi sederhana penumbuhan pengetahuan pada bayi beserta informasi yang ditumbuhkan di dalam otaknya diperlihatkan pada Gambar 1.

Konferensi Nasional Informatika - KNIF 2010 ISSN: 2087 - 3328

123 akan tumbuh hingga dianggap cukup untuk menjelaskan fenomena yang ia persepsikan dari fenomena tersebut. Dalam ilmu kognitif dari perspektif Jean Piaget, penumbuhan pengetahuan adalah pembangunan kognitif (cognitive development) yakni proses-proses dalam akusisi pengetahuan dan informasi mengenai satu fenomena yang diobservasi melalui interaksi dengannya selama satu perioda waktu yang signifikan [11].

Gambar 1. Ilustrasi sederhana mekanisme penumbuhan pengetahuan pada manusia [10].

Dari penelitian yang telah dilakukan sejak 2007 di Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung (STEI ITB) telah dibangun Sistem Berpengetahuan-Tumbuh, yakni sebuah sistem berbasis agen kognitif yang memiliki kemampuan untuk menumbuhkan pengetahuannya seiring bertambahnya informasi yang ia terima seiring berjalannya waktu. Penumbuhan pengetahuan berjalan dalam satu siklus Penginderaan-Inferensi dan Formulasi Keputusan-Keputusan dan Tindakan (PIKT) [12] berlandaskan pada metoda fusi penginferensian-informasi Observasi Multi-waktu A3S (Arwin-Adang-Aciek-Sembiring) atau OMAS3S [13] yang dibangun dari fusi keilmuan psikologi, matematika dan Teknik Elektro dan Informatika (TEI) [10]. Kualitas pengetahuan yang ditumbuhkan diukur menggunakan parameter Derajat Keyakinan [10][12-14].

Terkait pembangunan Sistem Berpengetahuan-Tumbuh yang mengemulasikan cara manusia berpikir, dalam makalah ini akan disampaikan mekanisme pembelajaran sistem untuk memperoleh pengetahuan dan menggunakannya sebagai landasan dalam pengambilan keputusan atau tindakan. Presentasi makalah ini adalah sebagai berikut. Pada Bagian 1 telah disampaikan latar belakang penelitian, dilanjutkan dengan Bagian 2 dimana akan disampaikan konsep dasar sistem, pembangunan sistem dan metoda penumbuhan pengetahuan berbasis metoda fusi fusi penginferensian-informasi A3S dan versi dinamisnya yakni metoda OMA3S. Contoh kasus sederhana cara sistem menumbuhkan pengetahuan akan diberikan pada Bagian 3. Makalah akan ditutup pada Bagian 4 dengan beberapa catatan penutup.

2. SISTEM

BERPENGETAHUAN-TUMBUH

2.1 Konsep Dasar

Selain definisi sistem yang telah disampaikan pada Bagian 1, berikut disampaikan beberapa definisi yang sangat berkaitan [10].

• Penumbuhan pengetahuan adalah sebuah proses yang

berlangsung dalam sistem ketika melakukan fusi

penginferensian-informasi guna menumbuhkan pengetahuan baru.

• Pengetahuan baru adalah pengetahuan yang ditumbuhkan oleh sistem yang merupakan ekstraksi dari informasi terfusi. Ekstraksi informasi ini disebut dengan penginferensian. Oleh karena itu penginferensian bersifat informasi yang komprehensif.

• Informasi terfusi adalah hasil fusi terhadap informasi yang dipersepsikan oleh sensor-sensornya.

• Penginferensian (inferencing) adalah informasi hasil ekstraksi informasi atau infomasi terfusi yang akan menjadi landasan bagi pengetahuan baru.

• Derajat Keyakinan adalah satu ukuran yang memperlihatkan dinamika penumbuhan pengetahuan dari waktu ke waktu pengamatan yang diukur dengan nilai probabilitas atau prosentase.

2.2 Arsitektur Sistem dan Diagram Alir

Penumbuhan Pengetahuan

Fitur-fitur sistem [14] sebagaimana diperlihatkan pada arsitektur sistem pada Gambar 2 adalah :

• Sistem memiliki kemampuan penumbuhan pengetahuan

melalui fusi penginferensian-informasi.

• Sistem memiliki kemampuan untuk menghasilkan

penginferensian dari informasi atau pengetahuan terfusi.

• Sistem memiliki basis pengetahuan untuk menyimpan

pengetahuan. Pengetahuan yang disimpan menjadi pengetahuan awal untuk menumbuhkan pengetahuan baru.

Penumbuhan pengetahuan berdasarkan informasi yang diperoleh dari satu waktu pengamatan dilakukan menggunakan metoda A3S yang dinyatakan pada Persamaan (1).

(

)

(

) ( )

P B +A adalah Distribusi Probabilitas Pengetahuan Baru

(DPPB) dengan i=1,...,n adalah multi-indikasi dan j=1,...,m

adalah multi-hipotesa [14]. Pengetahuan baru diperoleh dengan

mengaplikasikan Persamaan (2) dengan

[ ]

Konferensi Nasional Informatika - KNIF 2010 ISSN: 2087 - 3328

124

Gambar 2. Model Sistem Berpengetahuan-Tumbuh terinspirasi otak manusia. Diadaptasi dari [15].

Berlandaskan pada Gambar 2 dibangun diagram alir penumbuhan pengetahuan pada Gambar 3 dengan intisari sebagai berikut :

• Memfusikan informasi hasil persepsi sensor-sensor terhadap fenomena yang diamati menggunakan metoda A3S sesuai Persamaan (3). Informasi terfusi adalah kombinasi informasi dari dua atau lebih sensor. Tidak ada fusi dari informasi yang berasal dari sensor tunggal.

( )

1

( )

menjelaskan fenomena yang diamati direpresentasikan sebagai nilai maksimum DPPB yang ditunjukkan pada Persamaan (4).

( )

estimate

( )

j

Pψ = ⎡_⎣Pψ ⎤_ (4)

Gambar 3. Diagram alir penumbuhan pengetahuan [10].

• Menghasilkan penginferensian dari informasi terfusi.

Penginferensian adalah ekstraksi DPPB. Dari pengamatan-pengamatan yang dilakukan sistem, akan diperoleh DPPB sebagai fungsi dari waktu pengamatan, Γ atau Ψ =f

( )

Γ . Penginferensian dilakukan dengan mengaplikasikan Persamaan (5).

( )

( )

P φ ∈ Πγ penginferensian-informasi pada waktu

pengamatan γ =1,...,Γ.

• Memfusikan penginferensian-informasi dari beberapa waktu

pengamatan untuk memperoleh penginferensian terfusi, yakni pengetahuan baru sistem yang direpresentasikan dalam bentuk Distribusi Probabilitas Pengetahuan Baru terhadap Waktu Pengamatan (DPPBtW), yang diperoleh dengan mengaplikasikan metoda OMA3S sesuai Persamaan (6).

Konferensi Nasional Informatika - KNIF 2010 ISSN: 2087 - 3328

125

( )

estimate

( )

j

Pθ = ⎡_⎣Pθ ⎤_ (7)

• Kualitas pengetahuan baru yang ditumbuhkan diukur

menggunakan parameter Derajat Keyakinan yang diformulasikan pada Persamaan (8) [12].

( )

1

φ adalah probabilitas pengetahuan untuk

hipotesa ke-j yang terbaik pada waktu pengamatan γ1.

3. TEKNIK PENUMBUHAN

PENGETAHUAN BERBASIS METODA

OMA3S

3.1 Arsitektur Sistem dan Skenario

Pembelajaran [10]

Asumsikan sebuah Sistem Berpengetahuan-Tumbuh dengan lima sensor, 5δ = yakni S₁,...,S₅pada Gambar 4 sedang mengamati suatu fenomena. Sistem akan memiliki sebanyak

(

5

)

2 5 1 26

λ = − − = hipotesa dan diantaranya terdapat

hipotesa-hipotesa yang dapat menjelaskan fenomena yang sedang diamati. Dalam kasus ini hanya ditampilkan empat hipotesa H=4 yakni

1,..., 4

H H dengan waktu pengamatan sebanyak Γ =5 yakni

1,..., 5

γ γ . Informasi hasil pengamatan diperlihatkan pada Tabel 1.

Gambar 4. Ilustrasi Sistem Berpengetahuan-Tumbuh beserta kelima sensornya [10].

Dalam mempersepsikan hasil pengamatan, sensor-sensor akan memberikan salah satu dari dua kemungkinan fenomena yakni dideteksi keberadaannya atau tidak. Kedua keadaan tersebut direpresentasikan dalam bentuk biner ‘1’ dan ‘0’.

Tabel 1. Informasi mengenai fenomena yang diindera dan dipersepsikan oleh multisumber informasi Waktu

Pengamatan ke-

Informasi dari Sensor

ke-

Pengetahuan sistem pada setiap waktu pengamatan yang direpresentasikan dalam bentuk DPPB diperoleh melalui pengaplikasian metoda A3S kepada informasi pada Tabel 2.

3.3 DPPBtW Sistem

Untuk mengetahui seberapa besar pengetahuan yang dimiliki oleh sistem setelah melakukan observasi dari waktu ke waktu, DPPBtW pada setiap waktu γ pada Tabel 2 akan difusikan lagi guna memperoleh Derajat Keyakinan terhadap fenomena yang diinderanya. Fusi penginferensian-informasi atau fusi pengetahuan ditujukan untuk membandingkan pengetahuan pada

i

γ dengan pengetahuan pada γ_i+1, misal pengetahuan sistem pada γ1 dengan pengetahuan setelah adanya informasi baru pada

2

γ dan seterusnya hingga γ5 guna memperoleh DPPBtW sistem

Konferensi Nasional Informatika - KNIF 2010 ISSN: 2087 - 3328

126

Tabel 2. Pengetahuan Sistem Berpengetahuan-Tumbuh pada selang waktu γ₁ hingga γ₅

Pengetahuan pada Waktu Pengamatan ke-

Multi-Hipotesa

Tabel 3. Derajat Keyakinan Sistem Berpengetahuan-Tumbuh dari waktu ke waktu

Pengetahuan Sistem Multi-Hipotesa 1

H H2 H3 H4

DPPBtW pada γ1 1 0 0 0

DPPBtW setelah

2γ 0,5 0,5 0 0

DPPBtW setelah

3γ 0,333 0,667 0 0

DPPBtW setelah

4γ 0,25 0,5 0 0,25

DPPBtW setelah

5γ 0,2 0,6 0 0,2

3.4 Derajat Keyakinan Sistem Tumbuh

Derajat Keyakinan Sistem Berpengetahuan-Tumbuh terhadap keempat hipotesa H1,...,H4 setelah melakukan pengamatan pada

selang waktu γ₁,...,γ₅ adalah sebagai berikut :

• Hipotesa terbaik dari DPPBtW

( )

[

0, 2;0,6;0;0, 2

]

• Derajat Keyakinan pada hipotesa terbaik

( )

1

Berdasarkan hasil komputasi di atas, dapat disimpulkan Derajat Keyakinan sistem bahwa fenomena yangdiamati adalah hipotesa

2

H adalah sebesar 60%.

3.5 Cara Berpikir Sistem

Dari hasil skenario pembelajaran di atas, dapat disampaikan bahwa cara berpikir sistem adalah sebagai berikut :

• Derajat Keyakinan sistem bahwa fenomena yang diamati

adalah H₁ secara perlahan berkurang dari 1 pada γ₁ pada menuju 0,2 pada γ5 atau setelah melakukan observasi selama

5γ . Dengan kata lain, pertambahan informasi berdampak pada pengetahuan sistem bahwa fenomena yang diobservasi adalah bukan H₁.

• Derajat Keyakinan sistem bahwa fenomena yang diobservasi

adalah benar H2 secara perlahan bertambah dari 0 pada γ1

pada menuju 0,6 pada γ5. Dengan kata lain, pertambahan

informasi berdampak pada pengetahuan sistem bahwa fenomena yang diobservasi adalah benar H2.

Dinamika penumbuhan pengetahuan tersebut diperlihatkan pada Gambar 5.

Gambar 5. Derajat Keyakinan sistem terhadap setiap hipotesa seiring dengan bertambahnya informasi dan berjalannya waktu. Diadaptasi dari [10].

4. CATATAN-CATATAN PENUTUP

Mekanisme otak dalam menumbuhkan pengetahuan sebagai hasil dari berpikir adalah salah satu bentuk kecerdasan alami yang dapat dimodelkan guna mempelajari pembangunan kognitif manusia dalam mengenali fenomena-fenomena di lingkungannya sejak ia dilahirkan di dunia, dan bertambah pintar seiring dengan semakin ia dewasa. Bertambahnya pengetahuan tersebut terjadi karena adanya fusi terhadap informasi yang dipersepsikan oleh organ-organ penginderaannya seiring dengan berjalannya waktu.

Pada model kognitif Sistem Berpengetahuan-Tumbuh, pengetahuan ditumbuhkan dengan cara fusi penginferensian-informasi berbasis metoda OMA3S. Pengetahuan mengenai fenomena yang diamati tumbuh ketika sistem berinteraksi dengannya pada satu selang waktu pengamatan yang signifikan. Pengetahuan baru sebagai hasil berpikir bersifat kualitatif sehingga tidak mudah diukur. Dengan pemodelan matematika ditinjau dari perspektif psikologi dan teori keagenan, pengetahuan yang direpresentasikan dalam bentuk DPPB/DPPBtW tersebut dapat diukur secara kuantitatif menggunakan parameter Derajat Keyakinan.

Konferensi Nasional Informatika - KNIF 2010 ISSN: 2087 - 3328

127 masalah kompleks seperti Olah Yudha pada Operasi Militer [16] dan Teknik Biomedika [13][17].

5. REFERENSI

[1] Lungarella, M., Iida, F., Bongard, J., and Pfeifer, R. (Eds). 2007. 50 Years of Artificial Intelligence: Essays Dedicated to the 50th Anniversary of Artificial Intelligence. Springer-Verlag, Heidelberg.

[2] Russel, S.J. and Norvig, P. 2002. Artificial Intelligence: A Modern Approach 2nd Edition, Prentice-Hall, New Jersey. [3] Ahmad, A.S. 2006. Natural computation as future

computation paradigm to support life quality enhancement,

Scientific Address in the 47th Anniversary of Institut Teknologi Bandung. 2 March.

[4] Engelbrecht A.P. 2007. Computational Intelligence: An Introduction 2nd Edition. John Wiley & Sons, Chichester. [5] Chaturvedi, D.K. 2008. Soft Computing: Techniques and Its

Applications in Electrical Engineering. Springer-Verlag, Heidelberg.

[6] Munakata, T. 2008. Fundamentals of the New Artificial Intelligence: Neural, Evolutionary, Fuzzy, and More 2nd

Edition. Spinger-Verlag, London.

[7] Moore, K.C. 2004. Constructivism & metacognition, http://www.tier1performance.com/Articles/

Constructivism.pdf. Diunduh tanggal 16 Mei 2010, jam 09.34 WIB.

[8] Mitchell, T. 1997. Machine Learning. McGraw-Hill, New York.

[9] Alpaydin, E. 2004. Introduction to Machine Learning. MIT Press, Massachusetts.

[10] Sumari, A.D.W. 2010. Sistem Berpengetahuan-Tumbuh : Satu Perspektif Baru Dalam Kecerdasan Tiruan. Disertasi Doktor. Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung.

[11] Ackermann, E. 2001. Piaget’s constructivism, Papert’s constructionism: What’s the difference?.

http://learning.media.mit.edu/content/publications/

EA.Piaget%20_%20Papert.pdf. Diunduh tanggal 26 Juni 2010, jam 19.27 WIB.

[12] Sumari, A.D.W., Ahmad, A.S., Wuryandari, A.I. dan Sembiring, J. 2010. Constructing brain-inspired knowledge-growing system: a review and a design concept, akan dipublikasikan dalam the Second International Conference on Distributed Framework and Applications 2010

(Universitas Gadjah Mada, 2-3 Agustus 2010). DFmA2010. Yogyakarta.

[13] Sumari, A.D.W., Ahmad, A.S., Wuryandari, A.I. dan Sembiring, J. 2009. The application of knowledge-growing system to multiagent collaborative computation for inferring the behavior of genes interaction, Int. J. Computer Science & Network Security 9(11) (Nopember 2009), 82-92.

[14] Sumari, A.D.W., Ahmad, A.S., Wuryandari, A.I. dan Sembiring, J. 2009. A mathematical model of knowledge-growing system: a novel perspective in artificial intelligence,

Proceedings of IndoMS International Conference on Mathematics and Its Applications 2009 (Universitas Gadjah Mada, 12-13 Oktober 2009). IICMA2009. Yogyakarta, 229-240.

[15] Ahmad, A.S. dan Sumari, A.D.W. 2009. A novel perspective on artificial intelligence: information-inferencing fusion for knowledge growing. The 2nd _{International Conference on}

Electrical Engineering and Informatics 2009 (Universiti Kebangsaan Malaysia, 6 Agustus 2009), ICEEI2009. Malaysia, Keynote Speech.

[16] Sumari, A.D.W., Ahmad, A.S., Wuryandari, A.I. dan Sembiring, J. 2009., Utilization of A3S method for accelerating MOOTW decision-making process, Jurnal Elektronika dan Telekomunikasi, Edisi Khusus, 9(2) (September). Lembaga Ilmu Pengetahuan Indonesia, Bandung, 143-148.