Sistem Cerdas Berbasis Pengetahuan KECERDASAN BUATAN (Artificial Intelligence) Materi 1 Eko Prasetyo Teknik Informatika Univ. Pembangunan Nasional Veteran Jawa Timur 2011

Mesin Cerdas Lebih dari 2000 tahun para ahli berusaha menjawab pertanyaan universal: Bagaimana manusia berfikir, bekerja ? Apakah non-manusia bisa berfikir ? – Sampai saat ini masih berlum terjawab. Beberapa ahli sudah mulai membuat pendekatan komputasi ilmu komputer yang diterima sebagai ide dimana komputasi tersebut bisa melakukan sesuatu seperti yang dilakukan manusia. Para ahli dan ilmuan kemudian menamakannya mesin “cerdas” Apa yang dimaksud dengan “kecerdasan” ? [Essential English Dictionary, Collins, London, 1990]: Kecerdasan seseorang adalah kemampuan untuk memahami dan mempelajari sesuatu Kecerdasan adalah kemampuan untuk memikirkan dan memahami maksud dalam melakukan sesuatu oleh insting (atau secara otomatis) Definisi 1  Kecerdasan dimiliki oleh manusia Definisi 2  Memberikan perbedaan pendekatan secara jelas dan beberapa fleksibilitas, tidak menyebutkan apakah orang atau benda yang mempunyai kemampuan untuk berpikir dan memahami.

Mesin Cerdas Befikir [Essential English Dictionary, Collins, London, 1990]: Aktifitas menggunakan otak dalam memandang masalah atau membuat ide. Kecerdasan adalah “Kemampuan untuk mempelajari dan memahami, untuk menyelesaikan masalah dan untuk membuat keputusan” Sejak 1940 – Komputer sudah mulai diusahakan untuk dapat berpikir  Masa “dark age” AI Tujuan AI sebagai ilmu pengetahuan adalah membuat mesin melakukan sesuatu dimana hal tersebut membutuhkan kecerdasan jika dilakukan oleh manusia [Boden, 1977]. Pertanyaannya “Bisakah mesin berfikir ?” Pada kenyataannya : ada orang yang pandai dalam matematika tapi lemah dalam hal sejarah. Ada yang pandai mencari uang….ada yang pandai dalam menghabiskan uang. Kemampuan manusia berbeda pada setiap area ilmu pengetahuan Jika mesin juga dapat berfikir, tentu juga pada area yang terbatas

Mesin Cerdas Paper paling tua dan signifikan dalam bidang mesin cerdas “Computing machinery and intelligence”, ditulis oleh ahli matematika Inggris Alan Turing, lebih dari 60 tahun lalu (Turing, 1950). Pada 1937, mengusulkan konsep mesin universal. PD II, menjadi pemain kunci dalam pemecahan Enigma, mesin encoding militer Jerman Mendesain “Automatic Computing Engine”. Menulis program pertama yang dapat memainkan catur secara lengkap. Diimplementasikan dalam komputer Manchester University . Konsep teori komputer universal dan pengalaman prakteknya dalam pembangunan sistem pemecahan kode melengkapinya untuk mendekati dasar kunci kecerdasan buatan. Pertanyaannya : Adakah pemikiran tanpa pengalaman ? Adakah pikiran tanpa komunikasi ? Adakah bahasa tanpa kehidupan ? Adakah kecerdasan tanpa kehidupan ? Pertanyaan mendasar dalam kecerdasan buatan. Bisakah mesin berpikir ?

Turing imitation game Pertanyaan ‘Can machines think?’, Turing mengatakan seharusnya kita bertanya, ‘Can machines pass a behaviour test for intelligence ?’ Prediksinya, tahun 2000, komputer dapat diprogram untuk bisa melakukan percakapan dengan manusia selama 5 menit dan mampunyai peluang 30% untuk membohongi introgator bahwa dia adalah manusia. Turing mendefinisikan kecerdasan perilaku komputer sebagai kemampuan untuk mencapai kinerja level manusia dalam pekerjaan kognitif (teori) Artinya komputer dikatakan lulus tes jika introgator tidak dapat membedakan mesin dengan manusia pada basis jawaban pertanyaan mereka. Pada tahun 2020, diperkirakan otak manusia dapat dimodelkan menjadi sebuah chip seukuran gula

Sejarah AI – dari “dark age” sampai knowledge-based systems AI adalah bidang ilmu yang dibangun melalui 3 generasi peneliti. Periode “Dark Age” – lahirnya AI (1943–1956) Warren McCulloch and Walter Pitts (1943) dari Columbia University, menyampaikan hasil penelitian mengenai AI : Pemodelan neuron dari otak manusia. McCulloch dan Pitts mengusulkan model jaringan syaraf tiruan pada masalah biner. Kenyataannya, pemecahan masalah tidak semua linier. John von Neumann (1930) membuat stored program machine. Mendorong pengembangan Neural Network Computer oleh Marvin Minsky and Dean Edmonds pada tahun 1951. Claude Shannon mempublish paper permainan catur yang memungkinkan 10120 pergerakan (1950)  Menggunakan teknik heuristik dalam mencari solusi McCarthy, Minsky, dan Shannon bergabung untuk riset mesin cerdas, jaringan syaraf tiruan, dan teori automata. Pelatihan dan penelitian para ahli diatas memulai lahirnya ilmu baru yang kemudian dikenal dengan “Artificial Intelligence”

Periode Bangkitnya AI – Era harapan besar (1956-akhir 1960) Pada periode tersebut komputer umunya hanya dapat melakukan pekerjaan perhitungan matematika. McCarthy mendefinisikan LISP – bahasa pemrograman tertua (FORTRAN 2 tahun lebih tua) 1958, McCarthy mempresentasikan paper “Programs with Common Sense” yang kemudian disebut Advice Talker untuk mencari solusi masalah umum di dunia. Bisa mengenerate, misalnya bagaimana mengendara ke bandara didasarkan beberapa aksioma. Yang terpenting, program didesain untuk bisa menerima aksioma baru (pengetahuan baru) – wilayah keahlian (kepakaran) yang berbeda tanpa diprogram ulang. Advice Taker menjadi sistem berbasis pengetahuan yang pertama mendampingi pusat pokok representasi dan penalaran pengetahuan Minsky membangun anti-logical outlook pada representasi dan penalaran pengetahuan (Minsky, 1975) merupakan kontribusi utama rekayasa pengetahuan Neural computing dan ANN yang dimulai oleh McCulloch dan Pitts dilanjutkan oleh Rosenblatt yang membuktikan teorema konvergensi perceptron, mendemonstrasikan algoritma pembelajaran yang dapat menyesuaikan kekuatan hubungan perceptron (Rosenblatt, 1962).

Periode Bangkitnya AI – Era harapan besar (1956-akhir 1960) General Problem Solver (GPS) (Newell and Simon, 1961, 1972). Allen Newell and Herbert Simon membangun program serba guna untuk mensimulasikan metode penyelesaian masalah manusia. GPS berusaha memisahkan pemecahan masalah dari data Didasarkan pada teknik yang sekarang dikenal sebagai means-ends analysis Mean-ends analysis digunakan untuk menentukan perbedaan kondisi saat itu dengan kondisi yang diinginkan dari masalah, menerapkan operasi tertentu untuk mencapai kondisi tujuan. Jika kondisi yang dituju belum tercapai, akan digunakan tujuan terdekat, kemudian mengulangi proses yang sama sampai tujuan tercapai. GPS gagal menyelesaikan masalah yang komplek. Penggunaan waktu dan memori yang besar dalam eksekusi membuatnya dibuang. Peneliti AI berusaha untuk mensimulasikan pemikiran masalah yang kompleks dengan membuat metode umum untuk menyelesaikan kelas masalah yang luas. Lotfi Zadeh (1965) mempublish paper “Fuzzy Sets” yang dianggap sebagai dasar teory himpunan Fuzzy. Selama 2 dekade, peneliti fuzzy telah membangun ratusan mesin pintar dan sistem cerdas.

Janji yang belum terpenuhi (1960-Awal 1970) 1950, peneliti menjanjikan adanya sistem cerdas serbaguna dengan dasar skala pengetahuan manusia pada 1980, dan melewati kecerdasan manusia di tahun 2000. 1970, mengklaim bahwa hal itu terlalu optimis. Kesulitan utama di tahun 1960 : Peneliti AI menggunakan metode umum untuk menyelesaikan masalah yang luas. Seharusnya masalah besar dipecah menjadi masalah kecil. Kebanyakan peneliti AI berusaha menyelsaikan masalah yang terlalu luas dan sulit. Seperti : mesin translasi bahasa (Rusia  Inggris) dengan kamus elektronik  membutuhkan pemahaman umum tentang tata bahasa dari kedua bahasa. Mesin ini kemudian ditolak. 1971, pemerintah Inggris menunda pembiayaan penelitian AI, karena tidak adanya hasil yang signifikan yang didapat.

Teknologi Sistem Pakar – Kunci kesuksesan (Awal 1970 – Pertengahan 1980) Permasalahan pengembangan pada periode sebelumnya adalah pembatasan masalah. Para peneliti berkeyakinan bahwa algoritma pencarian dan teknik penalaran yang lebih pintar dapat dibuat untuk mengemulasikan metode umum, mirip manusia dalam memecahkan masalah. DENDRAL, contoh program teknologi yang muncul di tahun 1969 untuk analisis kimia. Feigenbaum bekerjasama dengan Lederberg (ahli kimia) untuk membuat program yang dapat bekerja pada level pemikiran manusia, kemudian disebut sistem pakar. Feigenbaum tidak hanya menggunakan aturan kimia dalam memahami pemikiran masalah kimia tapi juga menggunakan pengetahun heuristik-nya, yang kemudian masalah ini disebut dengan “knowledge acquisition bottleneck”. “knowledge acquisition bottleneck” : bagaimana mengekstrak pegetahuan manusia pakar menjadi program komputer Kedua bersama Buchanan membangun DENDRAL  Sistem berbasis pengetahuan pertama yang sukses.

DENDRAL Kemunculannya menandai “perubahan paradigma” AI : pergeseran dari “general-purpose”, sedikit pengetahuan, metode yang lemah, menjadi domain khusus, teknik pengetahuan intensif. Maksud dari proyek DENDRAL adalah mengembangkan program komputer untuk mencapai level kinerja pengalaman manusia. DENDRAL membuktikan bahwa komputer dapat sama ahlinya dalam wilayah masalah yang sempit dan terdefinisi. Proyek DENDRAL merupakan ide dasar metodologi baru yaitu sistem pakar – knowledge engineering, yang meliputi teknik peng-capture-an, analisis, pengekpresian aturan ‘know-how’ pakar.

MYCIN MYCIN adalah rule-based expert system untuk diagnosis infectious blood diseases Karakter umum MYCIN sebagai sistem pakar awal : MYCIN dapat bekerja pada level orang pakar, dipandang lebih baik dari pada dokter muda. Pengetahuan MYCIN terdiri dari sekitar 450 aturan independen bentuk IF-THEN dari pengetahuan manusia dalam domain kecil melalui wawancara pakar secara intensif Pengetahuan disandingkan dengan bentuk aturan yang secara jelas terpisah dari mekanisme penalaran. Pengembang sistem dapat dengan mudah memanipulasi pengetahuan dalam sistem dengan menyisipkan atau menghapus beberapa aturan. EMYCIN (Empty MYCIN) adalah versi MYCIN yang kosong (tanpa pengetahuan). Menambahkan fitur ketidakpastian, yang kemudian disebut Uncertainty Factor.

PROSPECTOR Sistem pakar eksplorasi mineral yang dikembangkan oleh Stanford Research Institute (Duda et al., 1979). 9 pakar berkontribusi pada pengetahuan dan kepakaran. Menggunakan kombinasi struktur yang menyandingkan aturan dengan jaringan semantik Menggunakan lebih dari seribu aturan untuk merepresentasikan domain pengetahuan yang luas. Cara kerja : Ahli geologis memasukkan karakteristik geologi, sistem melakukan perbandingan dengan model yang ada, jika mungkin akan mengquery user untuk mendapatkan tambahan informasi, sistem melakukan penilaian dan memberikan kesimpulan. Ketidakpastian dalam ilmu geologi ditangani dengan menyandingkan dengan aturan Bayes untuk mempropagasi ketidakpastian melalui sistem.

Perkembangan Sistem Pakar Aplikasi sistem pakar banyak bermunculan di akhir 1970  menunjukkan kesuksesan AI Bahasa AI yang banyak digunakan: LISP, PROLOG, OPS. Survey ditahun 1986, beragam penerapan sistem pakar ditemukan: kimia, elektronik, teknik, geologi, manajemen, kedokteran, kontrol proses, dan ilmu militer. Waterman melaporkan ada 200 SP, paling banyak dalam bidang kedokteran. 7 tahun kemudian (Durkin, 1994) melaporkan ada 2500 sistem pakar didunia yang sudah dikembangkan. Wilayah baru yang banyak berkembang adalah bisnis dan perusahaan. Banyaknya sistem pakar yang sudah dikembangkan diberbagai bidang ternyata diluar perkiraan kemampuan teknologi ini. Teknologi baru berkembang tapi sudah banyak diimplementasikan Kesulitannya ada pada kompleksitas dan posisi teknis dan kegiatan sosial.

Kesulitan yang dihadapi Sistem Pakar generasi awal Terbatas pada domain pakar yang sempit. MYCN hanya pada masalah penyakit darah, jika pasien mempunyai penyakit dalam domain yang lain, maka MYCIN tidak dapat digunakan Karena domain yang sempit, sistem pakar tidak robust dan flexible seperti yang diinginkan user. Mempunyai kemampuan penjelasan yang terbatas. Bisa menunjukkan urutan aturan yang diterapkan untuk mencapai solusi, tetapi tidak dapat menghubungkan akumulasi dan heuristic pengetahuan untuk memperdalam pengetahuan domain masalah. Sulit diverifikasi dan divalidasi Sistem pakar, khususnya generasi pertama, mempunyai sedikit bahkan tidak ada sama sekali kemampuan untuk belajar dari pengalaman.

Machine learning – Rebirth of Neural Network (Pertengahan 1980 – sekarang) Pertengahan 1980, peneliti, insinyur, pakar menyadari bahwa pengembangan sistem pakar membutuhkan lebih banyak tidak hanya sistem penalaran atau shell sistem pakar, dan meletakkan aturan yang cukup didalamnya. Disadari oleh kebutuhan sistem pakar untuk dapat memprediksi musim dingin berbasis kecerdasan buatan, para peneliti mulai melirik Jaringan Syaraf Cowan (1960) sebenarnya sudah memberikan komputasi syaraf yang dibutuhkan. Baru pada 1980 melakukan solusi tersebut. Alasan delaynya teknologi ini: Tidak ada PC untuk memodelkan dan mengeksperimen jaringan syaraf tiruan. Psikologi dan keuangan Minsky dan Papert (1969): mendemonstrasikan batasan komputasi dasar perceptron single layer. Tidak ada alasan untuk membutuhkan perceptron multilayer yang lebih kompleks Ini tentu saja mendorong peneliti berikutnya untuk masuk ke bidang jaringan syaraf ditahun di era 1970

Machine learning – Rebirth of Neural Network (Pertengahan 1980 – sekarang) Di era 1980, karena kebutuhan pemrosesan informasi seperti otak, seiring peningkatan teknologi komputer dan progres dalam ilmu syaraf, bidang jaringan syaraf menjadi bangkit dengan sangat dramatis. Grossberg memunculkan prinsip baru dari self-organisation (adaptive resonance theory), yang memberikan basis untuk kelas baru jaringan syaraf (Grossberg, 1980). Hopfield memperkenalkan jaringan syaraf dengan feedback – Hopfield networks, yang menimbulkan banyak perhatian di era 1980 (Hopfield, 1982). Kohonen mempublish paper self-organised maps (Kohonen, 1982). Barto, Sutton and Anderson mempublish pekerjaannya dalam memperkuat kontrol pembelajaran dan aplikasinya (Barto et al.,1983).

Machine learning – Rebirth of Neural Network (Pertengahan 1980 – sekarang) Terobosan baru yang sesungguhnya datang di tahun 1986 ketika algoritma pembelajaran back-propagation pertama diperkenalkan oleh Bryson and Ho pada 1969 (Bryson and Ho, 1969), ditemukan kembali oleh Rumelhart dan McClelland dalam Parallel Distributed Processing: Explorations in the Microstructures of Cognition (Rumelhart and McClelland, 1986). Pada saat yang sama, back-propagation learning juga dibahas oleh Parker (Parker, 1987) dan LeCun (LeCun, 1988), selanjutnya menjadi metode yang paling populer untuk pelatihan perceptron multilayer. Pada tahun 1988, Broomhead and Lowe menemukan prosedur untuk mendesain jaringan layer feedforward menggunakan radial basis function, sebuah alternatif perceptrons multilayer(Broomhead and Lowe, 1988). Jaringan syaraf tiruan telah menempuh perjalanan panjang dari model awal McCulloch dan Pitts hingga menjadi subyek interdisiplin ilmu dengan akar dari ilmu syaraf, psikologi, matematika, dan teknik. Dan terus dikembangkan dalan area teori dan aplikasi praktek.

Evolutionary Computation atau Learning by doing (awal 1970 – sekarang) Kecerdasan alami merupakan hasil dari evolusi. Maka, dengan pensimulasian evolusi biologis, kita perlu mendiskusikan bagaimana sistem kehidupan didorong menuju level kecerdasan yang lebih tinggi. “Nature learns by doing” Sistem individu menunjukkan bagaimana setiap individu beradaptasi pada suatu lingkungan tertentu – mereka bersaing untuk mempertahankan kelangsungan hidup. Spesies yang lebih baik mempunyai kesempatan yang lebih baik untuk bereproduksi, maka mereka dapat memberikan unsur genetiknya (gen) pada generasi berikutnya. Pendekatan evolusi dalam AI didasarkan pada model komputasi seleksi dan genetik alami. Bekerja dengan mensimulasikan populasi sejumlah individu, mengevaluasi kinerja, men-generate populasi baru, dan mengulangi proses ini sejumlah iterasi tertentu. Komputasi evolusi mengombinasikan 3 teknik: algoritma genetika, strategi evolusi, dan genetic programming. Konsep algoritma genetika diperkenalkan oleh John Holland (1975) Membangun algoritma untuk memanipulasi ‘kromosom’ buatan (string digit biner) menggunakan operasi genetik seperti: seleksi, crossover, dan mutasi.

Evolutionary Computation atau Learning by doing (awal 1970 – sekarang) Strategi evolusi, (terpisah dari 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 dan Schwefel mengusulkan perubahan acak dalam parameter sebagai kejadian mutasi alami. Genetic programming merepresentasikan aplikasi model genetika dari pembelajaran untuk pemrograman. Tujuannya bukan untuk meyusun kode representasi masalah, melainkan kode komputer untuk menyelesaikan masalah. Genetic programming men-generate program komputer untuk solusi.

Era baru Rekayasa Pengetahuan (akhir 1980 – sekarang) Teknologi jaringan syaraf tiruan (ANN) menawarkan interaksi yang lebih alami dengan dunia nyata daripada menjalankan sistem yang didasarkan pada penalaran simbolik. ANN bisa mempelajari, beradaptasi, mengubah lingkungan masalah, memunculkan pola dalam situasi dimana aturan tidak dapat memahami, dan mencapainya dengan informasi yang fuzzy atau tidak lengkap. ANN minim fasilitas penjelasan dan biasanya bertindak seperti black box. Proses pelatihan (training) ANN dengan teknologi saat ini lambat, dan seringnya retraining bisa menyebabkan kesulitas yang serius. Dalam kasus tertentu dimana ada sedikit informasi, ANN bisa menyelesaikan masalah dengan lebih baik dibanding sistem pakar Dua teknologi ini tidak bersaing saat ini, tapi saling melengkapi satu sama lain. Neural computing dapat digunakan untuk mengekstrak pengetahuan yang tersembunyi dalam data set yang besar untuk mendapatkan aturan sistem pakar. ANN dapat mengoreksi aturan dalam traditional rule-based expert systems (Omlin and Giles,1996) Dimana pengetahuan yang dibutuhkan tidak lengkap maka ANN dapat memperbaiki pengetahuan, Dimana pengetahuan tidak konsisten dengan data yang diberikan, ANN dapat merevisi aturan.

Era baru Rekayasa Pengetahuan (akhir 1980 – sekarang) Teknologi sangat penting yang lain adalah yang menangani pengetahuan yang samar, tidak tepat, dan tidak pasti yaitu logika fuzzy (fuzzy logic) Metode terbaik dalam penanganan sistem pakar klasik yang tidak presisi, didasarkan pada konsep probabilitas. MYCIN, memperkenalkan certainty factors. PROSPECTOR, disandingkan dengan aturan Bayes untuk mempropagasi ketidakpastian Pakar biasanya tidak memikirkan nilai probabilitas, tetapi istilah seperti sering, umumnya, kadang-kadang, dan jarang. Logika fuzzy didasarkan pada penggunaan nilai fuzzy yang meng-capture makna kata, penalaran manusia dan pembuatan keputusan. Sebagai metode yang menyandikan dan menerapkan pengetahuan manusia dalam bentuk yang secara akurat merefleksikan pemahaman pakar yang sulit, masalah kompleks Logika fuzzy memberikan cara untuk menyelesaikan melalui komputasi yang paling baik dari sistem pakar tradisional

Era baru Rekayasa Pengetahuan (akhir 1980 – sekarang) Dalam jantung logika fuzzy, ditempatkan konsep variabel linguistik. Variabel linguistik adalah kata, bukan angka Mirip dengan sistem pakar, sistem fuzzy menggunakan aturan IF-THEN untuk disandingkan dengan pengetahuan manusia, tetapi aturan ini kabur (fuzzy), seperti : IF speed is high THEN stopping_distance is long IF speed is low THEN stopping_distance is short. Teori logika fuzzy (fuzzy set) diperkenalkan oleh Professor Lotfi Zadeh (1965) – Memberikan pemahaman komputasi dengan kata. Keuntungan aplikasi yang dimodelkan dengan logika fuzzy : Meningkatkan kekuatan komputasi Fuzzy rule-based systems bekerja lebih cepat dibanding sistem pakar konvensional Meningkatkan pemodelan kognitif Sistem fuzzy bisa mengkodekan pengetahuan dalam bentuk yang merefleksikan cara pakar dalam memikirkan masalah yang kompleks. Pemikiran yang tidak presisi seperti, tinggi dan rendah, cepat dan lambat, berat dan ringan, dan menggunakan istilah seperti sangat sering dan hampir tidak pernah, biasanya dan hampir tidak pernah, sering dan jarang, dsb. Kemampuan merepresentasikan beberapa pakar Sistem pakar konvensional dibangun dalam domain masalah yang sempit

Kesimpulan Kecerdasan adalah kemampuan untuk belajar dan memahami, menyelesaikan masalah dan membuat keputusan. Artificial intelligence (Kecerdasan buatan) adalah ilmu yang mendefinisikan tujuannya dalam pembuatan mesin yang melakukan sesuatu yang membutuhkan kecerdasan jika dilakukan oleh manusia. Sebuah mesin disebut cerdas jika dia dapat mencapai kinerja pada level manusia dalam beberapa pekerjaan kognitif. Untuk membangun mesin cerdas, kita harus meng-capture, mengorganisasikan dan menggunakan pengetahuan pakar manusia dalam beberapa wlayah masalah. Realisasi bahwa domain masalah untuk mesin cerdas harus dibatasi, ditandai oleh ‘pergeseran paradigma’ dalam AI dari ‘general-purpose’, sedikit pengetahuan, metode yang lemah menjadi domain spesifik, metode pengetahuan yang intensif.

Kesimpulan Satu dari kesulitan utama dalam pembangunan mesin cerdas (knowledge engineering), adalah ‘knowledge acquisition bottleneck’ – mengestrak pengetahuan dari manusia pakar. Pakar berfikir dalam istilah yang tidak jelas seperti sangat sering dan hampir tidak pernah, biasanya dan hampir tidak pernah, sering dan jarang, dan menggunakan variabel linguistik, seperti tinggi dan rendah, cepat dan lambat, berat dan ringan. Sistem pakar tidak dapat belajar dan meningkatkan dirinya melalui pengalaman Artificial neural networks, diinspirasi oleh jaringan syaraf biologis, belajar dari kasus sejarah: Membuat kemungkinan untuk men-generate aturan secara otomatis Menghindari kelambatan Pemrosesan yang mahal saat akuisisi pengetahuan, validasi dan revisi. Integrasi sistem pakar dan ANN, logika fuzzy dan ANN meningkatkan adaptabilitas, toleransi kegagalan dan kecepatan sistem berbasis pengetahuan.

Materi 2 - Jaringan syaraf tiruan ANY QUESTION ? Selanjutnya……… Materi 2 - Jaringan syaraf tiruan