INTELIGENSIA BUA T AN DAN PERANNY A DALAM KEHIDUPAN
UNIVERSITASGADJAHMADA Pidato Pengukuhan Jabatan Guru Besar pada Fakultas Matematika dan IImu Pengetahuan Alam Universitas Gadjah Mada
Oleh: Prof. Sri Hartati, M.Sc., Ph.D.
INTELIGE:\'SIA BtJA TA:\' DA:\' PERA:\':\'Y A DALAM KEHIDUP A:\'
U:\IVERSIT AS GADJAII :vIADA
Pidato Pcngukuhan Jahatan Guru Bcsar pad a Fakultas :vIatematika dan Ilmu Pcngctahuan Lnivcrsitas Gadjah :vIada
Alam
Diucapkan di dcpan Rapat Tcrbuka Dewan Guru Besar Lnivcrsitas Gadjah :\1ada pada tanggal 20 Januari 2015 Yogyakarta
Olch: Prof. Sri IIartati, :vI.Sc., Ph.D.
B ism iIlaah irrahmaall
irrah iIIII
Yang s(~\'a 111 IIliakan. Kellla. Sekrelaris. dan anggofa DeH.'an Wali Amanal Keflla, Sekrelaris. dan ang~ola Dewan Gllru Resar. Kellla. Sekrelaris. dan anggofa Sellal Akadelllik. Reklor. dan Wakil Rl!klor. Para dekan di lingkllngan Univl!rsifas Cadjah Mada, Para kelllarga. lam II IIndangan. para ma/wsisH'a, sl!rla hadirin semlla yang saya I11llliakall jJllla, Assalaal11llal ai klll11Imrahl11alllllaah i waharakaalllh.
Salam scjahtcra bagi haclirin scmuanya. Pcrtama clan yang utama marilah kita panjatkan puji syukur ke haclirat Allah Swt., Tlihan Yang :Y1ahakuasa, atas rahmett clan hiclayah-\:ya schingga kita clapat haclir clalam Rapat Tcrbllka Dewan Guru Bcsar clalam kcaclaan bahagia clan sejahtcra. Pacla pagi yang cerah ini, saya mcnyampaikan tcrima kasih yang scbcsar-bcsarnya kcpacla Pimpinan Dewan Guru Bcsar Univcrsitas Gacljah Macla yang tclah mcmbcri kcscmpatan clan kchonnatan kcpacla saya untuk menyampaikan orasi ilmiah memcnuhi tanggung jawab clan kc\vajiban saya scbagai guru besar clalam biclang ilmu komputcr clan clcktronika pacla Fakultas :Y1atcmatika clan IImu Pcngctahuan Alam - Universitas Gacljah :Y1acla,tcrhitllng scjak 2 JlIni 2014, scsuai clcngan Surat Kcputusan Vlcnteri Pcndiclikan clan Kcbuclayaan RI :\omor 66617 1\4.3. KP20 14. Kcpacla selllruh haclirin, saya juga mcnyampaikan terima kasih yang scbcsar-bcsarnya atas kchaclirannya. Para /wdirin yang s(~\'aIIlllliakall. Kctika saya mcmpersiapkan naskah piclato, acla dilcma yang saya hadapi, satu sisi harlls mcnyampaikan paparan akaclcmik dcngan sllbstansi yang mcmaclai, scdangkan cli sisi lain saya mcnghadirkan
2 tamu yang bcragam latar hclakang akadcmiknya. Sctclah mclakukan pcrcnungan yang mendalam, akhirnya mcnctapkan judul: I:\TELIGE:\SIA BCATA:\ DA:\ PERA:\:\Y A DALA:vI KEIIIDCPA:\ Pcrannya saya khususkan di bidang mcdis. Olch karcna itu, i;:inkanlah saya mcnyampaikan pidato ini. J\dapun lingkup orasi ini secant garis bcsar saya bagi menjadi cmpat bagian: I) intcligensia manusia: penyampaian singkat tentang kcmampuan intclegcnsia manusia, 2) intcligcnsia buatan: pcrscpsi tcntang intcligcnsia buatan, 3) pcranan intcligensia buatan di bidang mcdis, dan diakhiri dcngan 4) pcnutup. lIadirill yallg saya lnuliakall,
Intcligcnsia :vIanusia Scbagaimana kita kctahui bahwa manusia diciptakan Allah Swt dalam bentuk yang scbaik-baiknya dan dibckali dcngan akal pikiran. Scbagaimana tcrcantum pada Surat J\t-Tiin J\yat 4, "Scsungguhnya Kami tclah mcnciptakan manusia dalam bcntuk yang scbaik-baiknya". :Y1anusia dibckali dcngan akal pikiran olch Tuhan scbagai makhluk yang paling scmpurna schingga dcngan akal pikiran tcrscbut manusia memiliki intcligensia yang mcrupakan pcmbeda dcngan makhluk yang lainnya. Dcngan kcccrdasan ini pula manusia dapat mcnjalani kchidupan yang dinamis dan bcradab. Kcccrdasan atau inteligensia manusia mcmpunyai implikasi scbagai bcrikut (:Y1al1inc;:,2013). I. Kcmampuan mcngklasifikasi pola-pola objck. Scorang normal akan mampu mcngklasifikasikan objck-objck yang mcmpunyai pola yang serupa kc dalam satu kclas atau rumpun. 2. -Kcmampuan bcradaptasi (kcmampuan bclajar). Kcmampuan bcradaptasi merupakan suatu kcmampuan yang dimiliki manusia dalam kchidupannya. Kcmampuan beradaptasi ini mcncntukan apakah inteligcnsia atau kcccrdasan scscorang tinggi atau rcndah.
3 3. Kemampuan menatar, baik kemampuan menalar dari kesimpulan menjadi paparan yang detail ataupun dari suatu penjelasan menjadi suatu kesimpulan yang mewakili. 4. Kemampuan mengembangkan konsep. :vIerupakan keman1puan seseorang memahami suatu cara kelja objek atau t'ungsinya dan kemampuannya bagaimana menginte'l1retasi suatu peristiwa. 5. Kcmampuan memahami adalah kcmampuan seseorang dalam melihat adanya hubungan atau rclasi di dalam suatu masalah dan kegunaan-kcgunaan hubungan bagi pemeeahan masalah tersebut. Sceara ringkas dapat didet'inisikan bahwa inteligensia adalah kemampuan seseorang beradaptasi dengan lingkungan banI. Inteligensia manusia bukanlah sebuah kcmampuan tunggal, namun berupa komposisi dari kemampuan pembelajaran, penalaran, pemecahan masalah, persepsi, dan pemahaman bahasa. I3agaimana dengan inteligensia buatan'? Bagaimana kemampuan, peran, dan manfaatnya pada kehidupan manusia'? !/adirin yang saya JJlIIliakan,
Intcligcnsia Buatan Sudah puluhan tahun manusia mcmimpikan mesin yang dapat mereplikasi kcmampuan inteligensia manusia. Ilal ini dicetuskan oleh John :vie Carthy pada tahun 1956 yang dikcnal dengan arfificial intelligence (inteligensia buatan) (Russel, 2014, Firebaugh, 1991). Apakah mimpi ini tcrwujud? Sebcrapa besarkah kcmampuan, peran, dan manj~tatnya pad a kchidupan manusia? Scbelum menjawab pertanyaan tcrscbut marilah mcnyamakan perscpsi tcrlebih dahulu mcngenai dcfinisi inteligensia buatan. Dct'inisi inteligensia buatan (113)dapat dikclompokkan menjadi empat: I) Sistcm komputer yang bcrpikir scpcl1i manusia. IB mcrupakan "Otomasi aktivitas yang bcrkaitan dcngan pemikiran manusia, sepcrti pembuatan keputusan, penyclesaian masalah, pcmbelajaran" (Bellman, 1978).
4 2)
3)
4)
SlstCl1l yang bcnindak sepcrti l1lanusia. IB merupakan "Seni dalam mcnciptakan mcsin yang melakukan fungsinya bilamana dikerjakan manusia membutuhkan keccrdasan" (Kurzwcil, 1990). Sistcm yang bcrpikir secara rasional. lB mcrupakan "Studi tClltang komputasi yang memullgkinkan untuk memahami pCllalaran dan tindakan" (Winston, 1992). Sistem yang bcrtindak seCal"arasional. IB merupakan cabang ilmu komputcr yang mcngkaji otomasi perilaku kccerdasan (Luger dan Stubblcfield, 1992) atau menandingi pcrilaku keccrdasan pada proses komputasi (SehalkofC 1990).
Vlemahami kccmpat definisi tcrsebut di atas, dapat saya nyatakan bahwa If3 merupakan cabang ilmu komputer yang bertujuan untllk mcmbuat mcsin ccrdas yang dapat berfungsi dcngan cara yang mirip dcngan yang dilakukan oleh manusia. Oalam hal ini IE adalah simlilasi dari pcmikiran manusia C',icholas dan Cassimatis, 2012). Para hac/irin yang saya l11u/iakan. Dengan mengacu pada cmpat kcmampuan intcligensia manusia dan definisi i11lclcgcnsia buatan terscbut di atas maka bebcrapa cabang ilmu intclcgensia buatan muncul, antara lain: 1. Computer reasoning, mcniru kcmampuan penalaran manusia. 2. lv!achine learning, mcniru kemampuan belajar manusia. 3. Artiticial neural networks. meniru kcmampuan jejaring saraf manusla 4. Natuml language processing, meniru kemampuan memahami bahasa manusia. 5. KnO\d('dge representation, meniru kemampuan manusia menyimpan pengctahuan dan mcmanfaatkannya untuk mcmecahkan masalah. 6. fJallern recognition, mcniru kcmampuan pancaindra manusia dalam mcngenali pola-pola objck, pola-pola bau, suara, dan scbagainya. 7. Computer vision, mcniru kcmampuan pancaindra manusia dalam l1lcngintcrprctasi objck yang dilihat, didcngar, dan dirasa.
5 8. Robotika, mcniru kcmampuan gcrakan motorik manusia, misalnya gcrakan tangan dan kaki. Hadirin yang saya IJIlIliakan,
Peran Inteligensia Buatan di Bidang :\1edis Sungguh betapa ban yak persoalan kehidupan manusia di dunia ini yang dapat diatasi dcngan mcnggunakan keccrdasan manusia. Apabila manusia bisa menciptakan mesin yang ccrdas maka pekeljaan manusia bisa mcnjadi lebih ringan. Cabang-cabang inteligensia buatan yang discbutkan di atas ban yak sekali pemanfaatannya dalam berbagai bidang kchidupan manusia, antara lain di bidang psikologi, kcdoktcran, pcrtanian, kcamanan, dan pcndidikan schingga ban yak pencliti di dunia, tcnnasuk pcncliti di UGYt, mcnggclutinya (Luxton, 2014; Hermens, 2013; Chan dkk., 2012; Popa, 2011; So dkk., 2013; Kim dkk., 2014; Vaishnavi, 2014; Jiang dkk., 2010; Vrizas dan Priska, 2014; llartati, 2010; Kusrini dkk., 2010; Freedman, 20 I0; Baker, 2000; Uyun dkk., 2014; Hartati dan Sitanggang, 2010). Ytcngingat kcterbatasan waktu maka pada kescmpatan ini saya hanya mcnyampaikan secara singkat tentang tcrapan intel igcnsia buatan di bidang mcdis. Scpcrti kita kctahui bcrsama, komputcr tclah mcmainkan pcran dalam kcmajuan bidang kedoktcran. Banyak komputer yang dipakai di bidang medis untuk menjalankan mcsin-mcsin di ruang operasi dan unit perawatan intcnsif, untuk mcnyimpan catatan mcdis dan rcscp obat. mcntransmisikannya ke bcntuk clektronik. IImu di balik praktik kcdoktcran modcrn didasarkan pada penclitian dcngan mcnggunakan komputcr. Misalnya, untuk mcnyusun dan mcnganalisis ([Jn~r yang bcsar dan data yang komplcks tentang pcmetaan genom manusia, tidak mungkin dilakukan tanpa komputcr (Hasan dan Agecly, 2011 ). Ytcskipun pcnggunaan komputer di bidang medis sudah mcngalami ban yak kcmajuan, pcran terscbut masih pcrlu dioptimalkan untuk dimanfaatkan bagi kcpentingan perawatan atau untuk mempcrsiapkan perawatan agar pcnycbaran pcnyakit dapat dicegah atau didctcksi dini. Ilal ini sangat bcnnant~lat bagi orang yang tidak
6 banyak mcmiliki akscs kc pcrawatan mcdis atau tidak mcmiliki pengctahuan yang mcmadai tcntang pcnvakit yang clapat discmbuhkan atau diccgah (NcilL 2(13). Sclain itu. l11tcl1gcnsiabuatan sckarang banyak dimanfaatkan untuk mon/loring data, pcncarian informasi, pcmroscsan citra, pengenalan pola, cdukasi mcdis (llasan dan Agccly, 2011, Sc!a dkk., 2013). Banyak negara maju tclah mclakukan inisiatif untuk mcmodcrnisasikan sistem pcr
7 Para hadirin yang saya I11l1liakan, :'v1arilah kita tengok secara sekilas bagaimana metode inteligensia buatan ini bisa kita manfaatkan sebagai mctode dalam membangun alat bantu diagnosis. Jaringan Saraf Tiruan 1aringan saraf tiruan/arlijicia/nellra/ne/H'ork (1ST) merupakan salah satu bidang II3 yang banyak diterapkan pada bidang medis (AIShayea, 2011, Khan dkk., 2013). Jaringan saraftiruan ini merupakan representasi dari otak mailllsia yang menyimulasikan proses bclajar. Seperti pada jaringan saraf biologi pad a sistem saraf manusia, jaringan saraf tiruan juga memproses dan mengirimkan informasi. .1ST merupakan kumpulan neuron tiruan yang saling berhubungan dan menggunakan model matematika dan model komputasi untuk pemrosesan informasi berdasarkan pendekatan hubungan komputasi antameurons. Dengan demikian, 1ST adalah represcntasi matematika dari arsitektur saraf manusia yang mampu meneenninkan kcmampuan "belajar" dan "generalisasi". Oleh karena itu, .1ST seem"a luas diterapkan dalam memodelkan sistem nonlinier di mana hubungan antara variabel-variabel tidak diketahui atau sangat kompleks. Hadirin yang saya I11l1liakun.
Cara kerja dari 1ST untuk situasi klinis dapat digambarkan seeara singkat scbagai berikut. a) 1aringan menerima data gejala pasien untuk mcnghasilkan diagnosis penyakit tel1entu. b) Penyakit tertentu ini menjadi target identifikasi yang ditetapkan. c) Langkah selanjutnya adalah memilih dengan benar fitur-fitur (misalnya. gejala, hasil tes laboratorium, dan data instrumen medis, fitur-1itur di citra medis, data analisis biokimia dan/atau data apa pun lainnya yang membantu dalam diagnosis). Fitur merupakan infonnasi yang diblltuhkan untuk melakukan diskriminasi kondisi kesehatan yang berbeda dari pasien. Oleh karena itu, harus hati-hati memilih fitur yang coeok untllk menggambarkan kondisi kesehatan. Pemilihan fitur untuk diagnosis penyakit dari
8 bcrbagai data fitur biasanya tidak kohcrcn. \1isalnya, cvaluasi clinicopathologic laboratoriul11. data instrul11en l11edis, data subjcktif anal11ncsi~ pasien. data citra medis. dan bcbcrapa data pcrtimbangan klinis. Tcrlcpas dari jcnis fitm yang dipilih, fitur yang dipilih untuk pclatihan jaringan saraf harus mcrupakan indikator kuat untuk l11enunjukkan situasi klinis atau patologi. Secm'a UI11UI11 , pilihan fitur bcrgantung pada pcngalaman klinis scbclul11nya. Fitur-fitur yang tidak cukup lcngkap, atau bcrlebihan, yang nonspcsifik atau bcrisi informasi yang mcngandung noise (gangguan) harus dihindari. Pemilihan/ckstraksi fitm yang cocok di antara scmua fitm yang ada biasanya dilakukan mcnggunakan bcbcrapa pcndckatan. Pcndckatan matcl11atis yang sering dipakai adalah data mining, principal component una~l'sis, genetic algorithm, dan H'a1'elet. Pakar I11cdis tentunya sangat tcrlatih untuk I11cngckstrak inforl11asi yang relcvan dari sctiap jcnis data pasicn untuk I11cncntukan diagnosis yang l11ungkin. Olch karena itu, dipcrlukan pcngalal11an proICsional yang tcrkait erat dcngan kctcpatan pcmilihan fitur untuk diagnosis akhir. Pada langkah berikutnya, dibuat datubase fitur, divalidasi dan dibcrsihkan o/ltliers-nya. JST mcmiliki kCl11ampuan "belajar" dari contoh diagnosis I11cdis yang tclah dilakukan sehingga JST scbagai IB I11cmiliki "pcngctahuan" yang l11al11pubC111Crandalal11 mcndukung diagnosis I11cdis karcna tcrscdia banyak contoh penanganan medis yang bisa dibclajarkan pada JST. Sctclah itu, jaringan dilatih dcngan scjul111ah kasus-kasus diagnosis riil yang pernah ditangani doktcr. Kasus-kasus ini mcnjadi "contoh" yang dibclajarkan pada jaringan. Scbuah "contoh" kasus diperolch dari seorang pasicn yang mcmiliki nilai-nilai fitur-fitur tcrtcntu. dikumpulkan dan tciah dicvaluasi. Kualitas pclatihan dan gcncralisasi yang dihasilkan sangat I11cncntukan kcmal11puan jaringan untuk mcngidcntitikasi diagnosis awal. Iial ini sangat tergantung pada datubase yang digunakan untuk pelatihan. Datahase hams berisi scjumlah "contoh" yang diandalkan dari diagnosis yang sudah dikctahui untuk mcmungkinkan jaringan ulltuk belajar dengan I11cngckstraksi struktur terscl11bunyi dalam duwset clan kcmudian mcnggunakan "pcngetahuan" ini untuk "gcncralisasi" pada kasus bam.
9 Setelah pclatihan dan tervcrifikasi sudah pad a kondisi "cerdas" dan mcngidentifikasi/memprcdiksi diagnosis, ini clifungsikan scbagai alat bantu. clicvaluasi oleh scorang spesialis klinis.
hasilnya, jaringan saraf ini siap dimanfaatkan untuk sebagai diagnosis awal, clan Akhimya, hasil diagnosis
Case Based Reasoning Case based reasoning/pcnalaran bcrbasis kasus (PBK) merupakan salah satu metocle intcl igensia buatan yang clalam menyclesaikan masalah menclasarkan pacla pcnyelcsaian (solusi) yang pcmah clilakukan clan mclakukan penycsuaian terhaclap solusi sebelumnya untuk menclapatkan solusi yang tepat untuk problem yang clihaclapi. Konsep ini mengaclopsi kemampuan manusia menyclesaikan masalah. Hila seseorang pertama kali terkena masalah, dia akan mencari solusi semaksimal mungkin. Ketika suatu saat menghadapi lagi pcmlasalahan yang mirip maka dia akan mengingat solusi yang pcmah cliclapat dan melakukan sedikit pcrubahan untuk mcndapatkan solusi tcrbaik. Beberapa contoh PBK dalam kehiclupan sehari-hari, misalnya dokter mendiagnosis pasicn dcngan mengingat pasien scbclumnya, khususnya kctika clitemui pasicn clengan kombinasi gcjala yang langka. Contoh lain, mekanik mcmperbaiki kcrusakan mobil dcngan mengingat kasus yang scrupa pada mobil lain yang pcrnah ditangani. Contoh lain, manajemcn kcputusan sering didasarkan pada kcputusan masa lalu. Pembuatan anggaran sering didasarkan pacla anggaran tahun lalu.
fJadirin yang sara I11lfliakan,
Scperti yang saya sampaikan di atas, mctodc PHK sangat clekat dengan cara manusia menyelesaikan masalah. Dengan clemikian, sceara umum PBK mcmiliki langkah-langkah bcrikut (Ritcher dkk., 2004 ).
10 1. \1cngambil kasus scrupa yang dialami scbclumnya (misalnya, masalah-solusi, .sYIl1/oll1s-pcnyakitdan manajcmcnnya) yang mirip. 2. \1cnggunakan kembali kasus yang mirip dcngan I11cnyalin atau mcngintcgrasikan solusi-solusi dan kasus tcrscbut. 3. \1crcvisi atau mcngadaptasi solusi yang dial11bildalal11upaya untuk mCl11ccahkanl11asalahbaru yang dihadapi. 4. \1cl11bcriakukan solusi baru sctclah dikonf'innasi atau divalidasi. Sistcl11kOl11puterscbagai alat bantu I11cdisbisa diciptakan untuk membantu pakar I11cdis scsuai dCllgan langkah-langkah tcrscbut di atas. Kctika scscorang mcncari scbuah jawaban tcrhadap suatu masalah (kasus baru), bisa dcngan ccpat mCl11anfaatkan PBK, mulai dcngan mcncari kasus-kasus scbclul11nya yang scrupa. Untuk situasi ini, mctodc PBK bisa digambarkan scbagai bcrikut. . Kasus baru mcrupakan data pasicn (misalnya, rckal11medis pasicn, gambar hasil CT scan). . \1cmbandingkan data pasicn (kasus baru) dcngan data-data pasicn dari kasus-kasus lama yg tclah disil11pan pada datahase kasus. Data pasicn yang disimpan ini l11engandung gcjala-gcjala, jcnis pcnyakit yang didcrita, dan pcnanganannya. \1cnghitung tingkat kcsamaan sctiap atribut dari kasus baru dan kasus-kasus lama yg tcrsimpan, I11cnggunakan fungsi similaritas (Blanko dkk, 2013).
.
Dari pcrhitungan ini akan dipcrolch kasus lama yang mmp dcngan yang pcrnah ditangani. Tcrapi dari kasus yang pcrnah dialami ini akan dijadikan acuan untuk pcnanganan kasus baru dengan l11elakukan modif'ikasi atau adaptasi discsuaikan dcngall kasus baru. Dalam hal ini, PBK sebagai alat bantu diagnosis bcrpcran dalam mcncmukan kasus lama yang pcrnah ditangani yang sama atau scrupa dengan kasus baru yang dihadapi. Bilamana kasus sam a atau scrupa sud-dhditcmukan, dcngan tcmpi yang pernah dilakukan, bCrat1isistcm sudah mcndapatkan solusi terapi. Sclanjutnya, pakar mcdis, dokter akan mcmodifikasi solusi tcrapi ini dan mcngadaptasi solusi ini berdasarkan pcngctahuan kepakarannya dan mcnyampaikannya pada pasicn. Solusi ini akan disimpan kc sistcm, ditambahkan pada
II database kasus, yang bisa dipakai untuk penanganan kasus baru yang akan datang. Bebcrapa contoh yang telah dikembangkan para peneliti di luar dan dalam ncgeri antara lain Zia dkk., (2014), Xiong (2014), Rismawan dan HaJ1ati (2012), Aribowo dan Khomsah (2012). Terlcpas dari tcknik lB yang digunakan, scbagai gambaran teknik IB dapat mcnyclcsaikan tugas klinis, misalnya untuk mcngeluarkan peringatan. Sistem IB dapat dilekatkan di monitor untuk memonitor perubahan kondisi pasien dalam waktu nyata. Sistcm akan mcnganalisis hasil tes laboratorium atau 1uaran dari
.
instrumen medis. Bila .hasilnya tidak baik maka akan mengirim pcringatan. Ketika pada kondisi di mana pakar medis tcrbatas atau kurang pengalaman, sistcm IB dapat mcnghasilkan kemungkinan diagnosis berdasarkan data pasien. Sistcl11 dapat pula mcncari ketidakkonsistcnan, kcsalahan, dan kclalaian dalam rencana pera\vatan yang ada atau dapat digunakan untuk mcrumuskan pcngobatan bcrdasarkan kondisi spcsifik pasien dan pedoman pcngobatan yang diterima. Selain itll. sistcm bcrbasis IB banyak dipakai untuk menginterpretasikan citra meclis sccara otomatis (mass-screenings (sinar-X, MRL CT scan, ell!.), mcndeteksi bagian yg bcrpotensi abnormal yang memerlukan pcrhatian medis. Misalnya, mcnentukan tingkat osteoporosis dari interprctasi pola citra trahecular (trabekula pada rahang bawah). atau mcncntukan jenis Ulncer payuclara dari intepretasi pola citra mammogram. Para hadirin yang sava mu!iakan, Salah satu bielang ilmu komputer yang mcmanfaatkan intcligcnsia buatan scbagai model dalam pcmbuatan keputusan elan scring dimanfaatkan pada dunia medis adalah sistem pendukung keputusan klinis/SPKK (clinical decision support .\ysteln). Secara umum, makna dari SPK adalah sistem berbasis komputcr untuk mendukung decision maker (pcngambil keputusan) dalam proses pcmbuatan keputusan untuk mcnangani tugas-tugas mulai dari yang tcrstruktur sampai kc tugas-tugas yang scmitcrstruktur. Oalam hal ini sistcm hanya mcndukung pcmbuatan keputusan, bukan mcmberi
12 keputusan (managerial judgment) dan untuk meningkatkan efektivitas pembuatan keputusan, bukan untuk efisiensi (Turban, 2004). Sistem pendukung keputusan dibangun untuk membantu manajer untuk memilih satu di antara banyak alternatif solusi terhadap suatu pennasalahan. Sistem pendukung keputusan klinis merupakan adaptasi dari sistem pendukung keputusan yang biasa digunakan untuk mcndukung manajemen bisnis, yakni program komputer yang interaktif untuk membantu dokter dan profesional kesehatan lainnya dalam tugas pengambilan keputusan, seperti menentukan diagnosis dari tanda dan gejala-gejala pasien (Berner, 2007). Sistem pendukung keputusan klinis juga merupakan sebuah aplikasi yang menganalisis data untuk membantu penyedia layanan kesehatan dalam membuat kcputusan klinis. Sistem pendukung keputusan klinis ini merupakan program komputer yang didesain untuk mendukung para profesi medis untuk membuat keputusan klinis. Dalam hal ini sistem komputer memproses data klinis atau pengetahuan medis yang ditujukan untuk mendukung pembuatan keputusan klinis. Sistem ini pada umumnya dipakai pada bidang medis untuk pereneanaan atau pel11berian obat untuk diagnosis tertentu, rekomendasi dosis obat, alert untuk interaksi antarobat, dan pengingat (reminder) untuk monitoring efek samping. SPKK juga untuk keperluan preventif, imunisasi, skrining, pedol11an manajemen penyakit untuk pencegahan sekunder, pemberi saran-saran untuk diagnosis yang cacok dengan tanda-tanda dan gejala pasien. Sistem juga bisa dipergunakan untuk pereneanaan perawatan untuk meminimalkan lama tinggal di rul11ah sakit, pengurangan biaya dan peningkatan kenyamanan pasien, alert pengujian abat, dan pedaman memformulasikan abat (Berner, 2009). SPKK berbeda dengan sistem informasi rumah sakit (SIRS). SIRS fungsinya menyediakan data, informasi, dan pengetahuan yang diperlukan; tidak menerapkan data, infarmasi, dan pengetahuan pada pasi~n untuk kepentingan pembuatan keputusan, sedangkan SPKK memberikan penilaian yang disesuaikan dengan data set pasien atau saran berdasarkan data pasien, saran tentang tes tambahan dan pemeriksaan, saran pengabatan (terapi, operasi, dU.). SPKK adalah sistem berbasis pengetahuan yang menggunakan satu atau lebih data
13
\ t
pasicn untuk mcnghasilkan saran tcrtentu untuk kasus khusus (casespecific advice). Ada ban yak sistcm yang tcnnasuk dalam sistem pendukung kcputusan klinis, mulai dari yang paling awal dikembangkari, yaitu sistem infonnasi layanan kesehatan sampai dcngan SPKK yang masuk katcgori bcrbasis knowledge, kategori berbasis nonknowledge Uaringan saraf timan, pengolahan citra, algoritma genetika, dB.). SPKK awal biasanya bempa sistem infonnasi yang mendukung analisis rctrospektif kcuangan dan administrasi data. Oalam perkembangannya, SPKK mcngarah pada skema kategorisasi sistem berbasis pengctahuan dan sistem yang memanfaatkan mcsin pembelajaran dan pcndekatan pcngenalan pola statistik, citra, atau pola lainnya. SPKK berbasis pengetahuan pada awalnya berasal dari penelitian sistem pakar (expert system). Tujuan dari program ini awalnya adalah membuat komputer yang dapat menyimulasikan pemikiran manusia dalam menyelesaikan problem di dunia medis. Pada perkcmbangannya, SPKK bcradaptasi sehingga dapat digunakan lebih mudah untuk mendukung keputusan diagnostic. SPKK ini tidak lagi untuk menyimulasikan pcngambilan keputusan seorang ahli, tctapi untuk membantu dokter dalam pengambilan keputusan sendiri. Sistcm ini diharapkan dapat membcrikan alternatif keputusan bagi pengguna. Pcngguna diharapkan melakukan filter infonnasi itu dan membuang infonnasi yang tidak berguna, dapat aktif berinteraksi dcngan sistcm, bukan hanya menjadi penerima pasif dari output. Ada tiga bagian SPKK, yaitu basis pengetahuan, mesin penalaran, dan fasilitas untuk bcrkomunikasi dcngan user. Basis pengctahuan terdiri dari pengctahuan medis yang dihimpun, bisa dalam bentuk aturan [{then atau asosiasi probabilistik antara gejala-gcjala dan diagnosis, misalnya interaksi obat dengan obat atau obat dengan pangan. Bagian kcdua dari SPKK adalah mesin inferensi atau mckanisme pcnalaran yang berisi fonnula untuk mcngombinasikan aturan-aturan atau asosiasi pad a basis pengetahuan dengan data aktual pasicn. Perlu suatu mekanismc atau cara untuk memasukkan data ke sistcm dan mengeluarkan luaran pada user. Pada SPKK yang stand alone, data di-input-kan langsung olch user. Sebagian besar SPKK
14 memasukkan rekam medis elektronik (EMR) kc sistem, data sudah dalam bcntuk elektronik dan berasal dari record pasicn, yang mana rekam medis awalnya dimasukkan olch dokter, atau mungkin bcrasal dari laboratorium, fannasi, atau sistcm lainnya. Luaran ke decision maker bisa dalam bentuk rekomendasi atau peringatan dini pada saat order entry. SPKK dikembangkan untuk membantu berbagai keputusan medis. Misalnya, memberikan dukungan untuk layanan uji laboratorium, untuk menunjukkan daftar potensi diagnosis bagi pengguna. Sistem mulai dengan tanda-tanda dan gejala-gejala pasien, dimasukkan sccara langsung olch dokter atau diimpor dari rekam medis elektronik (EMR). Basis pengetahuan SPKK berisi infonnasi tcntang penyakit, tanda-tanda dan gcjala-gejala penyakit. Mesin infercnsi memetakan tanda-tanda pasicn dan gejala penyakit tersebut ke penyakit dan mungkin menyarankan beberapa diagnosis ke dokter untuk dipertimbangkan. Sistem ini umumnya tidak hanya menghasilkan diagnosis tunggal, tetapi biasanya menghasilkan satu himpunan diagnosis berdasarkan infonnasi yang tersedia. SPKK dapat memberikan dukungan untuk pemberian obat. Input ke sistem bisa berupa hasil tes laboratorium darah pasien. Basis pengetahuan berisi nilai-nilai konsentrasi toxic dan terapeutik darah dan aturan tentang apa yang harus dilakukan ketika tingkat toxic melewati batas tertentu. Jika tingkat toxic terlalu tinggi, output berupa peringatan dini. SPKK juga bisa sebagai bagian dari system computerized physician order entry (Cr.OE) yang menghasilkan urutan terapi, input berupa obat-obat yang dikonsumsi pasien saat ini, knowledge base meliputi database obat, output berupa peringatan tentang interaksi antarobat schingga ahli medis bisa mengubah urutan terapi. Bisa juga input-nya berupa perencanaan terapi, di mana knowledge base berupa guidelines perawatan yang telah diakui secara nasional atau internasional, output-nya berupa perbaikan perencanaan tenl'pi yang scsuai dengan guidelines. Struktur knowlecf..ge base bcrbcda-beda tergantung pada sumbcr data dan kegunaan sistcm. Berbeda dengan SPKK berbasis pengetahuan, beberapa SPKK menggunakan pembelajaran mesin yang mana komputer belajar dari pengalaman masa lalu untuk mengenali pola-pola data klinis.
IS Beberapa metode yg digunakan adalah jaringan saraf tiruan, penalaran berbasis kasus, dan pengenalan pola citra medis. Penutup Dari papamn di atas bisa saya simpulkan bahwa inteligensia buatan memiliki peran yang bisa mcmbantu manusia mcnyeiesaikan permasalahan di bidang mcdis. Tcknik yang dipakai meniru kcmampuan inteligensia manusia, mulai dari kemampuan bc1ajar, menalar, memahami, mengklasifikasi pola, dan menggencralisasi. Penelitian inteligensia' buatan masih tcrbuka luas untuk dikembangkan, baik dari sisi teori maupun aplikasi untuk mcmecahkan problema nyata di berbagai bidang kehidupan man usia. Para hadirin yang saya l11uliakan,
Pada bagian akhir pidato. izinkanlah saya menyal11paikan teril11a kasih saya pada banyak pihak karena mclalui mereka Allah Swt membcrikan amanah jabatan guru bcsar ini. Ucapan tcrima kasih yang tulus saya sampaikan kcpada pemerintah RI I11claluiMcntcri Pcndidikan Nasional atas kepercayaan yang diberikan untuk mel11angku jabatan akademik guru besar di FMIPA, UGM. Terima kasih setinggi-tingginya saya sampaikan kcpada Ibu Rektor UGM dan jajarannya, pimpinan dan anggota Dcwan Guru Bcsar. pimp inan dan anggota Senat Akademik UGM, Dckan FMIPA dan jajarannya. pil11pinan dan anggota Senat FMIPA, Kctua dan anggota Tim Penilai Karya Ilmiah di tingkat universitas dan fakultas, serta ex Ketua Jurusan IKE, Prof. Dr. Jazi Eko lstiyanto yang tclah mcnyetujui usulan kenaikan jabatan saya sebagai guru besar. Sclain itu, saya menyadari keberhasilan saya mencapai jabatan akademik tel1inggi ini tidak lepas dari jasa-jasa para pendidik saya sejak SO hingga perguruan tinggi. Olch karena itu, pada kescmpatan ini saya haturkan ucapan tcrima kasih sctulus-tuIusnya dan setinggitingginya kepada seluruh guru saya di SDN 54 Laweyan Surakarta, seluruh guru saya di SMP~ 1 Surakarta, guru saya di SMA:\ I
16 Surakarta atas segal a jasa-jasanya dalam mendidik saya, semoga Allah Swt. membalasnya sebagai amal saleh beliau. Pada kesempatan ini pula saya ueapkan terima kasih sebesarbesamya kepada dosen pembimbing saya, Drs. Widodo Priyodiprojo, MSc.EE atas bimbingan tugas akhir S-l saya dan dukungan untuk belajar lanjut di luar negeri. Ucapan terima kasih saya sampaikan setinggi-tingginya untuk seluruh dosen saya di FMIP A UGM yang telah mendidik saya dan memberi teladan kepada saya, semoga Allah Swt. memberi balasan yang tak terhingga atas segala amalnya. Saya ucapkan juga terima kasih kepada Prof. Dr. George Brad Nickerson, University of New Brunswick, Canada atas bimbingan tesis dan disertasi saya dan atas keteladanannya tentang makna membimbing dan mengajarkan ilmu kepada mahasiswa. Ucapan terima kasih juga saya sampaikan kepada staf administrasi kepegawaian, lbu Kristiningsih dan koleganya yang telah membantu segala pengurusan administrasi usulan kenaikan jabatan saya. Ucapan terima kasih juga saya sampaikan kepada seluruh rekan kerja saya se-Jurusan llmu Komputer dan Elektronika, Prodi llmu Komputer dan Elins yang senantiasa saling asih, asah, dan asuh dalam setiap kegiatan akademik dan atas dukungannya untuk pcngusulan kenaikan jabatan saya. Terima kasih dan hormat saya haturkan kcpada Bapak Sosrowidarsono, aim. lbu Sukincm, bapak dan ibu mertua saya yang selalu membcri doa restu untuk meniti karier dan menjalani kehidupan berkeluarga. Terima kasih, hormat, dan bakti saya persembahkan kepada ayah kandung saya, (aim.) Bapak Wiryodaryanto yang selalu mendorong saya (walau perempuan) untuk mencari ilmu ke negara lain. Juga kepada ibu saya, (almh.) lbu Suhardiyah, yang selalu mendidik tentang kesederhanaan, ketakwaan, dan menanamkan "ilmu pad~" kepada saya. Semoga Allah Swt. memberi ampunan atas kesalahan dan dosa beliau, serta menerima amal salehnya. Terima kasih dan hormat saya haturkan kepada ibu alit saya, Ibu Sri Hayu Hartono atas kasih sayangnya dan doanya sebagaimana
17 ibuku. Juga kepada kc1uarga besar Wiryosudarsan dan, Wiryosumarsan atas kebcrsamaan dan kckerabatannya. Ucapan terima kasih saya sampaikan kcpada saudara saya, keluarga \lias Wibowo (aim.) dan kcluarga \lias Suhardjo, scniua saudara ipar saya, kcluarga ~as Edi Sisworo, ke1uarga \lias Ilaryanto, kcluarga \lias Bambang I Iennanto, kcluarga Adik Junacdi Sajim yang mcmbcri dukungan, saling mcnghormati, mcnjaga kcrukunan dan kcbcrsamaan. Walau yang tcrakhir kuscbut, namun tak berarti paling kecil maknanya, tcrima kasih yang sctinggi-tingginya dan sctulus-tu1usnya kcpada suami saya tcrcinfa, Agus Harjoko, :Y1.Sc., Ph.D., yang scnantiasa bcrsama saya dalam suka dan duka, se1a1u mengingatkan tentang makna kcsabaran dan ikh1as mcncrima apa adanya. Juga kcpada kctiga anakku tcrcinta, Dcvica, Ivan, dan Jaris yang se1a1u paham kondisi ibunya yang tidak banyak waktu bersamanya dan yang sc1alu sayang dan mcmbcri seman gat manakala ibunya pada kondisi menurun. Pada penghujung pidato ini saya sampaikan terima kasih atas pcrhatian dan kesabaran para hadirin sckalian dalam mcngikuti pidato pcngukuhan ini, pcrmohonan maaf yang scbcsar-besarnya bi1amana ada hal-hal yang kurang berkenan. Scmoga Allah Swt. kita sc1a1u mclimpahkan taufik dan hidayah-Nya kepada kita scmua. Amin YRA. WossalOlllllalaiklllll
liT wh.
18 DAFT AR PUSTAKA Aldape-Pereza, M.; Yan- ez-Marqueza, c., Camacho-1'\ietoa, Oscar, J., Arglielles-Cruza, A., 2012, An Associative Memory Approach to Medical Decision Support Systems, Computer Methods and Programs in Biomedicine, 106 (2012) 287--307. AI-Shayea, Q.K., 2011, Artificial Neural Networks in Medical Diagnose, IJCSI International Journal oj' Computer Science Issues, Vol. 8, Issue 2. Aribowo dan Khomsah, 2012, Penalaran Berbasis Kasus untuk Deteksi Oini Penyakit Leukemia, Seminar Nasional Infonnatika, Yogyakarta, Juni, C-168. Baker, M. 20 I 0, The Roles of Models in Aliificial Intelligence and Education Research A Prospective View, International Journal of Artificial Intelligence in Education (IJAIED) II (2) : "Special Issue on AIED 2010". Bellman, R.,1978, An Introduction to Artificial Intelligence: Can Computers Think?, Boyd & Fraser, 1'\ew York. Berner, E.S., 2007, Clinical Decision Support Systems Theory and Practice, Springer, New York. Berner E.S., 2009, Clinical Decision Support Systems: State of the Art, AI-IRQ Publication No. 09-0069-EF. Roekville, Maryland. Chan, M., Esteve, D., Fourniols, J.Y., Escriba, c., Campo. E. (2012), Smart Wearable Current Status and Future, Challenges, Artijicial Intelligence in Medicine, Vol. 5, Issue 3,137-156. Firebaugh, M.W.,1988, Artificial Intelligence: A Knowledge Based Approach, Boyd & Fraser, New York. Freedman, R., 2000, What is An Intelligent Tutoring System? Intelligence II (3): 15-16. Hartati, S., Sitanggang, 1., 20 10, A Fuzzy Based Decision Support System for Evaluating Land Suitability and Selecting Crop, Journal o/Computer Science 6 (4) 417--424. Hasan, T., Ageely H., 20 II, Employing Artificial Intelligence in Academic and Clinical Medicine: How Good and I low Bad?, Journal oj"J3asicand Clinical Research, 1(2):23-28.
.
19 IIaykin, S.O., 2008, Neural Networks and Learning Machines (3rd Ed.), Prentice Hall, New Jersey. Hermens, H. 2013, Towards Intelligent Telemedicine Services, Al1ificial Intelligence in Medicine, Proceeding (~l l~th Con/erence on Artificial Intelligence in Medicine, AIME 20 I 3, Murcia, Spain, May 29 - June 1. Jiang, J., Trundle, P., Ren, J., 2010, Medical Image Analysis with Artificial Neural Networks, Computerized Medical Imaging and Graphics, 34, 8, 617.-631. Khan. 1., Zope, P.H., Suralkar, S.R., Importance of Artificial Neural Network in Medical .Diagnosa Disease Like Acute Nephritis Disease and Heart Disease, International Journal oj' Engineering Science and Innovative Technology (IJESIT), Vol. 2, Issue 2, 210-217. Kim, S., Park, T., Kon, M., 2014, Cancer Survival Classification Using Integrated Data Sets and Intennediate Information, Art[ficial Intelligence in Medicine, Vol. 62, Issue 1,23-31. Kurzweil, R., 1990, The Age ol Intelligent Machines, MIT Press, Cambridge. Kusrini, Hartati, S., 2010, Penggunaan Penalaran Berbasis Kasus untuk Membangun Basis Pengetahuan dalam Sistem Diagnosa Penyakit, Seminar Riset dan Teknologi biformasi, Yogyakarta, 7 Juli,89-97. Luger, G.F. dan Stubblefield, W.A., 2005, Artijicial Intelligence: Structures and Strategies ./01' Complex Problem Solving 2/E, Addison-Wesley, New York. Luxton, D.D., 2014, Al1ificial Intelligence in Psychological Practice: CUlTent and Future Applications and Implications, Prolessional Psychology: Research and Practice, Vol. 45(5), Oct 2014, 332-339. Martinez, M.E., 2013, A Tran~forming Vision of Human Intelligence, Oxford University Press 0iicholas L., Cassimatis, N.L., 2012, Human-Level Artificial Intelligence Must Be An Extraordinary Science, Advances in Cognitive L~ystems1 (2012),37-45.
20 Neill, D.B.(20 13), Using Artificial Intelligence to Improve Hospital Inpatient Care, IEEE Intelligent Systems, 1541-1672. Popa, c., 20 II, Adoption of Artificial Intelligence in Agricultme, Bulletin UASVM Agriculture, 68( 1),284-293. Richter, Michael, ~., Weber, Rosina, 2013, Case-Based Reasoning, Springer, New York. Rismawan, T. dan Hartati, S., 2012, Case-Based Reasoning untuk Diagnosa Penyakit TI-IT (Telinga Hidung dan Tenggorokan), Indonesian Journal of Computing and Cybernetics Systems (fJCCS), Vol. 6, No.2, July 2012,67-78. Russell, S.J. dan Norvig, P., 2014, Artfficial Intelligence: A Modern Approach, Pearson, New York. Samarasinghe, S., 2006, Neural Networks for Applied Sciences and Engineering: From Fundamentals to Complex Pattern Recognition. Schalkoff, R.J., 1990, Artfficial Intelligence: An Engineering Approach, McGraw-Hill, New Jersey. ScIa, E.I., Hartati, S., Harjoko, A., Wardoyo, R., Munakhir, 2013, Segmentation on the Dental Periapical X-Ray Images for Osteoporosis Screening, International Journal of Advanced Computer Science and Applications (lJACSA), Vol. 4, No.7, 147-15l. Sim, I., Gonnan, P., Greenes, R.A., Haynes, B., Kaplan, B., Lehmann, H., Tang, P.c., 2001, .Clinical Decision Support Systems for the Practice of Evidence-Based Medicine,. Journal of the American Medical Informatics Association Vol. 8 Number 6. So, L.R., Collin, G., Murata, c., 2013, A11ificial Intelligence to Assist Clinical Diagnosa in Medicine, PubMed, 61(2): 110-20 Tomar, P.P.S., Singh, R., Saxena, P.K., Sharma, B.K., 2012, A Medical Multimedia Based DSS for Heart Diseases Diagnosa and Training, Journal on Biomedical Engineering & Technology Vol. 3 No.2. Turban, E., Aronson., J.E., 2000, Decision Support Systems and Intelligent Systems (6th Ed.), Prentice I-Iall, New Jersey. Uyun, S., Hartati, S., Harjoko, A., 2014, Comparison between Automatic and Semiautomatic Thresholding Method for
.
21 Mammographic Density Classification, Advanced Material Research Vol. 896,672-675 Vaishnavi, S.,2014, Artificial Intelligence Approach for Disease Diagnosa and Treatment, International Journal of Innovat1ve Research in Complfterand Communication Engineering, Vol. 2, Issue 4. Vrizas, M., Priska, E., 2014, Artificial :\'eural ~etworks for Estimation of Dementias Types Dimitrios Mantzaris, Art~ficial Intelligence and Applications, Vol. I, No.1, 74-82. Valkenhoef, G., Tervonen, T., Zwinkcls, de Brock, B., Hillege, H., 2013, ADDIS: A Dectsion Support System for Evidence-Based Medicine, ADDIS: A Decision Support System for EvidcnceBased Medicine, Decision Support Systems 55 (2013) 459--475. Winston, P., 1992, Artificial Intelligence, 3/E, Pearson Education, :\ew Jersey. Xiong, K, 2014, A New Case-Based Reasoning Method Based on Dissimilar Relations, Wseas Transactions on Systems, Vol. 13, 263-271. Zia, S.S., Akhtar, P., Mughal, TJ.A., and Mala, 2014, Case Retrieval Phase of Case-Based Reasoning Technique for Medical Diagnosa, World Applied Sciences Journal 32 (3): 451--458.
22 BIODATA
i'\ama
Sri l-Iartati
Tempat, Tgl. Lahir
Solo, 21 September 1961
~IP
196109211988032001
Jabatan
guru bcsar dalam bidang ilmu komputer dan elektronika di .lurusan llmu Kom-
"~.v
-
~',
puter dan Elcktronika, Fakultas VlIPA UGVI Alamat kantor Alamat rumah
S-2/S-3 Ilmu Komputer, FMIPA UGM, Sekip Utara, Bulaksumur, Yogyakal1a Perum Vlranggen E-3, Sinduadi, Vllati, Sleman, YogyakaJ1a 55284
Kcluarga Suami : Agus Haljoko, M.Sc., Ph.D. Anak : 1. Devica Kumiasari llal:ioko 2. Ivan Arkan Harjoko 3. Jaris Rabbani Raziq Riwayat Pendidikan 1996: Ph.D. Computer Science, Fac. of Computer Science, Univ. of ~ew Brunswick, Canada 1990: M.Sc. Computer Science, Fac. of Computer Science, Univ. of :\'"ewBrunswick, Canada 1986 : sarjana fisika (clektronika instrumentasi), I-MIPA, UGVI 1980 : SViA ?\egeri I Surakarta 1971 : SViP :\egeri I Suraka11a 1971 : SO :\'"egeri54 Laweyan Surakarta
23 Pengalaman Kerja I988-kini : dosen Jurusan Ilmu Komputer dan Elektronika FMIPA UGM 201l-kini : Ketua Program Studi S-2/S-3 Ilmu Komputer PMIPA UGM 2003-kini : asesor BAN PT Pengalaman dalam Organisasi Profesi 20l0-kini : Ketua Indonesian Computer Electronics and Instrumentation Support Society 1990-kini : anggota IE~E Society 20 13-kini : anggota IEEE Computational Intelligence Society Riwayat Jabatan Struktural 2010-2011 : Sekretaris Jurusan FMIPA UGM 20ll-kini
Ilmu Komputer
dan Elektronika
: Ketua Program Studi S-2/S-3 Ilmu Komputer FMIP A UGM
Pengalaman Lainnya 2006-2008 : Pembinaan Kompetensi Siswa dan Guru SMP Tingkat Kab. DIY dan Jawa Timur Publikasi Karya Ilmiah 1. "Comparison between Automatic and Semiautomatic Thresholding Method for Mammographic Density Classification", Advanced Material Research Vol. 896 (2014) pp.672-675. 2. "Computation of Diet Composition for patients Suffering from Kidney and Urinary Tract Diseases with The Fuzzy Genetic System", International Journal of Computer Aplications. December 2011, Vol. 36 No.6. ISBN:978-93-80865-89-2. ISSN:0975-8887. 3. "The Digital Microscope and Its Image Processing Utility, Telkomnika", Indonesian Journal of Electrical Engineering Vol. 9 No.3, December 2011, ISSN: 1693-6930. Terakreditasi Ditjen Dikti No. 51/DIKTI/Kep/20l0.
24 4. "A Fuzzy Based Decision Support System for Evaluating Land Suitability and Selecting Crop, Journal of Computer Science 6 (4) 417-424,2010, ISSN 1549-3636. 5. "A Kohonen Artificial Neural Networks as a DSS Model for Predicting CAD, IEEE Xplore", International Conference on Distributed Frameworks and Applications, 2-3 Agustus 2010, 61-66, ISBN.978 602-04/09/9747. 6. "An Anomaly Detection Method Based on Fuzzy Histogram Hyperbolization and Gray Level Co-occurrence Matrix", Proceedings of International Conference on Robotics, Vision, Signal Processing and Power Aplication, 19-20 December 2009, Malaysia, ISBN 978-983 3986-52-1. Penghargaan 2001: Satyalancana Karya Satya 10 Tahun 2003: Penghargaan Kesetiaan 25 Tahun
