MedLeaf : Aplikasi Mobile Tumbuhan Obat Indonesia

  

Indonesia merupakan negara dengan tingkat biodiversitas tertinggi kedua di dunia setelah Brazil (Wahyono dan Shalahuddin, 2011). Indonesia memiliki keanekaragaman hayati lebih dari 38.000 spesies (Bappenas 2003). Pada tahun 2002, tercatat bahwa di Indonesia terdapat spesies tumbuhan obat sebanyak 22.500 dan jumlah spesies yang sudah digunakan sebagai tumbuhan obat sebanyak 1.000 spesies (Groombridge dan Jenkins, 2002). Ini berarti jumlah persentasi tumbuhan obat yang sudah dimanfaatkan sedikit sekali yaitu hanya sebesar 4.4 persen dari sumberdaya tumbuhan obat yang tersedia. Apa penyebabnya? Salah satunya penyebabnya adalah minimnya pengetahuan masyarakat mengenai tumbuhan obat. Jika hal ini terus menerus dibiarkan maka lambat laun tumbuhan obat ini akan punah.

Berdasarkan permasalahan ini, kami dari Lab keilmuan Kecerdasan Komputasional Departemen Ilmu Komputer IPB (Dr. Yeni Herdiyeni dan Ir. Julio Adisantoso, M.Komp) bersama dengan staf pengajar dari Departemen KSHE Fahutan IPB (Prof. Evrizal Amzu dan Ellyn K. Damayanti, Ph.D Agr), sejak dua tahun yang lalu mencoba melakukan penelitian bersama dengan mahasiswa untuk mengembangkan sebuah teknologi tepat guna yang dapat digunakan oleh masyarakat untuk mencari informasi dan membantu melakukan identifikasi tumbuhan obat. Aplikasi ini dibangun dengan menggunakan teknologi Computer Vision dan Search Engine. Selain mengembangkan aplikasi berbasis web, kami juga melakukan penelitian untuk mengembangkan aplikasi mobile tumbuhan obat menggunakan Android yang kami berinama MedLeaf. Informasi selengkapnya bisa anda baca di : http://cs.ipb.ac.id/~labci/MedLeaf.htm.

Semoga Bermanfaat.

Sesaat menjadi dokter

Saga Univ, 20 Desember 2011

Menjadi seorang dokter, itu impian saya dulu sejak lulus SD sampai SMA. Bermula dari PMDK IPB waktu itu yang mengubah haluan saya dan menggiring saya menjadi seperti sekarang ini. Alhamdullilah semuanya saya syukuri.. . Perjalanan waktu pulalah yang akhirnya membawa saya ke negeri matahari terbit ini hingga akhir tahun 2011 ini. Disinilah saya kembali teringat impian saya dulu menjadi dokter. Alasannya karena selama di Saga Univ ini saya melakukan riset mengenai deteksi kanker Paru/lung cancer. Sama sekali bukan hal yang mudah untuk mempelajari lung cancer. Selain saya bukan seorang dokter, saya baru pertama kali mendalami riset ini. Terlebih lagi saya harus mempelajarinya dengan buku teks berbahasa Jepang..  saya sempat bilang ke sensei, “Sensei, I read this book like I read a comic. Just see the pictures… :p”.

 

But the show must go on.. Saya tetap harus mengerti kanker ini sebelum bisa membuat program. Berbagai macam jurnal dan paper saya pelajari sehingga akhirnya Alhamdullilah saya pun bisa memahami sedikit mengenai kanker ini. .. . Berdasarkan referensi yang saya baca lung cancer itu dibagi 2 yaitu Small Cell Lung Carcinoma (SCLC) dan Non Small Cell Lung Carcinoma (NSCLC). Ada tiga tipe kanker NSCLC yaitu Large Cell Carcinoma, Squamous Cell Carcinoma dan Adenocarcinoma. Kalau melihat gambarnya dari buku, memang sulit sekali membedakan jenis-jenis kanker tersebut.

Setelah mempelajari jenis kanker, selanjutnya saya harus memodelkan kanker tersebut sehingga komputer mampu mengenali kanker. Yang terbesit pertama kali dalam benak saya setelah membaca beberapa referensi, salah satu yang dapat membedakan kanker yaitu tekstur. Saya mencoba mengekstraknya dengan menggunakan Local Binary Pattern. Selanjutnya saya merepresentasikan CT image tersebut kedalam representasi 2D dan mengklasifikasikannya dengan menggunakan PNN (Probabilistic Neual
Network). Upsss…. hasilnya kurang memuaskan…. .

Sensei kasih saran “please read this book.. and try to use 3D representation…. “. ..Okelah sensei…siap..

Untung buku ini dalam bahasa Inggris. Yup.. saya pun membaca buku tersebut khususnya visualisasi 3D untuk medical image. Baca, ngoding, baca lagi, ngoding lagi… begitulah keseharian saya. Tapi tidak untuk sabtu dan minggu… itu saatnya menjernihkan pikiran dari buku dan koding… :p.. Saatnya weekend sama si Canon ..hehehe

Setelah lebih kurang 1 bulan memperlajari visualisasi 3D,  akhirnya CT image kanker itu bisa juga direpresentasikan dalam bentuk 3D.  Saya mencoba mengunakan Volume Local Binary Pattern. dimana setiap slice CT image tersebut direpresentasikan dalam 3 bidang XY, XT dan YT.

Setelah merepresentasikan CT image kedalam 3D, selanjutnya adalah melakukan pembelajaran sistem. Tiga hari lamanya saya melakukan proses training data. Selesai dengan dengan training, tibalah saatnya testing… duh..deg2an juga gmana hasilnya.. Well … yes.. akurasinya jauh lebih baik…

Masih belum puas rasanya dengan hasil. Akhirnya dengan sedikit modifikasi pada representasi Volume LBP, yaitu dengan membagi citra menjadi beberapa blok, akurasinya meningkat .. Yes!!

Begitulah sepenggal kisah saya Sesaat menjadi dokter.. ..

Diakhir kegiatan ini Alhamdulilah bisa menyelesaikan satu buah paper yang saat ini masih menunggu review dari sensei.. . Alhamdullilah..

Sistem Imunitas Inspirasi Deteksi Spam Otomatis

Pernahkah anda dipusingkan dengan spam di account email anda..? pastinya anda dibuat tak nyaman dengan adanya spam ketika membuka email. Terkadang walaupun sudah menggunakan software spam filter untuk mendeteksi spam, masih saja ada spam yang lolos masuk kedalam account kita. Belum lagi jika spam filter tersebut malah justru menyaring email yang bukan spam.. Tentunya email tersebut tidak akan masuk kedalam inbox kita.

Sofware spam filter pun memerlukan bantuan pengguna untuk menuliskan daftar spam atau memberi tanda pada email spam. Makanya tidak heran jika spam tersebut belum ada didalam daftar, maka spam itu akan lolos masuk kedalam inbox. ..

Hmm… adakah solusi lain untuk mendeteksi spam email ..??

Coba anda bayangkan spam email adalah virus atau bakteri yang bisa masuk kedalam tubuh manusia. Tubuh kita tidak diberi daftar virus/bakteri oleh Tuhan. Bayangkan betapa repotnya kita jika harus selalu mengupdate daftar virus/bakteri itu secara periodik … :p

Jadi bagaimana tubuh manusia bisa mengenali virus/bakteri yang berbahaya bagi tubuh dan membunuh kuman tersebut sehingga tidak mengganggu kesehatan manusia…? Jawabnya ada pada keajaiban sistem imunitas (immune system).

Imunitas adalah kemampuan daya tahan tubuh untuk melawan penyakit atau melawan infeksi dengan melawan substansi asing yang masuk kedalam tubuh seperti mikroorganisme (bakteri, virus, protozoa dan kuman), parasit seperti cacing dan sel kanker. Mikroorganisme ini disebut dengan patogen (infectious agents).

Cara kerja sistem imunitas adalah sebagai berikut: Patogen (infectious agents) bila mengintervensi tubuh mula-mula akan berhadapan dengan elemen sistem imunitas natural (innate). Bila sistem immune natural ini dapat dirusak, patogen akan berhadapan dengan sistem imun adaptif yang bereaksi secara spesifik untuk mengeliminasi dan menghancurkan patogen. Sistem imun adaptif menghasilkan imun memori untuk memberi reaksi sejenis yang lebih baik pada infeksi atau intervensi patogen yang sama berikutnya.

Sistem imunitas terdiri dari tiga lapisan. Lapisan pertama terdapat pada permukaan tubuh yang terdiri dari kulit membran mukosa (mucosal membrane), sekresi alami dan bakteri alami yang berfungsi melawan infeksi . Lapisan kedua adalah sistem imunitas non-spesifik (innate immune system). Lapisan kedua berfungsi untuk melawan infeksi yang mampu menembus pertahanan lapis pertama. Pada lapisan ini terdapat fagosit, macropage system, protein complement, fever, interferon, sitokinin dan inflamasi. Lapisan ketiga yaitu sistem imunitas spesifik atau adaptive immunitiy. Lapisan ini melibatkan dua jenis sel darah putih (limfosit) yang dihasilkan disumsum tulang belakang. Limfosit yang sudah matang akan berubah menjadi limfosit B (sel B) sedangkan yang belum dewasa akan menuju kelenjar timus dan terdeferensiasi menjadi imfosit T (sel T). Pada lapisan ini terdiri dari B-cell (humoral) dan T-Cell (cell-mediated).

Lapisan pertama dan lapisan kedua tidak dapat mengenali benda asing. Lapisan ini berperan sebagai lapisan pertahanan pertama terhadap invasi substansi asing masuk kedalam tubuh.

Lapisan tiga atau sistem imunitas spesifik/adaptive inilah yang dapat mengenali benda asing yang masuk kedalam tubuh. Sistem imunitas ini berkembang karena diinduksi/distimulasi oleh intervensi subtansi benda asing yang masuk kedalam tubuh. Substansi yang menginduksi imunitas spesifik disebut dengan antigen. Sistem imunitas spesifik atau adaptif dapat menghancurkan patogen yang lolos dari sistem kekebalan non-spesifik. Sifat dasar dari sistem imunitas spesifik yaitu menghasilkan “immune memory” yang mampu memberikan respon lebih efektif pada infeksi berikutnya. Bagian inilah yang mampu menyimpan informasi antigen yang pernah masuk sehingga bisa mengenali antigen tersebut dan dan akhirnya membunuh antigen tersebut ketika masuk kedalam tubuh sehingga tubuh dapat terlindungi.

Yang berperan pada sistem imunitas adaptif adalah sel T (imunitas selular) dan sel B (imunitas humoral). Jika ada benda asing masuk kedalam darah, maka sel B akan membelah dan berdeferensiasi menjadi sel B memori dan sel Plasma. Sedangkan sel T akan berdeferensiasi pada sel timus dan menghasillkan 4 sel  yaitu sel T penolong (sel T helper), sel T penekan, sel T sitotoksik dan sel T memori.

Sel B memiliki imunoglobin pada permukaannya yang dapat digunakan untuk mengenali  suatu antigen. Sel plasma akan terbentuk jika sel B telah berhasil mengidentifikasi antigen dan akan mensekresikan antibodi ke seluruh tubuh. Sel T yang telah matang (dewasa) akan berkembang menjadi beberapa jenis sel T yang dapat mengenali antigen.

Proses pengenalan antigen oleh sel B dan sel T inilah yang menginspirasi para peneliti untuk menemukan algoritme sistem imunitas buatan (artificial immune algorithm) untuk menyelesaikan masalah komputasi. Kemampuan sel B dan sel T untuk membuat sel memori menjadi insiprasi yang sangat berharga untuk membuat sistem bersifat adaptif terhadap munculnya antigen baru yang masuk kedalam tubuh sehingga dapat melindungi tubuh dari serangan benda asing tersebut. Mekanisme inilah yang menginspirasi agar sistem mampu mendeteksi spam secara otomatis dan bersifat adaptif. Subhanallah…

Bagaimana mekanisme tersebut bekerja..? ..Nantikan buku yang sedang saya rampungkan mengenai Keajaiban Biologi – Inspirasi Algoritme…

Semoga bermanfaat…

Mengenal Semantik Citra – Bagian I

Artikel ini merupakan bagian dari tulisan pada penelitian disertasi saya. Saya coba sarikan untuk teman-teman yang ingin mempelajari image retrieval. Semoga bermanfaat.

MENGENAL SEMANTIK CITRA – BAGIAN I

Ketika kita mengamati sebuah lukisan yang didalamnya terdapat gunung, air yang mengalir, pepohonan, dan burung yang sedang terbang, kita mengenal lukisan ini adalah lukisan pemandangan. Kemampuan manusia untuk mengenali gambar tidak terlepas dari pengalamannya melihat berbagai jenis gambar sehingga mampu membedakannya satu sama lain. Setelah menghubungkan satu objek dengan objek lainnya, maka kita baru bisa menjelaskan tema gambar atau melakukan penafsiran (interpretation) gambar. Interpretasi tema/konsep citra disebut dengan semantik citra.

Gambar atau citra memiliki karakteristik visual yang terdiri dari warna, bentuk dan tekstur. Pengenalan pada tahap karakteristik visual disebut dengan persepsi. Persepsi adalah tanggapan (penerimaan) langsung terhadap sebuah objek berupa karakteristik visual tanpa melakukan interpretasi.

Jika saja sistem computer memiliki kemampuan seperti manusia dalam menejelaskan semantic citra, maka dapat dipastikan kita dapat mencari gambar digital yang disimpan dalam computer dengan mudah. Namun, kemampuan manusia menjelaskan semantik citra dengan cepat, bukan hal yang sederhana untuk dilakukan oleh komputer. Sudah banyak penelitian dalam bidang image retrieval dikembangkan untuk membuat komputer mampu menjelaskan semantic citra. Dalam banyak penelitian, karakteristik citra seperti warna, bentuk dan tekstur digunakan untuk pencarian citra. Pencarian citra melalui karakteristik citra disebut dengan content-based image retrieval (CBIR).

Pengenalan citra dimulai dengan melakukan ekstraksi ciri (feature extraction), yaitu mengenali citra berdasarkan karakteristik citra. Berdasarkan hasil survey [], perkembangan penelitian CBIR dalam hal ekstraksi ciri dapat dikelompokkan menjadi 3 (tiga) yaitu berbasis global (global-based), berbasis regional (region-based) dan berbasis lokal (local-based).

Global-based

Pengenalan citra berbasis global menggunakan informasi seluruh bagian citra. Salah satu metode berbasis global-based yang banyak paling banyak digunakan adalah histogram warna []. Namun metode ini memiliki kelemahan yaitu hanya menghitung frekuensi piksel citra sehingga sangat sensitive terhadap perubahan cahaya dan geometris. Akibatnya dua buah citra yang memiliki warna dan posisi geometris yang berbeda akan dikenali sebagai dua buah citra yang berbeda, walaupun secara semantic kedua citra tersebut sama. Perhatikan Gambar dibawah ini:

Dengan pendekatan berbasis global, maka kedua citra tersebut akan dikenali sebagai citra yang berbeda.

Region-based

Pada dasarnya manusia mengenali citra berdasarkan objek yang dikandung pada citra tersebut. Oleh karena itu kemudian berkembang pendekatan regional dimana citra disegmentasi menjadi beberapa regional yang merepresentasikan objek.

Namun metode ini juga memiliki kelemahan, yaitu pada saat segmentasi citra. Sampai saat ini belum ada teknik segmentasi citra yang dapat melakukan segmentasi dengan baik. Hasil segmentasi seringkali tidak sesuai dengan objek yang diinginkan. Perhatikan gambar di bawah ini:

Local-based

Oleh karena itu untuk mengatasi masalah segmentasi pada pendekatan regional, kemudian berkembang pendekatan lokal. Pada pendekatan ini citra dibagi menjadi beberapa blok citra yang berukuran sama. Dengan demikian pada pendekatan lokal tidak membutuhkan segmentasi.

Namun pada pendekatan lokal, setiap blok citra tidak memiliki makna. Akibatnya pendekatan lokal tidak mampu menjelaskan hubungan konseptual antar blok citra.

Adanya permasalahan tersebut, maka pendekatan lokal berkembang menjadi pendekatan bagian (part-based). Pada pendekatan bagian akan, akan dideteksi bagian-bagian penting dari citra yang mampu menjelaskan semantik citra. Pendekatan ini disebut juga dengan pendekatan generative. Berikut contoh dari pendekatan bagian.

Untuk mendapatkan bagian penting citra, pendekatan generative menggunakan teori Bayes. Dengan teori bayes, tanpa melakukan segmentasi citra, pendekatan bagian dapat mendeteksi bagian penting citra.

Sumber :

1. Datta, R., Joshi, D., Li, J dan Wang, J. (2007). Image Retrieval: Ideas, Influences, and Trend of the New Age. ACM Transaction on Computing Survey.

2. Bimbo, A. (1999). Visual Information Retrieval. Morgan Kauffman

3. Rui, Y., Huang, T. S., dan Chang, S. F. (1999). Image Retrieval: Current Techniques, Promising Direction, and Open Issues. Journal of Visual Communication and Image Representation, 10(1), 39-62.

4. Smeulders, A. W. M. , et al. (2000). Content-based Image Retrieval at The End of The Early Years. IEEE PAMI, 22(12), 1349-1380

5. Zhang, Y. J. (2003). Content-based Visual Information Retrieval. Beijing, China: Science Publisher.

Menjelang Ujian…

Hari-hari mempersiapkan ujian kualifikasi adalah hari-hari yang menyenangkan sekaligus juga menegangkan… Setidaknya selama tiga minggu ke depan saya akan melalui hari-hari seperti itu. Ini merupakan ujian kedua dari lima kali ujian yang harus saya lalui (Proposal, Kualifikasi, Seminar, Ujian Hasil Pembahasan dan Promosi). Fuih… masih panjang nih ceritanya…:p. Oleh sebab itu Tak aneh memang jika ujian ini cukup membuat aku kerja keras untuk mempersiapkannya. Apalagi setelah melihat dosen pengujinya …hmmmmm….

25 April 2008 adalah tanggal yang dijadwalkan untuk ujian kualifikasi (semoga tidak diundur lagi…Amin). Konon kata orang hari jumat adalah hari baik… moga hari baik juga untuk saya..:).

Salah seorang teman yang juga senasib sepenanggungan, menyarankan saya untuk membaca artikel yang ditulis oleh Dr. Andrew Broad Seorang dosen yang membagikan pengalamannya menjalani ujian selama menjadi PhD student…. Artikel itu berjudul “Nasty PhD Question Viva Questions..”. Artikel itu sangat menarik dan membantu saya setidaknya mengurangi ketegangan saya… .

Semoga bermanfaat juga untuk Anda..:)

 

Download : nasty-phd-viva-questions.pdf

 

 

Komputer Bisa Belajar Kok…

Download Artikel

Komputer bisa belajar….? Ya, saat ini tidak hanya manusia yang bisa belajar. Komputer pun bisa belajar layaknya manusia yang memiliki otak. Sejak lahir manusi belajar mengamati pola objek yang ada di sekitarnya, komputer pun saat ini mampu mengenali pola objek setelah melalui proses yang sama yaitu pembelajaran.

Bagaimana Caranya..?

Manusia dapat belajar karena memiliki sistem syaraf atau yang dikenal dengan otak. Didalam otak terdapat bagian yang disebut dengan Visual Cortex yang berperan mengolah informasi yang masuk melalui panca indera manusia. Ada sekitar 10-50 milyar sel syaraf (neuron) didalam visual cortex dengan 60 trilyun sinapsis. Neuron terdiri dari tubuh sel (cell body), dendrite, dan axon (Gambar 1). Neuron-neuron tersebut saling terhubung satu sama lain melalui axon dan dendrite. Hubungan antar neuron itu disebut dengan sinapsis. Informasi berupa sinyal akan masuk melalui dendrite lalu masuk kedalam tubuh sel untuk selanjutnya dikirim ke neuron lainnya melalui axon.

Gambar 1. Neuron

Dengan meniru sistem kerja syaraf manusia, Warren McCulloch dan Walter Pitts pada tahun 1940 merancang neuron tiruan (artificial neuron) untuk diterapkan pada sistem komputer. (Gambar 2)

Gambar 2. Artificial Neuron

Kekutan sinyal input akan dikontrol oleh sebuah fungsi aktivasi dan akan diteruskan ke neuron lain. Neuron tiruan tersebut akan menghitung semua input sinyal yang masuk untuk menentukan kekuatan sinyal (bobot input) dan fungsi aktivasi akan menghitung sinyal output.

Seperti halnya pada sistem syaraf manusia yang tersusun atas neuron-neuron yang saling berhubungan, pada neuron tiruan pun, setiap neuron berhubungan dengan neuron yang lainnya sehingga membentuk lapisan neuron. Neuron tiruan yang saling berhubungan itu disebut dengan jaringan syaraf tiruan (artificial neural network) (Gambar 3).

Gambar 3. Jaringan syaraf tiruan

Jaringan syaraf tiruan terdiri dari lapisan input, lapisan tersembunyi (hidden layer) dan lapisan output.

Kini, model jaringan syaraf tiruan itu sudah banyak dikembangkan. Diantaranya feedforward neural network, backpropagation neural network, radial basis function (RBF), recurrent neural network, self organizing map (SOM) dan lain-lain.

Dengan adanya jaringan syaraf tiruan yang menyerupai jaringan syaraf manusia, saat ini sistem komputer memiliki kemampuan untuk belajar mengenali pola seperti yang dilakukan manusia. Dengan menerapkan jaringan syaraf tiruan, sistem komputer mendiagnosa penyakit, mengenali suara (speech recognition), mengenali wajah, memprediksi cuaca, membuat permainan (game), mengkompresi data dan lain-lain.

Sumber :

1. Engelbrecht, A. P. Computational Intelligence. An Introduction. Second Edition. John Wiley & Son. 2007

2. Fausett Laurene. Fundamentals of Neural Netwoks. Prentice Hall, Englewood Cliffs. 1994.

Membuat Komputer Cerdas??

Download Artikel
“Bacalah, dan Tuhammulah Yang Maha Pemurah/Yang mengajar (manusia) dengan perantaraan Qalam” (QS. Al Alaq/96 : 3-4)

Membuat sistem komputer yang cerdas dan mampu meniru perilaku manusia atau makhluk hidup lainnya bukan lagi sebuah impian yang mustahil lagi saat ini. Sistem komputer mampu memberikan solusi layaknya seorang pakar dapat diwujudkan melalui sistem pakar.,Sistem komputer pun mampu memberikan keputusan berbasiskan kasus seperti yang dilakukan manusia dengan menerapkan penalaran bebasis kasus (case based reasoning). Sistem komputer mampu mengenali pola seperti halnya manusia dengan menggunakan jaringan syaraf tiruan (neural network). Algoritme sebuah program pun bisa menemukan solusi terbaik dengan menggunakan teori genetika. Melalui cara bekerja sistem kekebalan tubuh pada manusian (artificial immune system) kita dapat membuat sistem komputer yang mampu mendeteksi spam (http://terri.zone12.com/doc/academic/crossroads/).

Membuat sistem komputer menjadi “cerdas” seperti itu bisa dipelajari melalui ilmu komputer yang dikenal dengan kecerdasan komputasional (computational intelligence). Kecerdasan komputasional adalah bagian dari kecerdasan buatan (Artificial Intelligence – AI)

Apakah Kecerdasan Buatan itu?

Kecerdasan adalah kemampuan, kreativitas, intuisi dan emosi. Melalui kecerdasan yang dimiliki, manusia mampu memahami, melakukan penalaran dengan baik dan melakukan penarikan kesimpulan berdasarkan pengalaman dan pembelajaran.

Menurut IEEE Neural Networks Council pada tahun 1996, kecerdasan buatan adalah studi yang mempelajari bagaimana membuat komputer dapat melakukan sesuatu seperti yang dilakukan oleh manusia. Oleh karena itu Istilah kecerdasan buatan sering dilekatkan dengan kemampuan komputer untuk memiliki kecerdasan seperti manusia. Pada pertengah tahun 1900-an, Alan Turing melakukan penelitian untuk membuat komputer menjadi “cerdas”. Alan Turing yakin bahwa komputer dapat meniru bagaimana otak manusia bekerja. Lebih dari 50 tahun lamanya keyakinan Alan Turing masih berupa angan-angan saja. Ketika ilmu psikologi sudah mampu memodelkan sistem biologi neural manusia pun, membuat komputer menjadi cerdas pun masih belum bisa dijelaskan. Aakhirnya pada tahun 1950, Alan Turing membuat komputer cerdas yang diberi nama Turing Test [2]. Mesin ini diujicobakan dengan memberikan pertanyaan yang sama ke komputer melalui papan ketik (keyboard) dan ke manusia.

Bagaimana caranya membuat sistem komputer menjadi cerdas?.

Kecerdasan Komputasional

Kecerdasan komputasional adalah bidang yang mempelajari mekanisme adaptif dari kecerdasan berperilaku dalam lingkungan yang selalu berubah dan kompleks. Mekanisme adaptif tersebut merupakan bagian dari kecerdasan buatan yang mempelajari juga bagaimana bisa beradaptasi dengan situasi yang baru, bagaimana melakukan generalisasi dan menemukan pengetahuan.

Oleh karena itu beberapa studi yang dikaji dalam kecerdasan komputasional antara lain Jaringan Syaraf Tiruan (Artifial Neural Network – NN), Algoritme Genetika atau yang dikenal juga dengan komputasi evolusi (evolutionary computation – EC), Algoritme semut (ant algorithm), kecerdasan berkerumun (swarm intelligence – SI), sistem kekebalan tubuh buatan (artificial immune system – AIS) dan sistem fuzzy (fuzzy system – FS).

Sumber:

1. Engelbrecht, A. P. Computational Intelligence. An Introduction. Second Edition. John Wiley & Son. 2007

2. A.M. Turing. Computing Machinery and Intelligence. Mind, 59:433-460. 1950

Otak memahami gambar (bagian pertama)

Download Artikel

Manusia, salah satu ciptaan Allah yang maha sempurna. Memahami keagungan-Nya semakin membuatku tak berdaya untuk merasa “serba tahu” didalam genggaman alam-Nya. Memahami keagungan-Nya semakin membuatku percaya bahwa melalui alam Allah memberi ilmu-Nya. Kuawali cerita ini dengan menceritakan bagaimana manusia bisa mengenali gambar melalui otak.

Visual Cortex adalah bagian dari otak manusia yang bertugas untuk mengolah informasi yang ditangkap oleh mata manusia. Informasi yang masuk melalui mata (retina) akan masuk kedalam bagian otak yang disebut dengan Lateral Geniculate Nucleus (LGN), yang merupakan prosesor utama dari bagian otak manusia. Selanjutnya informasi dari LGN akan masuk kedalam bagian utama dari visual cortex. Visual cortex tersusun dari beberapa lapisan. Lapisan pertama disebut dengan Visual area 1 (V1). V1 akan mengirimkan informasi melalui dua jalur yang disebut dengan Dorsal Stream dan Ventral Stream.

Ventral stream berperan untuk identifikasi persepsi objek (perceptual identification of objects), yang berupa bentuk, ukuran, warna dan tekstur (object vision). Sedangkan Dorsal stream berperan untuk mengolah informasi spasial objek (spatial vision). Bagian Dorsal inilah yang menyebabkan kita dapat melihat objek bergerak. Lebih jelasnya lihat gambar dibawah ini.

Melalui jalur Ventral, informasi akan dilanjutkan masuk kedalam visual area 2 (V2), dan selanjutnya masuk kedalam visual area 4 (V4) dan berakhir pada bagian Inferior–Temporal lobe (IT). Sedangkan melalui jalur Dorsal, informasi akan dilanjutkan masuk ke dalam V2 dan masuk kedalam dorsomedial area dan Middle Temporal (MT) area (V5).

Dengan demikian informasi visual diproses oleh otak manusia melalui beberapa tahap yang dilakukan secara hirarki. Mulai dari bagian V1 dimana objek terkecil yang sudah tidak bisa dibagi lagi (atomik) disimpan berupa edge/corner, selanjutnya akan masuk ke dalam V2 dalam bentuk grup-grup feature yang sudah memiliki bentuk objek (intermediate visual forms) dan terakhir akan masuk ke dalam Inferior Temporal (IT). Pada bagian IT ini objek sudah dapat diidentifikasi bentuknya (high level object). Perhatikan siklus tersebut secara lengkap pada gambar dibawah ini.

Sumber :

1. 1. Goodale, Melvyn A., dan Milner David. 1992. Separate Visual Pathways for Perception and Action. Elsevier Science Publisher Ltd. Vol 15. No 1
2. Olshausen, BA. 2002. Principles of Image Representation in Visual Cortex.
3. Riessenhuber M dan Poggio T. 2002. How Visual Cortex Recognizes Object. The Tale of the Standard Model

The third year….

 

The third year…..
Kalimat ini acapkali membuatku sadar bahwa waktu itu sungguh cepat berlalu.
Ya …., saat ini aku hampir memasuki tahun ketiga kuliahku di UI, tepatnya kini aku memasuki semester 6. Kuliah ini seakan tak terasa, karena memang aku sudah tak punya lagi kewajiban untuk hadir dikelas, menyaksikan dosen menyampaikan materi…:-), tidak ada lagi ujian di kelas. Semakin membuatku merasa sedang tidak kuliah…

Kalau saja tak ada pembimbingku yang selalu setia memberikan waktunya untuk membimbing, memintaku membuat laporan, dan kadang-kadang menasihati aku…:-), mungkin waktu itu semakin cepat berlalu mendahului aku…

Thanks pa Rahmat…
You are my best supervisor and my best friend always…;-)