INDONESIA 2015 BANGSA MISKIN ILMU

Tahun ini hadiah Nobel Kedokteran jatuh kepada Tu Youyou (84), ilmuwan Tiongkok yang menemukan obat malaria, artemisinin. Selain gigih bereksperimen dan menelisik naskah kuno, kesuksesan Tu tak akan terwujud tanpa imajinasi pengetahuan pemimpin Tiongkok saat itu, Mao Tse Tung.

Pada 21 Januari 1969, Mao Tse Tung memberi tugas kepada Tu Youyu memimpin "Proyek 523". Unit militer rahasia itu punya satu misi: mencari obat malaria. Perintah Mao dilatari permintaan bantuan sekutu mereka, Vietnam Utara, yang melawan Amerika Serikat, untuk mengatasi malaria. Banyak prajurit Vietkong yang bergerilya tewas oleh malaria-hal serupa dialami serdadu AS di Vietnam.

Tu kala itu berusia 39 tahun dan bekerja bagi Academy of Traditional Chinese Medicine di Beijing. Ia dipilih karena dinilai cocok dengan semangat "Revolusi Kebudayaan" yang digagas Mao. Ia mendalami teknik pengobatan tradisional Tiongkok dan mendapat didikan cara Barat dari Departemen Farmakologi Peking University School of Medicine.

Kemudian, Tu segera melakukan observasi ke Pulau Hainan, di selatan Tiongkok, yang dilanda wabah. "Saya melihat banyak anak kena malaria akut. Mereka meninggal cepat," sebut Tu, padaNew Scientist, 2011.

Sekembali di Beijing, Tu minta timnya mengumpulkan resep obat-obatan kuno Tiongkok. Tu mengunjungi banyak tabib di negeri itu, wawancaranya ditulis di buku catatan, Koleksi Praktik dan Resep untuk Anti-Malaria.

Sekitar 2.000 resep obat tradisional Tiongkok dikumpulkan, 640 di antaranya punya prospek melawan malaria. Tu menguji coba sekitar 380 resep, salah satunya ekstraksi daun qinghao atausweet wormwood (Artemisia annua L). Namun, ekstrak qinghao yang didapat dengan merebusnya di suhu tinggi tak stabil.

Tu lalu membuka kembali manuskrip dan menemukan tulisan Ge Hong dari abad ke-4 yang menyebut teknik mengolahqinghao. Disebutkan, daun qinghaodirendam dengan sedikit air dingin, diremas agar keluar intisarinya, lalu ditelan habis.

Ini momen "eureka" bagi Tu. Merebus daun qinghao pada suhu tinggi merusak khasiatnya. Ia mencoba mengekstraksinya di cairan yang dipanaskan kurang dari 35 derajat celsius. Saat ekstraksi dicobakan ke tikus dan monyet yang ditulari parasit malaria, hasilnya 100 persen efektif.

Tu mencoba ke tubuhnya sendiri, dan aman. Ia mencoba menyembuhkan pasien malaria dengan ekstraksiArtemisia annua L, disebut artemisinin atau qinghaousu.

Baca: Macam-macam obat malaria

Obat tradisional yang ditemukan kembali oleh Tu, diisolasi dan dikombinasikan unsur lain itu, menjadi harapan baru perang melawan malaria. Penyakit purba itu menyebar di lebih dari 107 negara dengan angka kesakitan 300 juta-500 juta orang dan kematian 1,5 juta orang per tahun.

Parasit malaria dikenal digdaya dan cepat resistan pada obat. Artemisinin terbukti mematikan parasit malaria. Laporan resistansi artemisinin muncul dari populasi di daerah aliran Sungai Mekong. Organisasi Kesehatan Dunia (WHO) menempatkan artemisinin combination therapies (ACT) sebagai obat malaria.

Dedikasi Tu mencari obat malaria tak disangsikan. Ia pantas mendapat Nobel. Hal menarik ialah keyakinan Tu pada akar budaya dengan menelisik resep tradisional Tiongkok. Faktor penting lain ialah Mao Tse Tung.

"Tanpa visi dan imajinasi mencari solusi dengan ilmu pengetahuan, Mao tak akan membentuk Proyek 523. Tanpa Proyek 523, obat artemisinin tak ditemukan. Visi ini tak dimiliki para pemimpin kita," kata Sangkot Marzuki, Ketua Akademi Ilmu Pengetahuan Indonesia (AIPI).

Krisis pengetahuan

Minimnya imajinasi ilmu pengetahuan tampak dari rendahnya publikasi ilmiah dari Indonesia yang diakui dunia. Menurut Pusat Penelitian Perkembangan Ilmu Pengetahuan dan Teknologi Lembaga Ilmu Pengetahuan Indonesia 2014, Indonesia baru punya 5.000 terbitan ilmiah di pengindeks internasional dan 1.130 paten.

Sementara Thailand, dengan produk domestik bruto (PDB) hampir sama, punya 11.313 terbitan ilmiah dan 7.740 paten. Publikasi ilmiah dari Indonesia kalah jauh daripada Malaysia, Filipina, dan negara lain yang berpendapatan lebih rendah.

Hal itu seiring kecilnya investasi pemerintah bidang riset. Anggaran riset dan pengembangan ilmu pengetahuan di Indonesia 0,09 persen dari PDB, lebih rendah daripada Thailand (0,85 persen PDB) dan Malaysia (di atas 1 persen PDB).

Situasi lebih memprihatinkan pada riset dasar. "Pada 2007 pendanaan riset dasar hampir berimbang dengan riset terapan, kini persentasenya turun. Mestinya riset dasar dan terapan sejalan," kata Sangkot.

Riset dasar berdasarkan rasa ingin tahu demi menjawab soal. "Kalau menemukan jawaban, ada pertanyaan baru. Produk riset dasar ialah ilmu pengetahuan," ujarnya.

Adapun ukuran kesuksesan ilmu terapan ialah tercipta produk berdaya guna dan diterima pasar. Hilangnya imajinasi pengetahuan dan rendahnya dukungan pada riset dasar memicu krisis ilmu pengetahuan.

Hal itu memicu hilangnya tradisi ilmu pengetahuan sebagai dasar berpikir. Jika budaya ilmu pengetahuan hilang, bonus demografi jadi beban masa depan. Kita jadi bangsa konsumtif, kehilangan daya saing, tak punya daya mengatasi masalah.

Sebagai contoh, kebakaran hutan berulang, tapi minim solusi komprehensif. Saat hutan-hutan terbakar, Presiden Joko Widodo menginstruksikan kanalisasi lahan gambut. Ilmuwan LIPI, Eko Yulianto, mengatakan, "Saya bingung apa yang mesti dilakukan. Solusi pemerintah aneh. Banyak studi menunjukkan itu konyol."

Sejak kebakaran gambut di Kalimantan pada 1997, LIPI bekerja sama dengan Badan Iptek Jepang (JST) mempelajarinya. Dalam 10 tahun, hal itu meluluskan sekitar 80 doktor bidang gambut dari Indonesia, termasuk Eko. Namun, hasil riset dari mereka tidak dilirik pembuat kebijakan.

Pada masa kolonial, negeri ini melahirkan sejumlah ilmuwan besar, di antaranya Alfred Russel Wallace dan Christiaan Eijkman. Wallace meneliti keragaman hayati terkait bentang alam Nusantara, lalu dikenal sebagai penemu teori evolusi bersama Charles Darwin. Eijkman diganjar Nobel Kedokteran pada 1929 karena menemukan konsep defisiensi vitamin, seusai meneliti wabah beri-beri di Batavia.

Ironisnya, 70 tahun merdeka, negeri ini melahirkan banyak birokrat korup dan politisi mahir bersiasat. Kebijakan penentu nasib bangsa kebanyakan hanya dilandasi kepentingan politik dan ekonomi sesaat.

Sumber: Ahmad Arif

Read more »

Kurikulum Pendidikan di Finlandia

Tulisan ini saya kutip dari website www.hipwee.com. Disini kita temui 7 poin penting yang menjadi dasar majunya kurikulum pendidikan di Finlandia bahkan menjadi kurikulum terbaik dunia hingga saat ini.

Hardiana Noviantari

1. Di Finlandia, Anak-Anak Baru Boleh Bersekolah Setelah Berusia 7 Tahun

Orang tua jaman sekarang pasti udah rempong kalau mikir pendidikan anak. Anaknya belum genap 3 tahun aja udah ngantri dapat pre-school bagus gara-gara takut kalau dari awal sekolahnya gak bagus, nantinya susah dapat SD, SMP, atau SMA yang bagus. Di Finlandia tidak ada kekhawatiran seperti itu. Bahkan menurut hukum, anak-anak baru boleh mulai bersekolah ketika berumur 7 tahun.

Awal yang lebih telat jika dibandingkan negara-negara lain itu justru berasal dari pertimbangan mendalam terhadap kesiapan mental anak-anak untuk belajar. Mereka juga meyakini keutamaan bermain dalam belajar, berimajinasi, dan menemukan jawaban sendiri. Anak-anak di usia dini justru didorong untuk lebih banyak bermain dan bersosialisasi dengan teman sebaya. Bahkan penilaian tugas tidak diberikan hingga mereka kelas 4 SD. Hingga jenjang SMA pun, permainan interaktif masih mendominasi metode pembelajaran.

Pelajar di Finlandia sudah terbiasa menemukan sendiri cara pembelajaran yang paling efektif bagi mereka, jadi nantinya mereka tidak harus merasa terpaksa untuk belajar. Maka dari itu meskipun mulai telat, tapi pelajar umur 15 di Finlandia justru berhasil mengungguli pelajar lain dari seluruh dunia dalam tes internasionalProgramme for International Student Assessment (PISA). Itu membuktikan faedah dan efektivitas sistem pendidikan di Finlandia.

2. Cara Belajar Ala Finlandia: 45 Menit Belajar, 15 Menit Istirahat

Tahukah kamu bahwa untuk setiap 45 menit siswa di Finlandia belajar, mereka berhak mendapatkan rehat selama 15 menit? Orang-orang Finlandia meyakini bahwa kemampuan terbaik siswa untuk menyerap ilmu baru yang diajarkan justru akan datang, jika mereka memilliki kesempatan mengistirahatkan otak dan membangun fokus baru. Mereka juga jadi lebih produktif di jam-jam belajar karena mengerti bahwa toh sebentar lagi mereka akan dapat kembali bermain.

Di samping meningkatkan kemampuan fokus di atas, memiliki jam istirahat yang lebih panjang di sekolah juga sebenarnya memiliki manfaat kesehatan. Mereka jadi lebih aktif bergerak dan bermain, tidak hanya duduk di kelas. Bagus juga kan jika tidak membiasakan anak-anak dari kecil untuk terlalu banyak duduk.

3. Semua Sekolah Negeri Di Finlandia Bebas Dari Biaya. Sekolah Swasta pun Diatur Secara Ketat Agar Tetap Terjangkau

Satu lagi faktor yang membuat orang tua di Finlandia gak usah pusing-pusing milih sekolah yang bagus untuk anaknya, karena semua sekolah di Finland itu sama bagusnya. Dan yang lebih penting lagi, sama gratisnya. Sistem pendidikan di Finlandia dibangun atas dasar kesetaraan. Bukan memberi subsidi pada mereka yang membutuhkan, tapi menyediakan pendidikan gratis dan berkualitas untuk semua.

Reformasi pendidikan yang dimulai pada tahun 1970-an tersebut merancang sistem kepercayaan yang meniadakan evaluasi atau ranking sekolah sehingga antara sekolah gak perlu merasa berkompetisi. Sekolah swasta pun diatur dengan peraturan ketat untuk tidak membebankan biaya tinggi kepada siswa. Saking bagusnya sekolah-sekolah negeri di sana, hanya terdapat segelintir sekolah swasta yang biasanya juga berdiri karena basis agama.

Tidak berhenti dengan biaya pendidikan gratis, pemerintah Finlandia juga menyediakan fasilitas pendukung proses pembelajaran seperti makan siang, biaya kesehatan, dan angkutan sekolah secara cuma-cuma. Memang sih sistem seperti ini mungkin berjalan karena kemapanan perekonomian Finlandia. Tapi jika memahami sentralnya peran pendidikan dalam membentuk masa depan bangsa, seharusnya semua negara juga berinvestasi besar untuk pendidikan. Asal gak akhirnya dikorupsi aja sih.

4. Semua Guru Di Finlandia Dibiayai Pemerintah Untuk Meraih Gelar Master. Gaji Mereka Juga Termasuk Dalam Jajaran Pendapatan Paling Tinggi di Finlandia.

Disamping kesetaraan fasilitas dan sokongan dana yang mengucur dari pemerintah, penopang utama dari kualitas merata yang ditemukan di semua sekolah di Finlandia adalah mutu guru-gurunya yang setinggi langit. Guru adalah salah satu pekerjaan paling bergengsi di Finlandia. Pendapatan guru di Finlandia pun lebih dari dua kali lipat dari guru di Amerika Serikat.Tidak peduli jenjang SD atau SMA, semua guru di Finlandia diwajibkan memegang gelar master yang disubsidi penuh oleh pemerintah dan memiliki tesis yang sudah dipublikasi.

Finlandia memahami bahwa guru adalah orang yang paling berpengaruh dalam meningkatkan mutu pendidikan generasi masa depannya. Maka dari itu, Finlandia berinvestasi besar-besaran untuk meningkatkan mutu tenaga pengajarnya. Tidak saja kualitas, pemerintah Finlandia juga memastikan ada cukup guru untuk pembelajaran intensif yang optimal. Ada 1 guru untuk 12 siswa di Finlandia, rasio yang jauh lebih tinggi daripada negara-negara lain. Jadi guru bisa memberikan perhatian khusus untuk tiap anak, gak cuma berdiri di depan kelas.

Jika Indonesia ingin semaju Finlandia dalam urusan pendidikan, guru-guru kita selayaknya juga harus mendapatkan sokongan sebagus ini. Kalau perhatian kita ke guru kurang, kenapa kita menuntut mereka harus memberikan yang terbaik dalam proses pembelajaran? Tidak adil ‘kan?

5. Guru Dianggap Paling Tahu Bagaimana Cara Mengevaluasi Murid-Muridnya. Karena Itu, Ujian Nasional Tidaklah Perlu.

Kredibilitas dan mutu tenaga pengajar yang tinggi memungkinkan pemerintah menyerahkan tanggung jawab membentuk kurikulum dan evaluasi pembelajaran langsung kepada mereka. Hanya terdapat garis pedoman nasional longgar yang harus diikuti. Ujian nasional pun tidak diperlukan. Pemerintah meyakini bahwa guru adalah orang yang paling mengerti kurikulum dan cara penilaian terbaik yang paling sesuai dengan siswa-siswa mereka.

Diversitas siswa seperti keberagaman tingkatan sosial atau latar belakang kultur biasanya jadi tantangan sendiri dalam menyeleraskan mutu pendidikan. Bisa jadi gara-gara fleksibilitas dalam sistem pendidikan Finlandia itu, semua diversitas justru bisa difasilitasi. Jadi dengan caranya sendiri-sendiri, siswa-siswa yang berbeda ini bisa mengembangkan potensinya secara maksimal.

6. Siswa SD-SMP di Finlandia Cuma Sekolah 4-5 Jam/hari. Buat Siswa SMP dan SMA, Sistem Pendidikan Mereka Sudah Seperti Di Bangku Kuliah

Tidak hanya jam istirahat yang lebih panjang, jam sekolah di Finlandia juga relatif lebih pendek dibandingkan negara-negara lain. Siswa-siswa SD di Finlandia kebanyakan hanya berada di sekolah selama 4-5 jam per hari. Siswa SMP dan SMA pun mengikuti sistem layaknya kuliah. Mereka hanya akan datang pada jadwal pelajaran yang mereka pilih. Mereka tidak datang merasa terpaksa tapi karena pilihan mereka.

Pendeknya jam belajar justru mendorong mereka untuk lebih produktif. Biasanya pada awal semester, guru-guru justru menyuruh mereka untuk menentukan target atau aktivitas pembelajaran sendiri. Jadi ketika masuk kelas, mereka tidak sekedar tahu dan siap tapi juga tidak sabar untuk memulai proyeknya sendiri.

7. Gak Ada Sistem Ranking di Sekolah. Finlandia Percaya Bahwa Semua Murid Itu Seharusnya Ranking 1

Upaya pemerintah meningkatkan mutu sekolah dan guru secara seragam di Finlandia pada akhirnya berujung pada harapan bahwa semua siswa di Finlandia dapat jadi pintar. Tanpa terkecuali. Maka dari itu, mereka tidak mempercayai sistem ranking atau kompetisi yang pada akhirnya hanya akan menghasilkan ‘sejumlah siswa pintar’ dan ‘sejumlah siswa bodoh’.

Walaupun ada bantuan khusus untuk siswa yang merasa butuh, tapi mereka tetap ditempatkan dalam kelas dan program yang sama. Tidak ada juga program akselerasi. Pembelajaran di sekolah berlangsung secara kolaboratif. Bahkan anak dari kelas-kelas berbeda pun sering bertemu untuk kelas campuran. Strategi itu terbukti berhasil karena saat ini Finlandia adalah negara dengan kesenjangan pendidikan terkecil di dunia.

Emang sih kita gak bisa serta merta menyontek sistem pendidikan Finlandia dan langsung menerapkannya di Indonesia. Dengan berbagai perbedaan institusional atau budaya, hasilnya juga mungkin gak bakal sama.

Tapi gak ada salahnya ‘kan belajar dari negara yang udah sukses dengan reformasi pendidikannya. Siapa tahu bisa menginspirasi adminitrasi baru untuk mengadakan perubahan demi pendidikan Indonesia yang lebih baik **

Read more »

C. Elegans Connectome

1. Introduction

Researchers, in general, have a tendency to model certain animal physiology and pathways focused on experimentation to discover truths about the underlying mechanisms that give rise to specific behaviors. Modeling and simulations are great tools and give us valuable insight into whether our observations and underlying theories of what causes those observations are true. However, modeling or simulating specific behaviors can lead to skewed interpretations by negating the organism as a whole. It is not always obvious that a small portion of an organism will deliver the same results when more components of the organism are added into the model.

There have been a few models and simulations [2, 4, 5, 10, 13] conducted regarding the Caenorhabditis Elegans (C. Elegans) nematode but no one has yet created a simulation that encompasses the entire connectome. My C. Elegans connectome research involves individual programs, each representing one of the individual 302 neurons that make up the C. Elegans connectome. I label these 302 programs the Connectome Engine. To stimulate the sensory neurons in the connectome, and to read and assimilate the output of motor neurons, I added applications for this purpose I call the Connectome Framework. The Connectome Framework is the intermediate programs between the EV3 robot and the simulated C. Elegans connectome.

Results show the connectome is very recursive whereby stimulated postsynaptic neurons often loopback to the calling presynaptic neuron and often at several layers deep; i.e. neuron A will stimulate neuron B which in turn stimulates neuron A (A -> B -> A), as well as, neuron A will stimulate neuron B which stimulates neuron C which stimulates neuron A (A -> B -> C -> A). With many recursive connections, once the simulation is running well, I observed that both connectome and motor output was continuous and on-going without further stimulation. It is my conjecture that the connectome would have continued running nearly forever if allowed and unimpeded. I have most often found in neuron circuit discussions the lack of recursive behavior and I believe this is one of the most missed opportunities at discovering how the connectome mechanism functions.

There is an important distinction with the research this paper represents as opposed to most simulations in that the model is:

Complete: The entire connectome is represented. However it should be noted that not all sensory organelles or inputs are in the model at this time. As an example, stretch receptors which could play an important role in C Elegans locomotion behaviors are not yet part of this model.

Continuous: Like a "live" nervous system, the stimulation is continuous and active. Sensory input changes behavior and nothing more.

Physical: The Connectome is connected to a real three-dimensional robot that is interacting with its environment in unpredictable ways.

Individual: Each Neuron is represented by an individual program and like biological neurons, dendritic inputs and axonal outputs can only be given by the amount of stimulation consumed by the program (neuron).

Analog: Since the Connectome is represented by individual programs, the time in which a stimulation of a program occurs is not fixed, and can happen and change as environmental factors evolve.

Temporal: Stimulation changes over time as environmental factors change. Each program is set to only fire it’s axon as certain thresholds are met, and the program will zero out (depolarize) over time.


2. Materials and methods

There are three parts that make up the connectome simulation: the robot which provides sensory input and motor output to read and navigate through the environment, a Connectome Framework that reads sensory data and writes motor values from the connectome engine, and the Connectome Engine that simulates each individual neuron of C. Elegans.

2.1. Lego Mindstorm EV3 Robot

In late 2012, Lego announced that it would be releasing a new Lego Mindstorms robot kit in the Fall of 2013. The new robotic kit would be called Lego Mindstorms EV3 [11] and was an upgrade from the previous model of Lego Mindstorms NXT2. The primary features that made the EV3 attractive for simulation research is that it is inexpensive (~$350 USD), the computer (or Brick) is a Linux based computer and that the user could communicate with the robot via Bluetooth and WiFi communications.

Having purchased a prerelease, educational version of the EV3 in early August, 2013, allowed me to build a simple robot that could mimic some sensory inputs of the C Elegans nematode. The EV3, like its predecessors, has limited sensory inputs (Four total) and motor outputs (Four total). I decided on three touch sensors and one food sensor simulation. The robot is comprised of a left and right body touch sensor, a sonar or nose touch sensor and I use sound to simulate the presence of food. Each of these sensors stimulate specific sensory neurons of the connectome. I attached two motors to the EV3 on either side to simulate the right and left body movement of C Elegans.

2.2 Connectome Framework

In order to interact with the robot I created two programs: an Input program that reads the sensors on the robot and stimulates the appropriate neurons when specific thresholds are met, and an Output program that accumulates stimuli from motor neurons and in turn sends the amount of power to be applied to each of the two motors. These two programs are the intermediary applications between the robot and the connectome.

2.2.1 Sensory Input Program

The Sensory Input Program sets up a WiFi connection with the EV3 robot via a software product I use called Monobrick (http://www.monobrick.dk) [12] that allows me to read sensory information. A Timer control is used to poll the sensors every 100 milliseconds. The two touch sensors (Anterior and Posterior) have a very simple input of either "On" or "Off". If a touch sensor is pushed in, the sensor sends, and the input program reads, an "On". If the button on the sensor is out (not pushed in), the sensor sends, and the input program reads, "Off". I use the sonar sensor to simulate a nose touch by reading the number of centimeters detected between the robot and an object in front of the sensor. Currently, I have the limit set to within 20 centimeters of an object; i.e. if the distance is greater than 20 centimeters, the sensor will be ignored, if 20 centimeters or less, nose touch sensory neurons are stimulated. Food (chemosensory) sensation is activated by a sound sensor. I use a threshold of 40 decibels to start. If a sound is introduced greater than 40 decibels, food presence is simulated by activating the appropriate sensory neurons. This threshold can be changed on the fly by changing the value on the input program. Likewise, the neurons that will be stimulated when a sensor threshold is met can be changed on the fly as well. Currently, I have set up the following neurons to be stimulated when thresholds are met[7]:

Anterior harsh body touch: FLPL, FLPR, BDUL, BDUR and SDQR

Posterior harsh body touch: PVDL, PVDR, PVCL, and PVCR

Nose touch (sonar): ASHL, ASHR, FLPL, FLPR, OLQDL, OLQDR, OLQVL, OLQVR

Food (sound): ADFL, ADFR, ASGL, ASGR, ASIL, ASIR, ASJL, ASJR, AWCL, AWCR, AWAL and AWAR

Each stimulation of the neurons listed, sends a default value set in the input program data grid to each of the individual programs that represent these neurons in the connectome. These values can be adjusted to create a higher value sensation.

The Input program reads the robot sensors and activates the Sensory Neurons that are associated to each sensor.

Whereas

sets the IP Address where the Connectome Engine resides.

sets the sound threshold. The user can change this value at any time and the sensitivity will increase or decrease for food stimulation dependent on this value.

2.2.2 Motor Output Program

The Output program captures motor neuron outputs and displays the values in a matrix whereby each cell of the matrix represents a body muscle of C Elegans [6]. Muscles 7-24 (body muscles as opposed to head muscles) are accumulated into a value of either left or right, and the value is sent to the respective motor on the robot. The Researcher can set a maximum motor output whereas a motor is running at full speed when its value is set to 100. This is usually too fast on smooth terrain so I default the max value to 20 but this can be changed at any time and on the fly. The value of 20 for motor speed represents the condition whereas if the accumulated value exceeds 20, the output program will reset the value to 20. The output program communicates to the robot using Bluetooth communications and the Monobrick API.

The Output program receives all motor output weights from the motor neurons, accumulates into individual cells that represents a body muscle of C Elegans and the right and left accumulated weights are summarized and the summarized right and left values are sent to the robot motors. Viewing the matrix, the left body muscles are represented on the left as MDL01 – MDL24, MVL01-MVL23 (note although MVL24 shows as a cell in the output program, this muscle does not exist in the worm) and the right body muscles are represented on the right as MDR01-MDR24, MVR01-MVR24. The values (the picture shows Zeros) will change as these muscles are individually stimulated. The labels at the top, LT and RT, display the accumulated values.

2.3 The Connectome Engine

The Connectome itself is comprised of 300 individual programs that make up the C Elegans connectome. There are 300 because no other neuron has any documented connections to CANL and CANR so I do not activate these two neurons. I created a startup program, RunConnectome.exe, that reads a local Microsoft SQL 2012 database that contains the name and port of each individual neuron, the neurons and/or muscles that it connects too and the weighted value determined by the number of connections the pre-synaptic neuron has to the post-synaptic neurons. RunConnectome.exe starts each program (neuron) based on these values. Each neuron program communicates with its linked neurons using UDP (User Datagram Protocol). UDP uses the port and IP address of the program it wishes to communicate with and sends the weighted value to the program(s) when a threshold is met of accumulated values.

The single neuron is assigned a Socket or Port number which identifies the Neuron for the User Datagram Protocol (UDP). This image shows the Neuron AVAR is assigned port 11054, has just received a value of "15" and when its axon fires, it will send a value of 1 to ADER (port 11003), a value 1 to AS1, another value of 1 to AS1 (two connections to the same neuron represent a synaptic junction and a gap junction). Respective values will be sent to AS10 = 1 and 1, AS11 = 6, AS2 = 2, AS3 = 1 and 1, and AS4 = 1. Figure 6: Single Neuron Program. 300 of these programs are started, each representing one of the C Elegans neurons, which comprise the Connectome Engine. Each neuron program must accumulate a value greater than Fifteen (15) before the threshold is exceeded and the Axon fires; i.e. the program sends values to all the neuron programs it connects too. In addition, there is a timer control that triggers every 200ms and if there is no input activity in that 200ms, the accumulation counter is set to zero (0). This simulates the action potential of the neuron.


3. Results 

In general, the EV3 Robot using the Connectome Framework behaved in very similar ways to the behaviors observed in the biological C. Elegans. On the most simplest of terms, stimulation of food sensory neurons caused the Robot to move forward. Stimulation of the Robot’s sonar which in turn stimulated nose touch neurons, caused the robot to stop forward motion, backup and then proceed forward, usually in a slightly skewed path. Touching the Anterior and Posterior harsh touch sensors cause the robot to either move forward (Anterior touch) or move backwards (Posterior touch). There is no programming to direct the robot to behave in any specific manner. Only the simulated connectome directs when the robot will move a motor forward, stop or move backwards. I believe this answers, at a very basic level, that the connectome (i.e. how a nervous system is wired) gives rise to phenotypes that we observe in animals.

Repeating these experiments gave similar results each and every time. Again, noting that the C Elegans connectome is highly recursive and once the connectome gets to a sufficient stimulation, the connectome will continuously self-stimulate; i.e. a neuron (presynaptic) will stimulate another set of neurons (postsynaptic) which in turn, many of the postsynaptic neurons, will stimulate the originating presynaptic neuron, creating loops of stimulation. It is determined, if left alone, the simulated C Elegans connectome or nervous system will run continuously forever without any further stimulation. Not unlike the biological brains of animals whereas brain activity is constantly observed even at states of the deepest unconsciousness.

I carried out two well documented ablation experiments [2, 3] as well and obtained similar results outlined with the same experiments on the live animal when specific neurons are destroyed.

3.1. Food or Sound Sensing

As noted earlier, I used the sound sensor on the EV3 robot to act as a chemosensory organelle and stimulate several sensory neurons associated with the presence of food [14]. In the case of C Elegans, food is generally bacterium that it senses and eats in its natural environs. The sensory neurons I stimulated once the sound threshold is met or exceeded is ADFL, ADFR, ASGL, ASGR, ASIL, ASIR, ASJL, ASJR, AWCL, AWCR, AWAL and AWAR.

The Input application allows the user to set a threshold which I default to 40 decibels. This means that the sound around the robot sound sensor has to be 40 or more decibels before the robot will send the weighted values to the chemosensory neurons. This number can be adjusted on the fly by simply changing the value on the Input application but I found that 40 decibels seemed to be a good threshold in a normal, quiet environment. If the threshold is too low, the sound of the robot motors or normal, low level conversation can activate the sensor. At 40 decibels, snapping fingers or whistling will activate the sensor and allow a controlled stimulation. Setting the decibel level too high makes it difficult to cause stimulation due to the need to make excessive, high pitch noise.

Generally I found that stimulation of the food sensory neurons activated the connectome most effectively and started the robot to move in a forward direction.

3.2. Sonar or Nose Touch Sensing

I used the sonar sensor on the EV3 to simulate Nose Touch [15], a very sensitive region of C Elegans that will cause the nematode to stop and change direction when it comes upon obstacles. I set the sonar to activate once the robot comes within 20 centimeters of an object. I found 20 centimeters to be a good distance based upon forward momentum of the moving EV3. The sensory neurons I stimulated once the robot comes within 20cm of an object is ASHL, ASHR, FLPL, FLPR, OLQDL, OLQDR, OLQVL, OLQVR.

Repeatedly, when the EV3 robot senses an object using the sonar sensor and the nose touch sensory neurons are stimulated, the robot motors will stop and reverse for a short distance, one motor will activate to turn the robot slightly and the robot will continue in a forward motion. This one behavior is when I realized that the connectome was simulating the biological counterpart. There is no program to tell the robot to stop, reverse and move forward again at a skewed angle – this behavior is all being controlled by the simulated C Elegans connectome.

3.3. Harsh Body Touch Sensing

I used two touch sensors on the EV3 to simulate Body Touch, one for Anterior (towards the head) touch and one for posterior (towards the tail) touch [8, 9]. For quite a long time, I could get what is known as soft body touch to work fine whereas when a Touch Sensor on the robot is activated, the robot would usually reverse or change direction, but harsh body touch was not working as I would expect and I struggled to figure out why. In C elegans, harsh body touch displays a very strong reversal behavior in the worm.

One day I was viewing a picture of the C Elegan’s nervous system and I realized that the neurons that I was stimulating for (posterior) harsh body touch PVDL and PVDR, had numerous dendritic layouts across the entire body wall of C Elegans.

I realized the only way to simulate this wide ranging neuron in my simple, one sensor model was to increase the synaptic weight. I changed these neuronal weights to Twenty (20) and harsh body touch became much more relevant. The robot would stop and reverse much more rapidly when I applied this greater weighted value. However, this seems practical, I am not pleased by its simplicity and I feel the model is pulling away from a true simulation and more into the realm of model creation that forces the behavior rather than a more biological representation.

3.4. Latency of the Connectome over time

One issue above all must be mentioned to give a truthful review of this research. After running simulations for a short period of 8-10 minutes, it can be readily observed that UDP messaging begins to stack, especially where there are highly recursive neuronal circuits. What this means is that a UDP message of a weighted value is sent to a postsynaptic neuronal program but because there are so many messages being sent to the postsynaptic neuron, the program cannot handle them all as fast as they are coming in. This becomes very evident when I send out a "poison" message to kill the neurons and there are sets of programs that do not stop because they are have so many other messages before the "poison" message, that it takes considerable time to process through these stacked messages before getting to the message that says stop.

In defense of this the message stacking problem, having stacked weights can be a non-issue because the neuron program is continually being stimulated so the number of messages waiting is irrelevant to the stimulation itself. However, the downside, and one that I have observed, is when there is a high mix of positive and negative weighted values. Neuronal programs that do not have a high degree of stacked weighted values wating to be accumulated, can fire their axons in a timely basis but neuronal programs that have a highly stacked weighted queue of both positive and negative values will eventually become out of synch with the rest of the connectome. This is observed after long periods of stimulation, and the robot becomes more erratic in its behavior.

To resolve this issue, and since the programs are IP and Port defined, I am looking into dividing the more active neurons onto their own computer system so they have more computing power and resources to keep up with the messaging demand. Originally I ran the Connectome Engine and Framework on the same computer but when I separated the Input/Output programs on one computer and the Connectome on another, the performance and throughput was very observable. Dividing the individual programs that make-up the connectome to different computers should give me an added performance throughput.


4. Discussion 

Repeatedly, I can observe the robot behaving in a manner that I would expect given what we observe in the biological C Elegans with the organs we have replicated in the simulated, robot version of C Elegans. Having the ability to use a connectome within a mechanical entity opens up a great deal of possibilities. Although there is much network analysis yet to be done, this is potentially a gateway into greater insight of how nervous systems work. The more precisely we can emulate a neuron, being able to engulf a precise neuron model into an entire connectome, makes exploration of nervous systems much easier, faster and perhaps more ethical than exploring biological animals.

On another note, having working connectomes will allow us to explore autonomous robotics. Just this simple C Elegans connectome could easily be envisioned to extend to potential search and rescue robotics. Mimicking an animal that digs and searches for food in an environment similar to a collapse building could bring searching for survivors of such a catastrophe much easier and better, especially with additional chemo and oxygen sensors as with the real worm. Adding higher level connectomes such as fish, drosphila, mouse, and more, could amplify what my humble beginnings can obtain.

Although I can show that simple neuronal connections can give rise to expected behaviors, there is much more to the C. Elegans (and any other animals) neuron than just neuronal connections including, but not limited to, the difference between chemical and electrical connections, neuropeptides and the various peptides and innexins that create neuronal complexities at the cellular level. Just the differences in chemical (synapse) and electrical (gap junctions) warrants the possibility of two programs to shadow one another and represent a single neuron. Whether this evolves into multiple programs that together comprise a single neuron or a single application that encompasses all of the systems biology of a single neuron, we must continue to improve and add-in additional complexity to get a true representation in reverse engineering natural biology.

In addition, as what I found regarding the Harsh Body touch (PVDL and PVDR neurons), the spatial aspect of the connectome is missing. At this time, other than the attempt I made raising the weighted values to activate the sensory neurons, I have no idea how this could be accomplished but I believe it is an important aspect of simulating a connectome. One avenue to review is perhaps the idea of throttling how weighted values are messaged whereas a long axon might be throttled to react slower than a short axonal connection. Computational Neuroscience might play a key role to resolve this issue.

In a collaborative effort with Marusz Sasinski, we were able to create a Python version (see Downloads) of the connectome that is time sequenced and not independent programs. The Python version used arrays and to create an illusion of recursion, we looped through the arrays at each step, incrementing the accumulated weight values and once the values exceeded a threshold, we would then fire that neuron (loop through the array and add weighted values), and zero the accumulated value for the presynaptic, firing neuron. I was able to connect this Python application, running on a Raspberry Pi computer to a modified Connectome Framework, and we again, observed behaviors in the robot that emulated the living nematode. The Python program, running on a Raspberry Pi computer worked very similar to the individual program simulation which moves us closer to the realization that the connectome alone is a key aspect to understanding a number of basic behaviors in a living organism.



5. More Information 

We wish to make most of this code available to any and all collaborators and are starting an open source project to hopefully propel this concept to even larger audiences. You can get on board to receive information and add to the discussion by joining the Google Group ocengine@googlegroups.com = Open Connectome Engine. We are currently working on a Git repository to house the software for download and collaboration and will be announcing where and how to get access to these files on the ocengine list.

Currently I am working on a web service that I hope anyone can plug into and use the connectome.



6. References 

1. White, J.G., Southgate, E., Thomson, J.N.,and Brenner, S. (1986). The structure of the nervous system of the nematode Caenorhabditiselegans. Philos. Trans. R. Soc. Lond.B 314, 1–340.doi:10.1098/rstb.1986. 0056

2. Boyle J H, Berri Sand Cohen N (2012) Gait modulation in C. elegans: an integrated neuro mechanical model. Front. Comput. Neurosci. 6:10. doi: 10.3389/fncom.2012.00010

3. Rakowski F, Srinivasan J, Sternberg P Wand Karbowski J (2013) Synaptic polarity of the interneuron circuit controlling C. elegans locomotion. Front. Comput. Neurosci. 7:128. doi: 10.3389/fncom.2013.00128

4. Xin Deng, Jian-Xin Xu, A 3D undulatory locomotion model inspired by C. elegans through DNN approach, Neurocomputing, http://dx.doi.org/10.1016/j.neucom.2013.10.019

5. Netta Cohen and Tom Sanders (2014) Nematode locomotion: dissecting the neuronal–environmental loop Netta Cohen and Tom Sanders. 0959-4388/$ – see front matter, Published by Elsevier Ltd. http://dx.doi.org/10.1016/j.conb.2013.12.003

6. WormBook: Mechanosensation. http://www.wormbook.org/chapters/www_mechanosensation/mechanosensation.html

7. WormBook. Hermaphrodite sensory receptors table: http://wormatlas.org/hermaphrodite/nervous/Images/neurotable1leg.htm

8. Li W, Kang L, Piggott BJ, Feng Z, Xu XZ The neural circuits and sensory channels mediating harsh touch sensation in Caenorhabditis elegans.

9. MARTIN CHALFIE, JOHN E. SULSTON, JOHN G. WHITE* EILEEN SOUTHGATE*J. NICHOL THOMSON, AND SYDNEY BRENNERS The Neural Circuit for Touch Sensitivity in Caenorhabditis elegans’ http://www.jneurosci.org/content/5/4/956.full.pdf

10. Beverly J. Piggott,1,2,4 Jie Liu,1,4 Zhaoyang Feng,3,4 Seth A. Wescott,1 and X.Z. Shawn Xu (2011) The Neural Circuits and Synaptic Mechanisms UnderlyingMotor Initiation in C. elegans

11. Lego Mindstorms EV3 http://www.lego.com/en-us/mindstorms/?domainredir=mindstorms.lego.com

12. Monobrick http://www.monobrick.dk/

13. Suzuki, M.; Tsuji, T.; Ohtake, H., "A dynamic body model of the nematode C. elegans with a touch-response circuit," Robotics and Biomimetics (ROBIO). 2005 IEEE International Conference on , vol., no., pp.538,543, 0-0 0 doi: 10.1109/ROBIO.2005.246325\

14. DT Omura (?2008) C. elegans integrates food, stress, and hunger signals to coordinate motor activity. MIT

15. Nikhil Bhatla (2013) Neural circuits for touch-induced locomotion in C. elegans MIT 

Read more »

Quantum Computer (Komputer Kuantum)

Teknologi komputer merupakan salah satu teknologi yang paling cepat mengalami perkembangan dan kemajuan. Komputer-komputer yang ada saat ini sudah mencapai kemampuan yang sangat mengagumkan. Tetapi kedahsyatan komputer tercanggih yang ada saat ini pun masih belum bisa memuaskan keinginan manusia yang bermimpi untuk membuat sebuah Supercomputer yang benar-benar memiliki kecepatan super. Komputer yang nantinya layak untuk benar-benar disebut sebagai Komputer Super ini adalah Komputer Kuantum. Teori tentang komputer kuantum ini pertama kali dicetuskan oleh fisikawan dari Argonne National Laboratory sekitar 20 tahun lalu. 

Paul Benioff merupakan orang pertama yang mengaplikasikan teori fisika kuantum pada dunia komputer di tahun 1981. 

Komputer yang biasa kita gunakan sehari-hari merupakan komputer digital. Komputer digital sangat berbeda dengan komputer kuantum yang super itu. Komputer digital bekerja dengan bantuan microprocessor yang berbentuk chip kecil yang tersusun dari banyak transistor. Microprocessor biasanya lebih dikenal dengan istilah Central Processing Unit (CPU) dan merupakan ‘jantung’nya komputer. Microprocessor yang pertama adalah Intel 4004 yang diperkenalkan pada tahun 1971. Komputer pertama ini cuma bisa melakukan perhitungan penjumlahan dan pengurangan saja. Memory komputer menggunakan sistem binary atau sistem angka basis 2 (0 dan 1) yang dikenal sebagai BIT (singkatan dari Binary digIT). Konversi dari angka desimal yang biasa kita gunakan (angka berbasis 10 yang memiliki nilai 0 sampai 9) adalah sebagai berikut: 

0 = 0 

1 = 1 

2 = 10 

3 =  11 

4 = 100 

5 = 101 

6 = 110 

7 = 111 

8 = 1000 

9 = 1001 

10 = 1010 

11 = 1011 

12 = 1100 

13 = 1101 

14 = 1110 

15 = 1111 

16 = 10000 

17 = 10001

Kalau kita ingin menghitung angka apa yang dilambangkan oleh 101001 caranya sebagai berikut (menggunakan sistem 2n): 

(1 x 25) + (0 x 24) + (1 x 23) + (0 x 22) + (0 x 21) + (1 x 20) = 32 + 0 + 8 + 0 + 0 +1 = 41. 

Sistem inilah yang selama ini kita gunakan saat kita mengolah informasi menggunakan komputer. Quantum Computer atau komputer kuantum memanfaatkan fenomena ‘aneh’ yang disebut sebagai superposisi. Dalam mekanika kuantum, suatu partikel bisa berada dalam dua keadaan sekaligus. Inilah yang disebut keadaan superposisi. Dalam komputer kuantum, selain 0 dan 1 dikenal pula superposisi dari keduanya. Ini berarti keadaannya bisa berupa 0 dan 1, bukan hanya 0 atau 1 seperti di komputer digital biasa. Komputer kuantum tidak menggunakan Bits tetapi QUBITS (Quantum Bits). Karena kemampuannya untuk berada di bermacam keadaan (multiple states), komputer kuantum memiliki potensi untuk melaksanakan berbagai perhitungan secara simultan sehingga jauh lebih cepat dari komputer digital.  

Komputer kuantum menggunakan partikel yang bisa berada dalam dua keadaan sekaligus, misalnya atom-atom yang pada saat yang sama berada dalam keadaan tereksitasi dan tidak tereksitasi, atau foton (partikel cahaya) yang berada di dua tempat berbeda pada saat bersamaan. Apa maksudnya ini? 

Atom memiliki konfigurasi spin. Spin atom bisa ke atas (up), bisa pula ke bawah (down). Misalnya saat spin atom mengarah ke atas (up) kita beri lambang 1, sedangkan spin down adalah 0 (seperti dalam sistem binary di komputer digital). Atom-atom berada dalam keadaan superposisi (memiliki spin up dan down secara 

bersamaan) sampai kita melakukan pengukuran. Tindakan pengukuran memaksa atom untuk ‘memilih’ salah satu dari kedua kemungkinan itu. Ini berarti sesudah kita melakukan pengukuran, atom tidak lagi berada dalam keadaan superposisi. Atom yang sudah mengalami pengukuran memiliki spin yang tetap: up atau down. 

Saat konsep ini diterapkan dalam komputer kuantum, keadaan superposisi terjadi pada saat proses perhitungan sedang berlangsung. Sistem perhitungan pada komputer kuantum ini berbeda dengan komputer digital. Komputer digital melakukan perhitungan secara linier, sedangkan komputer kuantum melakukan semua perhitungan secara bersamaan (karena ada multiple states semua perhitungan dapat berlangsung secara simultan di semua state). Ini berarti ada banyak kemungkinan hasil perhitungan. Untuk mengetahui jawabannya (hasil perhitungannya) kita harus melakukan pengukuran qubit. Tindakan pengukuran qubit ini menghentikan proses perhitungan dan memaksa sistem untuk ‘memilih’ salah satu dari semua kemungkinan jawaban yang ada.  

Dengan sistem paralelisme perhitungan ini, kita bisa membayangkan betapa cepatnya komputer kuantum. Komputer digital yang paling canggih saat ini (setara dengan komputer kuantum 40 qubit) memiliki kemampuan untuk mengolah semua data dalam buku telepon di seluruh dunia (untuk menemukan satu nomor telepon tertentu) dalam waktu satu bulan. Jika menggunakan komputer kuantum proses ini hanya memerlukan waktu 27 menit!  

Ada satu fenomena ‘aneh’ lain dari mekanika kuantum yang juga dimanfaatkan dalam teknologi komputer kuantum: Entanglement. Jika dua atom mendapatkan gaya tertentu (outside force) kedua atom tersebut bisa masuk pada keadaan ‘entangled’. Atom-atom yang saling terhubungkan dalam entanglement ini akan tetap terhubungkan walaupun jaraknya berjauhan. Analoginya adalah atom-atom tersebut seperti sepasang manusia yang punya ‘telepati’. Jika yang satu dicubit, maka pasangannya (di mana pun ia berada) akan merasa sakit. Perlakuan terhadap salah satu atom mempengaruhi keadaan atom pasangannya. Jika yang satu memiliki spin up (kita baru bisa mengetahuinya setelah melakukan pengukuran) maka kita langsung mengetahui bahwa pasangannya pasti memiliki spin down tanpa kita perlu mengukurnya kembali. Ini melambangkan sistem komunikasi yang super cepat. 

Komunikasi menggunakan komputer kuantum bisa mencapai kecepatan yang begitu luar biasa karena informasi dari satu tempat ke tempat lain dapat ditransfer secara instant. Begitu cepatnya sehingga terlihat seakan-akan mengalahkan kecepatan cahaya! 

Saat ini perkembangan teknologi sudah menghasilkan komputer kuantum sampai 7 qubit, tetapi menurut penelitian dan analisa yang ada, dalam beberapa tahun mendatang teknologi komputer kuantum bisa mencapai 100 qubit. Kita bisa membayangkan betapa cepatnya komputer masa depan nanti. Semua perhitungan yang biasanya butuh waktu berbulan-bulan, bertahun-tahun, bahkan berabad-abad pada akhirnya bisa dilaksanakan hanya dalam hitungan menit saja jika kita menggunakan komputer kuantum yang super canggih dan super cepat itu. 

Di masa mendatang kita akan menggunakan komputer yang tidak lagi tersusun dari transistor-transistor mini seperti sekarang, Komputer kuantum tidak lagi memerlukan chip komputer yang semakin lama semakin padat karena semakin berlipatgandanya jumlah transistor yang dibutuhkan untuk meningkatkan kinerja komputer. Komputer masa depan justru dipenuhi oleh cairan organik sebagai ‘jantung’nya. Cairan organik ini mengandung atom-atom/partikel-partikel yang bisa berada dalam keadaan superposisi tersebut. Ini berarti, kita benar-benar memanfaatkan zat organik alami untuk menjadi ‘kalkulator’ canggih karena ternyata cairan organik dari alam memiliki bakat berhitung!   

Oleh: Prof. Yohanes Surya

Read more »

Perbedaan D4 dan S1

D4 itu setara dengan S1 tapi berbeda

Menanggapi thread D4 tidak diakui lembaga pemerintah, ijinkan saya untuk meluruskan beberapa hal.

Benar bahwa D4 mempunyai kualifikasi yang sama dengan S1. Namun mari kita ketahui apa arti kualifikasi itu. 

Berdasarkan borang pengajuan ijin prodi bisa kita pahami apa definisi dari kualifikasi. 

KUALIFIKASI adalah pengakuan terhadap seseorang yang telah mencapai learning outcomes (hasil pembelajaran) atau kompetensi yang relevan sesuai dengan kebutuhan stakeholders (individual, komunitas, profesi, atau industri). Dalam hal ini KUALIFIKASI adalah gelar (sertifikasi formalnya adalah ijazah) yang diperoleh seseorang setelah menyelesaikan pendidikan formalnya pada jenjang yang dimaksud.

KOMPETENSI adalah kemampuan seseorang untuk mengaplikasikan pengetahuan dan ketrampilan sesuai dengan standard kinerja di tempat kerja secara konsisten, dalam hal ini lebih cenderung kepada menjelaskan skill (ketrampilan) yang bersangkutan. Pengakuan atau sertifikasi formal atas kompetensi ini adalah sertifikat kompetensi. Sertifikat kompetensi dapat diberikan oleh lembaga sertifikasi, lembaga pelatihan, atau perguruan tinggi, baik atas dasar undang-undang atau pun kesepakatan antara perguruan tinggi dan asosiasi profesi atau lembaga sertifikasi.

D4 memiliki KUALIFIKASI yang sama dengan S1, namun KOMPETENSI-nya berbeda.
Mari kita lihat UU Nomor 12/2012 tentang Pendidikan Tinggi

Pasal 16
(1)
Pendidikan vokasi merupakan Pendidikan Tinggi
program diploma yang menyiapkan Mahasiswa untuk
pekerjaan dengan keahlian terapan tertentu sampai
program sarjana terapan.
(2)
Pendidikan vokasi sebagaimana dimaksud pada
ayat (1) dapat dikembangkan oleh Pemerintah sampai
program magister terapan atau program doktor
terapan.

Bandingkan dengan Pendidikan Sarjana

Pasal 18(1)Program sarjana merupakan pendidikan akademikyang diperuntukkan bagi lulusan pendidikanmenengah atau sederajat sehingga mampumengamalkan Ilmu Pengetahuan dan Teknologimelalui penalaran ilmiah.(2)Program sarjana sebagaimana dimaksud pada ayat (1)menyiapkan Mahasiswa menjadi intelektual dan/atauilmuwan yang berbudaya, mampu memasukidan/atau menciptakan lapangan kerja, serta mampumengembangkan diri menjadi profesional. 

Baca perlahan dan pahami perbedaan tujuan antara pendidikan vokasi dan non vokasi.Mari kita lihat lagi penjelasan UU ini :

Pasal 16
Ayat (1)
Yang dimaksud dengan “pendidikan vokasi” adalah
pendidikan yang menyiapkan Mahasiswa menjadi
profesional dengan keterampilan/kemampuan kerja
tinggi.
Kurikulum pendidikan vokasi disiapkan bersama dengan
Masyarakat profesi dan organisasi profesi yang
bertanggung jawab atas mutu layanan profesinya agar
memenuhi syarat kompetensi profesinya.
Dengan demikian pendidikan vokasi telah mencakup
pendidikan profesinya.

Sekarang mari kita simak Perpres 8/2012 tentang Kerangka Kualifikasi Nasional Indonesia. Kita harus bangga, bangsa ini sudah punya KKNI Qualification Framework, jadi kita siap "disetarakan" dengan lulusan luar negeri. 

Pasal 5
Penyetaraan capaian pembelajaran yang dihasilkan me
lalui pendidikan dengan jenjang kualifikasi pada KKNI terdiri atas:
a. lulusan pendidikan dasar setara dengan jenjang 1;
b. lulusan pendidikan menengah paling rendah setara dengan jenjang 2;
c. lulusan Diploma 1 paling rendah setara dengan jenjang 3;
d. lulusan Diploma 2 paling rendah setara dengan jenjang 4;
e. lulusan Diploma 3 paling rendah setara dengan jenjang 5;
f. lulusan Diploma 4 atau Sarjana Terapan dan Sarjana paling rendah setara dengan jenjang 6

KKNI menjadi tugas Perguruan Tinggi dalam menyusun kurikulum. Juga untuk mengevaluasi kurikulum yang berjalan, misal D3 learning oucomesnya sama seperti SMK, ya harus dibenahi. Tim KKNI sering mengambil contoh "kelatahan" perguruan tinggi membuat program tanpa melakukan evaluasi dulu. Misal D3 dianggap kurang mumpuni maka dibuat program D4 tanpa melihat apakah D3-nya yang terlalu "rendah" learning outcomesnya sehingga kompetensi D3 11-12 dengan SMK.

Jadi D4 dan S1 itu setara/sederajat, tapi ingat tujuan pendidikannya berbeda, jenis pendidikannya berbeda, kurikulumnya berbeda, learning outcomesnya berbeda. Mari kita analogikan SMA dan SMK. Semua pasti paham SMA setara dengan SMK, tapi semua pasti tahu SMA berbeda dengan SMK.
Lalu kenapa lowongan S1 tidak bisa diisi D4 dan sebaliknya. Lowongan pekerjaan berkaitan dengan job des tertentu, kompetensi tertentu. Jika yang diminta adalah S1 maka tidak bisa diisi dengan D4. Pun juga sebaliknya.
Sebuah perusahaan membutuhkan tenaga kerja yang ahli dan terampil memasang baut maka dia akan ambil lulusan vokasi (bisa D3 atau D4).
Tetapi jika membutuhkan tenaga kerja yang ahli menentukan metode memasang baut yang efisien sesuai karakteristik baut dia ambil S1.
Itu contoh gampang dan awam, coba dipahami perlahan.
















Sumber : http://www.kaskus.co.id/thread/5255247d3ecb171208000007/d4-itu-setara-dengan-s1-tapi-berbeda-lho-gan

Read more »

Kurikulum 2013 Indonesia VS Kurikulum Finlandia

Masykur

Lagi-lagi Indonesia untuk kesekian kalinya berencana menggantikan kurikulum. ada beberapa perubahan yang telah dirombak dari kurikulum lama yaitu penghapusan mata pelajaran bahasa Inggris pada tingkat sekolah dasar serta pendakatan tematik integratif yang katanya pada pendekatan ini siswa akan belajar dengan tema yang akan di kombinasikan dengan mata pelajaran, yaitu :PPKN, Agama, bahasa Indonesia, Matematika, Seni Budaya dan Pendidikan jasmani.

Kurikulum ini sendiri seperti kata Kemendikbud bukanlah kurikulum baru di dunia, bahkan sudah diterapkan di Finlandia, Jerman dan prancis. pertanyaannya apakah kurikulum ini bisa di operasionalkan di Indonesia dengan pertimbangan keadaan lingkungan yang bisa dikatakan masih jauh berbeda dengan negara yang disebutkan diatas? tentu tidak mudah menjawab pertanyaan ini secara langsung karena kita belum melihat dampak kurikulum ini kedepan. untuk itu mari kita melihat secara sekilas bagaimana kontras kurikulum Finlandia dan Indonesia

Kurikulum di Finlandia

salah satu prinsip kurikulum di Finlandia adalah Non-discrimination and equal treatment yang berarti tidak ada diskriminasi dan mendapat perlakuan yang sama. di Finlandia semua anak punya hak sama dalam pendidikan, tidak dibedakan antara si kaya dan si miskin dan semua sekolah tidak dibedakan baik itu sekolah favorit atau tidak. jadi siswa bisa masuk ke sekolah mana saja karena semua sekolah sama. hal lain yang membuat sistem pendidikan di Finlandia berbeda adalah karena tidak adaassessment atau penilaian. siswa-siswa di Finlandia dibimbing untuk memiliki hak yang sama ketika belajar, maka tidak heran jika di dalam kelas mereka memiliki minimal dua guru untuk mengajar, 1 bertindak sebagai guru utama dan 1-nya sebagai asisten. di sisi lain berdasarkan hak dasar warga Finlandia, prinsip Receive understanding and have their say in accordance with their age and maturity yaitu menerima pemahaman dan pendapat sesuai umur dan kedewasaan. jadi mereka memiliki hak mendapatkan ilmu sesuai umur mereka tanpa diskriminasi. mereka juga mendapatakan dukungan spesial jika dibutuhkan seperti anak cacat dan anak-anak yang membutuhkan waktu ektra akan memiliki kelas tambahan untuk diajarkan secara khusus agar mereka mendapatkan hal yang sama seperti anak lainnya.

Dari segi mata pelajaran di Finlandia memiliki 6 mata pelajaran inti yang semuanya terbungkus dengan kata orientation. kenapa ada kata orientation? karena kurikulum di Finlandia memiliki konsep gagasan bahwa 6 mata pelajaran ini bukan mengharuskan siswa belajar isi dari seluruh pelajaran ini namun mengajak anak didik untuk mulai memperoleh kemampuan menjelajah dan memahami fenomena-fenomena alam yang ada disekitar mereka. maka jika anda melihat ada tiga kata yang dipakai disini yaitu examine, understand, & experience. jadi siswa melatih kemudian memahami dan mencoba. jadi pada hakikatnya siswa di Finlandia tidak belajar isi dari buku-buku tetapi berinteraksi dengan ilmu-ilmu tersebut. tentunya dengan fasilitas yang lengkap di setiap sekolah, baik desa maupun kota.

Hal menarik lainnya adalah bagaimana seorang guru mengajar di Finlandia tidak sebatas hanya di dalam kelas. siswa diajak mengekplorasi pengetahuan secara langsung di luar kelas ketika bahan ajar berkaitan dengan lingkungan. jadi dalam hal ini siswa tidak semata-mata belajar teori namun terjun ke lapangan untuk membuka wawasan mereka tentang alam demi mendapatkan pengetahuan dari pengalaman secara langsung.

jangan heran jika di Finlandia ada yang namanya Parental engagement, orang tua siswa juga terlibat dalam pendidikan anak jadi mereka juga secara tidak langsung memiliki ikatan kerjasama dengan sekolah. tujuannya adalah agar memungkinkan pihak sekolah tahu bakat anak secara akurat lebih dini jadi apa yang dibutuhkan si anak lebih tersalurkan di sekolah dengan informasi dari orangtuanya ke pihak sekolah. luar biasa bukan? dan ini mereka lakukan dalam bentuk diskusi bersama orangtua dan staff.

tidak hanya itu, orang tua juga memiliki hak mengevaluasi kurikulum sehingga mereka punya hak memberikan saran untuk perkembangan si anak. ini adalah peran nyata orangtua dalam pendidikan. jadi orantua di Finlandia tidak sekedar mendaftarkan anak ke sekolah dan terus selesai, mereka punya tanggungjawab sebagai orangtua untuk memonitor kemajuan si anak dengan baik melalui keterlibatan memberikan saran dan pendapat untuk perbaikan kurikulum jika dibutuhkan.

Kurikulum di Indonesia

di atas saya sudah menjelaskan bagaimana kurikulum di Finlandia di Jalankan. nah, sekarang mari kita bandingkan dengan kurikulum di Indonesia. di Indonesia kurikulum di atur oleh pemerintah pusat dengan keterlibatan mereka yang ahli dalam bidang kurikulum. kurikulum hanya bisa diubah oleh pemerintah sementara masyarakat hanya menjadi konsumen yang patuh dan taat. orangtua didik juga tidak terlibat apapun dalam hal kurikulum. lantas, bagaimana melihat kurikulum kita berhasil atau tidak? apa cukup dengan nilai UAN?

untuk menjawab pertanyaan diatas mungkin anda bisa menerka-nerka jawaban sesuai pengalaman anda yang sudah lama belajar di Indonesia dan tanyakan pada diri anda sendiri apakah selama ini anda merasa puasa dengan sistem pembelajaran yang ada.

menerapkan kurikulum dari negara maju sah-sah saja selama diterapkan dengan benar dan tepat sasaran. namun dari itu apakah kita siap mengadopsi sistem negara maju yang mereka memang kondisi pendidikan didukung baik oleh sarana dan prasarana dan guru yang memiliki latar belakang keilmuan dan pengalaman yang baik. sementara di Indonesia, secara kasat mata kita bisa melihat bahwa pendidikan kita sama sekali belum merata. Di desa dan di kota sangat berbeda dari segi fasilitas, guru dan lingkungan. jadi jelas kompetensi gurunya berbeda dan sistem pembelajarannya juga akan berbeda.

Dalam hal fasilitas kita masih tertingga jauh dengan negara maju seperti Finlandia. yang saya maksud disini adalah fasilitas sekolah untuk mendukung kegiatan belajar. termasuk laboratorium bahasa, sains dan lainnya. tanpa fasilitas yang memadai sangat sulit untuk menelurkan siswa yang berprestasi dibidangnya. terlebih jika kita berbicara dengan sekolah-sekolah di pinggiran desa yang jauh dari kata wajar dan bahkan jarang mendapat bantuan, dikunjungipun hampir tidak pernah. jadi siapkah mereka memulai kurikulum baru ini.

Guru juga memiliki peran aktif dalam hal menjalankan kurikulum ini. sosialisai tentang kurikulum 2013 ini sangat penting agar guru tidak mengalami “serangan jantung” tiba-tiba. tanpa pengetahuan yang cukup maka guru tidak akan bisa mengaplikasikan kurikulum baru ini. terlebih lagi dalam kurikulum baru ini guru dituntut lebih mandari dan aktif menciptakan bahan. disini guru dituntut melakukan tiga hal yaitu Guide, teach, explain. guru diharapkan dapat membimbing siswa, mengajarkan mereka dan menjelaskan kegiatan-kegiatan yang dilakukan. jadi tidak sebatas mengeluarkan isi buku dan dimasukkan ke kepala siswa, tetapi peran aktif guru lebih dituntut untuk menuntun siswa mendapatkan apa yang seharusnya mereka dapat di sekolah.

Keterlibatan pihak ketiga seperti orang tua juga harus dipikirkan kedepan. jadi tidak hanya sebatas belajar di sekolah dan selesai. orangtua harus diajak terlibat dengan pendidikan anak agar mereka mengerti akan apa yang dibutuhkan anak. dalam hal ini pihak sekolah memiliki peran menghubungkan orangtua dan guru sehingga bakat anak bisa tersalurkan dengan tepat. orangtua tentu mengetahui bakat anak lebih baik dari guru jadi tugas orangtua adalah berkoordinasi dengan guru melalui keterlibatan dalam evaluasi. nantinya ini bisa menjadi masukan bagi guru dan juga pemerintah dalam hal evaluasi kurikulum.

Akhirnya saya berharap pemerintah dapat lebih terbuka dalam hal perubahan kurikulum dengan melibatkan siswa, guru dan masyarakat. karena pada hakikinya merekalah yang lebih berperan dalan hal pendidikan karena mereka lebih tahu dengan pengalaman dilapangan. semoga kurikulum 2013 akan lebih baik dari kurikulum-kurikulum sebelumnya. semoga!

Read more »