3-link vol 16 february 2012

ISSN 1858 - 4667 JURNAL LINK Vol 16/No. 1/Februari 2012

Pemodelan Matematis untuk PePespektif Perilaku Agen Cerdas

Pembeli dengan Pendekatan (MOEA) NSGA II Dwi Rolliawati

Dosen Sistem Komputer, Universitas Narotama

Abstrak

Agen adalah suatu entitas perangkat lunak komputer yang memungkinkan user (pengguna) untuk mendelegasikan tugas kepadanya secara mandiri (autonomously). Agen memiliki kemampuan cerdas untuk berkolaborasi dengan user, melakukan fungsi monitoring dan learning untuk memenuhi kebutuhan user. Dalam melakukan fungsi monitoring dan learning, maka seorang agen harus dibekali kecerdasan buatan. Dalam penelitian ini, diusulkan desain perilaku agen pembeli dengan pendekatan optimasi multi objektif menggunakan algoritma MOEA (Multi Objective Evolutionary Optimization). Konsep multi kriteria pada agen dalam makalah ini didasarkan teori Constraint Satisfaction Problem (CSP). Hasil dari penelitian ini, agen pembeli memiliki multi kriteria untuk memutuskan “membeli, negosiasi atau tidak membeli”. Kata Kunci: agen, autonomously, monitoring, learning, pembeli, multi objektif, multi kriteria, optimasi, MOEA, CSP.

1. PendahuluanAgen adalah suatu entitas perangkat lunak komputer yang memungkinkan user (pengguna) untuk mendelegasikantugas kepadanya secara mandiri (autonomously). Agen memilikikemampuan cerdas untuk berkolaborasi dengan user, melakukan fungsi monitoring dan learning untukmemenuhi kebutuhan user. Dalam melakukan fungsi monitoring dan learning, seorang agen harus dibekalikecerdasan buatan. Dalam dunia nyata, pembeli memiliki kecerdasan dalam memilih barang yang akan dibeli,memilih penjual yang menurutnya nyaman dan menguntungkan. Seorang pembeli akan mempertimbangkanbanyak hal (multi criteria) ketika akan memutuskan membeli sesuatu. Variabel pertimbangan yang paling umum darisisi pembeli adalah harga minimal dengan kualitas yang baik. 2 kriteria ini sangat bertentangan, inilah yangdinamakan kasus multi objektif.

Penelitian tentang agent pembeli telah banyak dilakukan [1,2,3,4]. Dalam penelitian sebelumnya [1] dibuat agen pembeli berbasis hierarchical finite state machine (HFSM) untuk mensimulasikan

3-1

keputusan SCM Procurement. Akan tetapipersoalan multiobjektif dalam penelitian tersebut masih belum dikembangkan dan system yang digunakan banyakkelemahannya. Rumusan dalam bentuk model matematis dari strategi agent pembeli dan penjual supaya saling menguntungkan [2]. Masih berkorelasitentang agen pembeli, [3]mengembangkan agen pembeli berbasis logika Fuzzy untuk proses negosiasi otomatis dalam ecommerce. Sedangkan peneliti yang lain [4] telahmengembangkan pendekatan optimasi multi objektif pada agen pembeli dan penjual menggunakan teknik priority based matchmacing algoritma genetika. Merujuk dari berbagai penelitian tersebut, diusulkan autonomous agen pembeli studi kasus agen pembelian laptop dengan pendekatan Multi Objective Evolutionary Optimization(MOEA) menggunakan Non Dominant Sort Genetic Algorithm II atau lebih dikenal dengan nama MOEA NSGA-II. Adapun konstrain dari multi kriteria variabel didasarkan pada teori Constraint Satisfaction Problem (CSP).Penelitian ini bertujuan untukmensimulasikan perilaku pembeli mandiri

Dwi,Pemodelan Matematis Untuk PePespektif..

(autonomous) yang dapat diaplikasikan dalam membantu pengambilan keputusan seorang purchasing/agen pembelian laptop dalam bentuk game.Akan tetapi simulasi game dalam

penelitian belum terimplementasikan. Hasil akhir dari penelitian ini untuk sementara adalah varian nilai fungsi fitness yang merupakan output dari agen pembeli ini. Sehingga pembeli akan memutuskan pada state membeli, bernegosiasi atau tidak membeli. State perilaku agen ditunjukkan melalui model Finite State Machine (FSM).Formula dan simulasi dalam penelitian ini bisa digunakan sebagai sarana edutainment untuk mata pelajaran ekonomi.

2. Metode yang diterapkanUntuk membuat autonomous agen pembeli dari parameter multi objektif yang saling bertentangan maka dibuat suatu pengendali optimisasi multi objektif Non Dominant Sort Genetic Algorithm II (NSGA-II).Gambaran sistem pada penelitian ini,terlihat pada gambar 1. Dimulai dari inisial variabel criteria pembeli,kemudian diolah menggunakan algoritma NSGA-II, sehinggamenghasilkan nilai fitness yang dapat menentukan keputusan bagi pembeli tersebut. Kriteria pembeli padapenelitian ini didasarkan dari hasil survey pembeli laptop masyarakat umum. Sedangkan alur sistem dari algoritma NSGA 2 dapat dilihat pada gambar 2.

MultiKriteria MOEA

NSGA 2Pembeli: KeputusanHarga Agen pembeliProsesorMemoriHarddisk NilaiBobot fitness

Gambar 1. Desain sistem secarakeseluruhan

Start

Initialise Populasi gen

Pop No

FitnessClassified

Gen=gen+1

MengidentifikasiCrossover

Individu yangdominan

Mutation

Yes

Apakah PopTerklasifikasi

NO

STOP

Gambar 2. Alur Algoritma NSGA 2

Proses seleksi memilih individu yang baik (fit) pada algoritma NSGA II menggunakan teknik non dominant sort dan crowdingdistance. Kedua teknik tersebutditunjukkan pada tabel 1 dan 2.

2.1 Perspektif PembeliPerilaku konsumen sebagai perilaku

pembeli akhir baik individu maupun rumah tangga yang membeli produk untukkonsumsi personal. Dari definisi tersebut ditarik kesimpulan yaitu :

1) Perilaku konsumen menyorotiperilaku individu dan rumah tangga

2) Perilaku konsumen menyangkutsuatu proses keputusan sebelummembeli serta tindakan memperoleh,memakai, mengkonsumsi danmenghabiskan produk.

Dari teori tersebut, agen pembeli pada penelitian ini memiliki variabel harga, spesifikasi/kapasitas barang (prosesor,memori, harddisk), yang dipengaruhi oleh faktor ketertarikan pembeli (buyer

3-2


preference). Variabel ketertarikanpembeli berhubungan dengan factor psikologi dari agen. Seorang agen pembeli tidak selamanya menginginkanmempunyai barang yang murah dengan kapasitas sempurna. Aksi autonomous agen dalam penelitian ini digambarkansebagai berikut:

Gambar 3. Diagram blokautonomous agen pembeli

2.2 Constraint Satisfaction Problem Dalam menyelesaikan suatu kasus diberikan nilai konstrain dibagi menjadi 2 yaitu konstrain tegas (hard constraint) dan lunak (soft constraint). Konstrain tegas adalah fungsi yang harus sama persis (equal to). Sedangkan konstrain lunak adalah fungsi yang fleksibel, memiliki range tertentu dalam menyelesaikan permasalahan, dan konstrain inilah yang digunakan untuk penyelesaian penelitian ini. Dalam perspektif agen pembeli notebook konstrain lunak ini dikategorikan

1. lebih banyak adalah lebih baik,meliputi parameter prosesor,memori, harddisk. Dalampenelitian ini dinamakan fungsimaksimal kapasitas

2. lebih sedikit adalah lebih baik,yaitu harga. Dalam penelitian inidinamakan fungsi minimal harga.

2.3 Model Matematis Fungsi Fitness Visi umum dari penelitian ini adalah penyelesaian kasus multi objektif yangsaling bertentangan. Berdasarkan teori ekonomi, dalam kasus pembelian,

3-3

seorang pembeli memutuskan membelidengan mempertimbangkan:

P = x1 . harga + x2. Kualitas + x3. Kultur +

x4. Learning ….+ xn.yn

Dimana xi-n adalah variabel preference dari pembeli itu sendiri dengan _ _ ___ = 1 , sedangkan y adalah variabelpertimbangan pembeli. Sehingga dari perumusan tersebut, ditentukan : 1. Fungsi maksimal (f1), yaitu fungsi

kapasitas. Fungsi ini dipengaruhi oleh penilaian pembeli bigf , bobotketertarikan _ __ agen terhadap masingmasing kapasitas laptop yangditawarkan (Prosesor, memory dan harddisk). Selain memiliki bobot tersebut yang berbentuk matrik 3 x N,fungsi ini juga memiliki bobot kumulatif _ . Bobot ini adalah sebagai variabel pembanding terhadap fungsi harga.Adapun bigf {−1,1}∈ dipengaruhi oleh nilai penawaran penjual (_ __ ),kemampuan minimal pembeli ( ℯ __ ___), nilai ekpektasi pembeli ( ℯ __ _. Dengan i sebagai pembeli, f sebagai fungsi konstrain lunak, k jumlah variabel kapasitas (Prosesor, hardisk, memory)dan g adalah produk yang ditawarkan. Sehingga dapat dituliskan :

_ _ = __ _ ___ dimana:

&

_! = " #_ __ _ $ ___ % dengan

&

0≤ _ __ ≤ 1 , )_* "#_ __ %= 1

$___

1, _ __ ≥ ℯ __

, _ __ 0ℯ__ 1__= , ℯ __ 1__ < ___ ≤ ℯ __

ℯ __ − ℯ __ ___

,+ −1, _ __ < ℯ __ 1__


2. Fungsi minimal (f2) yaitu fungsi hargaFungsi ini dipengaruhi oleh penilaian pembeli bigf, bobot ketertarikan _ 3agen terhadap harga yangditawarkan dan fungsi kapasitas f1 Tidak selamanya agen pembeli menginginkan produk dengan hargayang murah, akan tetapi bergantung pada bobot ketertarikan agen terhadap sesuatu yang ditawarkan.Hampir sama dengan fungsi yang pertama, dalam menentukan bigf

{−1,1}∈ fungsi ini dipengaruhi olehnilai penawaran penjual (_ __ ),

kemampuan maksimum pembeli ( ℯ __ _45 ), nilai ekpektasi pembeli (ℯ__ _. Dengan i adalah pembeli, f sebagaifungsi konstrain lunak dan g adalah produk yang ditawarkan. Sehingga dapat dituliskan :

_ 6= __ − __ _ + __6 _ 8_9_ )

Dimana : _ 3= 1 − _

$___ =1, _ __ ≤ ℯ __

, ℯ :; <=> 0 ?@;

, ℯ __ < _ __ ≤ ℯ __ _45 ℯ :; <=> 0 ℯ:;

,

_! : fungsi intermediate agenB ,3 : fungsi objektif agen

_ __ : bobot ketertarikan terhadap kapasitas

_ : bobot kumulatif kapasitas _ 3 : bobot kumulatif

harga

2.4 Finite State Machine Agen Cerdas Pembeli

Finite State Machine (FSM) atau disebut juga finite state automata merupakan suatu model abstraksi matematis yang biasanya digunakan untukmerepresentasikan logika digital atau pemrograman computer. Metode ini seakan menjadi standard dan telah digunakan secara luas dibidang game. Hal ini karena kesederhanaan dankemudahan FSM diimplementasikan pada game.FSM pada dasarnya adalah pemodelan dari perilaku sebuah sistem/objek dengan beberapa kondisi yang terdefinisikan. Di mana objek tersebut dapat bertransisi ke state tertentu setiap waktu dengan batasan angka dari kondisi atau objek yang ditentukan. FSM terdiri dari dua elemen utama yaitu state (keadaan) dan transition (transisi). State merupakankeadaan objek saat ini, sedangkan transition merupakan hal yang dilakukan agar bisa berpindah dari satu state ke

+ −1, _ __ > ℯ __

Maka dapat juga dituliskan : _ 6=

__ − __ _ + __ − ___ _ 8_9_ )

Perhitungan nilai fitness dari

beberapa fungsi diatas akan menentukan keputusan stateautonomous agen pembeli.

Dimana:bigf : fungsi penilaian pembeliagf : penawaran penjualeif : nilai ekspektasi pembeli

eifmin: kemampuan minimum pembeli eifmax: kemampuan maksimal pembeli

_45 state yang lain. Dalam penelitian ini FSMdigunakan untuk memodelkan perilaku autonomous agen pembeli yang terdiri dari beberapa state seperti terlihat padagambar dibawah ini.

Gambar 4. FSM Perilaku Agen Pembeli

3-4


3. Pembahasan Hasil Pada penelitian ini proses optimisasi multi objektif berbasis NSGA-II digunakan sejumlah 404 sampel data. Berikut potongan tabel data terlihat pada gambar 3.

Keterangan gambar:

_ __ Penawaran penjual(Prosesor,Memory, Hardisk)

Penawaran penjual (harga)kemampuan minimal

Pembeli (P, M, H)ekspektasi pembeli (P, M, H)Ekspektasi harga pembeli

Harga Maksimal PembeliBobot pembeli terhadap P, M,

H,Bobot pembeli terhadap 2

fungsi minimal dan maksimal

Gambar 5. Data sampel

Dari data sampel yang ada diperoleh hasil observasi dari algoritma MOEA NSGA-II berupa grafik pada gambar 5.Sumbu x menunjukkan fungsi fx1 yaitu fungsi kapasitas , sumbu y menunjukkan fungsi fx2

yaitu fungsi harga. Grafikgambar 5 menunjukkan adanya hubungan berbanding terbalik diantara 2 fungsi tersebut.

3-5

Gambar 5. Hasil observasi darialgoritma NSGA-II

Tabel 3: Tabel Hasil Observasi

p w1 w2 fx1 fx2

1 0.7 0.3 1.245 0.1052 0.8 0.2 1.6 0.23 0.9 0.1 1 0.84 0.3 0.7 0.47 -0.95 0.6 0.4 0.4 06 0.5 0.5 0.6 0.67 0.3 0.7 0.3 -0.58 0.7 0.3 0.1 -0.39 0.2 0.8 0.9 0.1410 0.6 0.4 0.5 0.1

Berdasarkan dari tabel hasil dapat dianalisa bahwa : agen pembeli ke i=1 ( lihat tabel 3) mempunyai dataketertarikan spesifikasi sebesar w1= 0,4 dan w2= 0,6 untuk harga. Setelah melalui proses MOEA NSGA II, ternyata penilaian agen terhadap spesifikasi yang diberikan penjual (fx1) hanya 0,2 sedangkanpenilaian harga sebesar (fx2) 0,45 maka agen akan memutuskan untuk bernegosiasi, karena nilai fx3 = 0,47.Dalam permasalahan ini agen memiliki ketertarikan terhadap harga sangat tinggi, tetapi agen menilai bobot harga yang ditawarkan penjual hanya 0,45 sehingga agen akan melakukan negosiasi untuk memperoleh hasil yang diinginkan.


4. KesimpulanDengan menggunakan MOEA NSGA II, dapat diperoleh solusi yang optimal untuk permasalahan multi objektif pada autonomous agen pembeli laptop. Sekalipun memerlukan waktu yang agak lama dalam proses eksekusi pencarian non dominat sort nya. Perilaku autonomous agen pembeli akan lebih baik lagi jika ditambahkan lebih banyak parameter seperti: waktu pengiriman, lama garansi, dan servis. Semakin banyak knowledge yang diberikan pada automonomus agen pembeli maka akan semakin akurat dalam prosespengambilan keputusan. Kedepan, penelitian ini akan dikembangkan dengan penambahan autonomous agen penjual dan diimplementasikan dalam bentuk game.

5. Pustaka[1] Prajitno Imam, Simulasi

Pengambilan Keputusan MultiObjektif SCM Procurementmenggunakan Hierarki StateMachine, , Seminar NasionalMMT - ITS, 2009

[2] Claudia V.Goldman, SaritKraus, Onn Shehory, AgentStrategies : for sellers to satifypurchase-orders, for buyer toselect sellers, NSF under grantNo.IIS980657, IBM.

[3] R. Manjavacas, J.J CastroSchez, A Fuzzy Buyer Agent forAn Automatic NegotiationFramework On E-Commerce,EUSFLAT - FLA, 2005.

[4] Xiaohui Li, TomohiroMurata,Priority basedMatchmaching Method of Buyerand Supplier in B2B emarketplace Using Multi-objektif

Optimization, Proceedings ofInternational MultiConference ofEngineers and Computer Scientists(IMECS) Vol.1, 2009

[5] Deswindi Leli, Kecepatan TingkatPenerimaan dan Perilaku Konsumenterhadap produk lama yangMengalami Perubahan dan ProdukInovasi Baru dalam UpayaMemasuki dan Merebut Pasar,Business & Management JournalBunda Mulia Vol.3, 2007

[6] Jong-Jin Jung, Geun-Sik Jo,Brokerage between buyer andseller agents using ConstraintSatisfaction Problem models,ELSIVIER. Decision SupportSystems 28 2000 293-304.

[7] Aravind Seshadri, Multi-ObjectiveOptimization Using EvolutionaryAlgorithms (MOEA).

[8] Abdullah Konak, David W. Coit,Alice E. Smith. Multi-objectiveoptimization using geneticalgorithms: A tutorial, 2006.

[9] Srivanandam SN, Deepa SN.Introduction to Genetic Algorithms.ISBN 978-3-540-73189-4, SpringerBerlin Heidelberg New York. 2008

[10] Frederick C. Hennie, FiniteState Models for Logical Machines,Wiley, New York.

3-6

3-link vol 16 february 2012

Documents