guest lecturer
TRANSCRIPT
Play with Your Pet and be a Scientist
Pembicara: Lily Ayu Wulandari, PH.D
Maretta Anggun Safitri
1601269206
Binus University – 2015
1
BAB I
PENDAHULUAN
1.1 Latar belakang
Ilmu alam dan Computer Science
Pada tingkat lanjutan, computer science tidak hanya berkutat dengan
pengembangan program, kode, sistem dan logika saja. Computer Science di masa
sekarang, telah menyentuh ke cabang-cabang yang lain di luar teknologi, salah satu
contohnya adalah merambatnya computer science ke dunia biologi.
Ada sekian banyak algoritma yang telah dibuat dalam dunia computer science.
Dari sekian banyak algoritma yang telah ada, beberapa algoritma tersebut merupakan
algoritma yang didasarkan oleh perilaku binatang. Contoh dari algoritma tersebut
adalah Bee Colony Algorithm yang didasarkan oleh perilaku lebah dalam mengambil
madu. Ada juga yang didasari oleh perilaku burung yang sedang terbang bermigrasi
dari satu tempat ke tempat yang lain, yaitu Particle Swarm Optimization.
Perilaku-perilaku binatang tersebut dapat menjadi sebuah algoritma karena
perilaku binatang tersebut merupakan perilaku yang unik. Binatang-binatang tersebut
mempunyai pola tersendiri dalam melakukan suatu aktivitas, yang membuat peneliti
dapat mencatat langkah-langkah binatang tersebut secara rinci dan kemudian digunakan
untuk memecahkan masalah.
1.2 Tujuan
Tujuan mengintegrasikan ilmu alam dengan computer science adalah:
a) Dengan pengintegrasian ilmu alam dengan computer science, peneliti dapat
menciptakan algoritma-algoritma baru berdasarkan perilaku binatang yang unik.
b) Algoritma yang berdasarkan oleh perilaku binatang dapat digunakan untuk
memecahkan masalah
c) Algoritma yang berdasarkan oleh perilaku binatang dapat digunakan untuk
mencari rute terpendek
d) Algoritma yang berdasarkan oleh perilaku binatang dapat digunakan untuk
optimasi
1.3 Manfaat
Manfaat pengintegrasian ilmu alam dengan computer science adalah:
a) Peneliti dapat menggunakan algoritma yang berdasar perilaku binatang
2
b) Peneliti dapat memecahkan masalah dengan menggunakan algoritma berdasar
perilaku binatang
c) Peneliti dapat menyelesaikan masalah rute terpendek
d) Peneliti dapat menyelesaikan masalah optimasi
1.4 Ruang Lingkup
Ruang lingkup dari integrasi antara computer science dan ilmu alam ini adalah
segalanya yang berada di alam. Baik makhluk hidup maupun tidak, yang dapat
digunakan untuk memecahkan masalah dalam computer science.
3
BAB II
PEMBAHASAN
2.1 Artificial Neural Network
Artificial Neural Network (jaringan syaraf tiruan) merupakan cabang ilmu multi
disiplin yang meniru cara kerja otak makhluk hidup. Salah satu struktur yang ditiru adalah
bentuk neuralnya. Jaringan syaraf tiruan dapat menyelesaikan rumit atau tidak mungkin jika
diselesaikan dengan menggunakan komputasi secara konvensional.
Dengan melakukan proses belajar jaringan syaraf dapat memodifikasi tingkah laku
sesuai dengan keadaan lingkungannya. Jaringan syaraf dapat mengatur dirinya untuk
menghasilkan suatu respon yang konsisten terhadap rangkaian masukkan. Jaringan syaraf
tiruan dirancang dan dilatih untuk memiliki kemampuan seperti yang dimiliki manusia. Otak
sebagai pengolah sistem informasi.
Otak manusia atau hewan terdiri atas sel-sel yang disebut neuron dibandingkan
dengan sel-sel lain yang selalu mereproduksi dirinya kemudian mati,
neuron memiliki keistimewaan tidak mati. Hal ini menyebabkan informasi di
dalamnya dapat bertahan. Diperkirakan otak manusia terdiri dari 109 neuron dan terdapat 100
jenis neuron yang diketahui. Neuron-neuron ini terbagi atas grup-grup apa yang disebut
jaringan, yang dibedakan atas fungsinya dan setiap grup mengandung ribuan neuron yang
saling berhubungan.
Dengan demikian dapat disimpulkan bahwa otak baik manusia maupun hewan
merupakan kumpulan dari jaringan-jaringan neuron.
Fungsi-fungsi dari :
4
Neuron : pusat pemrosesan informasi dari masukan ribuan dendrites dan keluaran
sebuah axon
Nukleus : unit proses untuk melakukan segala proses
Axon : mengirimkan keluaran untuk ke jaringan lain
Dendrit : mengirimkan masukkan ke unit proses
Sinapsis : untuk menyimpan pengetahuan.
Arsitektur ANN
Setiap neuron memiliki beberapa masukkan dan keluaran. Jalur masukkan pada suatu
neuron bisa berisi bahan mentah atau data hasil olahan neuron sebelumnya. Sedangkan hasil
keluaran suatu neuron dapat berupa hasil akhir atau berupa bahan masukkan bagi neuron
berikutnya.
Lapisan 1 : Lapisan Input
Lapisan input berfungsi sebagai penghubung jaringan ke dunia luar/sumber data.
Neuron-neuron ini tidak melakukan perubahan apapun terhadap data tapi hanya meneruskan
data ini ke lapisan berikutnya.
Lapisan 2 : Lapisan Tersembunyi (hidden layer)
Suatu jaringan dapat memiliki lebih dari satu lapisan tersembunyi atau bahkan bisa
juga tidak memilikinya sama sekali. Jika jaringa memiliki beberapa lapisan tersembunyi
maka lapisan tersembunyi terbawah berfungsi untuk menerima masukkan dari lapisan input.
Besarnya nilai masukkan (net) neuron ke j pada lapisan tersembunyi ini tergantung pada
akumulasi jumlah perkalian antara nilai bobot (W, kekuatan antara hubungan neuron) dengan
nilai keluaran (O). Neuron ke i pada lapisan sebelumnya (neuron input) ditambah dengan
nilai bias (W, neuron ke j).
5
Lapisan 3 : Lapisan Output
Prinsip kerja neuron-neuron pada lapisan ini sama dengan prinsip kerja neuron-neuron
pada lapisan tersembunyi dan di sini juga digunakan fungsi signoid, tapi keluaran dari neuron
pada lapisan ini sudah dianggap sebagai hasil dari proses.
2.2 Genetic Algorithm
Tahun 1859 Charles Darwin mengumumkan teorinya yang berjudul “Theory of
Natural Selection”. Teori tersebut menyatakan bahwa individu-individu yang mempunyai
karakteristik yang bagus akan mempunyai kemungkinan untuk bertahan hidup lebih besar dan
menurunkan karakteristiknya kepada keturunan – keturunannya. Sebaliknya, individu dengan
karakteristik yang kurang bagus secara perlahan akan tersingkir dari populasi. Informasi
genetik pada individu disimpan dalam chromosome, yang terdiri dari sekumpulan gen.
Karakteristik dari setiap individu dikendalikan oleh gen-gen tersebut, yang kemudian akan
diwariskan kepada keturunan-keturunannya ketika individu tersebut berkembang biak. Selain
perkembangbiakan, suatu ketika juga terjadi peristiwa yang disebut mutasi, yang
menyebabkan terjadinya perubahan informasi pada chromosome. Berdasarkan teori Darwin
tersebut, nilai rata-rata karakteristik dari populasi akan meningkat setiap generasi, seiring
dengan bertambahnya individu-individu yang mempunyai kriteria yang bagus dan punahnya
individu yang mempunyai kriteria yang buruk.
Terinspirasi dari teori darwin tersebut, pada tahun 1975 John Holland dan timnya
menciptakan teori Genetic Algorithm yang kemudian dikembangkan oleh De Jong(1975) dan
Goldberg(1989). Ide utama dibalik Genetic Algorithm ini adalah memodelkan proses evolusi
alami menggunakan warisan genetika seperti yang diumumkan oleh Darwin. Secara umum
Genetic Algorithm (GA) merupakan teknik pencarian yang digunakan dalam komputasi
untuk mencari solusi yang tepat atau perkiraan solusi untuk optimisasi dan masalah
pencarian. GA ini merupakan kelas khusus dari evolutionary algorithms yang menggunakan
teknik yang terinspirasi oleh evolusi dalam biologi seperti pewarisan/inheritance, mutasi,
seleksi, dan crossover/rekombinasi.
Genetic Algorithm merupakan metode pembelajaran heuristic yang adaptif, karenanya
bisa jadi terdapat beberapa versi dari Genetic Algorithm yang menyesuaikan dengan
permasalahan yang dihadapi. Genetic Algorithm juga merupakan algoritma yang efektif dan
6
sederhana dan relatif mudah untuk diimplementasikan. Genetic Algorithm memiliki
keunggulan-keunggulan dibandingkan dengan metode-metode heuristic yang lain, yaitu:
Genetic Algorithm menyelesaikan masalah dengan mengkodekan permasalah
menjadi chromosome, bukan dengan menyelesaikan permasalahan itu sendiri.
Karena itu diperlukan pemodelan chromosome yang baik dan efektif yang dapat
mewakili solusi dari permasalahan yang dihadapi.
Genetic Algorithm memulai prosesnya dengan sekumpulan initial solutions,
berbeda dengan metaheuristic lain yang memulai proses dengan sebuah solusi
tunggal, dan berlanjut ke solusi lainnya melalui suatu transisi. Karenanya GA
melakukan pencarian multi-directional dalam solution space, yang memperkecil
kemungkinan berhentinya pencarian pada kondisi local optimum.
Hanya diperlukan sebuah fungsi evaluasi tunggal yang berbeda untuk tiap
permasalahan.
Genetic Algorithm merupakan algoritma yang ‘buta’, karena GA tidak mengetahui
kapan dirinya telah mencapai solusi optimal.
Secara umum Genetic Algorithm harus memenuhi kriteria-kriteria dibawah ini untuk
menghasilkan solusi yang optimal:
Sebuah representasi yang tepat dari sebuah solusi permasalahan, dalam bentuk
chromosome.
Pembangkit populasi awal. Umumnya populasi awal dibangkitkan secara acak,
namun untuk beberapa kasus juga bisa dibangkitkan melalui metode-metode
tertentu atau penggabungan keduanya(seeding).
Sebuah evaluation function untuk menentukan fitness value dari tiap solusi.
Genetic Operator, mensimulasikan proses reproduksi (perkembangbiakan) dan
mutasi.
Parameter-parameter lain, seperti kapasitas populasi, probabilitas dari operasi-
operasi genetik, dan semacamnya.
Perlu diingat bahwa kapasitas populasi sangat mempengaruhi kemampuan Genetic
Algorithm dalam mencari solusi. Kapasitas populasi yang terlalu kecil menyebabkan
kurangnya variasi chromosome yang muncul, sehingga dapat menyebabkan hasil akhir yang
7
buruk. Kapasitas populasi yang besar biasanya memberikan hasil yang lebih baik, dan
mencegah terjadinya konvergensi yang prematur.
Prosedur Genetic Algorithm
Suatu Genetic Algorithm standar membutuhkan dua hal untuk didefinisikan, yaitu :
1. Sebuah genetic representation dari sebuah solution domain (domain solusi),
2. Sebuah fitness function untuk mengevaluasi sebuah domain solusi.
Representasi standar dari solusinya adalah sebuah array of bits (Larik bit). Larik dari
tipe lain atau struktur lain juga bisa digunakan. Properti utama yang membuat representasi
genetic ini baik adalah bagian-bagiannya yang bisa diakses dengan mudah karena ukuran
yang pasti (fixed), yang memudahkan suatu operasi persilangan yang sederhana. Representasi
panjang variabel juga digunakan disini, tetapi implementasi persilangan jauh lebih sulit pada
kasus ini.
Fungsi penghitung nilai kecocokan (fitness) didefinisikan pada representasi genetic
dan digunakan untuk mengukur kualitas (quality) pada solusi yang direpresentasikan. Fungsi
penghitung ini selalu tergantung pada masalah yang ada (problem dependent). Sebagai
contoh, pada knapsack problem, kita ingin memaksimalkan nilai total objek yang bisa
dimasukkan ke knapsack (karung) yang memiliki kapasitas tertentu. Representasi solusinya
mungkin bisa sebuah larik bit, dimana setiap bitnya merepresentasikan obyek yang berbeda,
dan nilai dari bitnya (0 atau 1) merepresentasikan apakah obyek itu ada di knapsack atau
tidak. Tidak setiap representasi solusi valid, karena bisa saja jumlah total obyek-obyeknya
melebihi kapasitas dari knapsack itu sendiri.
Setelah kita memiliki representasi genetik dan sebuat fungsi untuk mencari nilai
kecocokan (fitness) terdefinisi, maka Genetic Algorithm akan melanjutkan untuk membentuk
suatu populasi acak, kemudian meningkatkannya melalui aplikasi yang berulang-ulanng dari
mutasi, persilangan, dan operator seleksi.
Tahapan-tahapan dalam GA diantaranya yaitu :
a) Initialization
8
Pada awalnya solusi individual akan secara acak dibuat dalam bentuk sebuah inisial
populasi. Besar populasinya sangat tergantung pada keadaan masalah itu sendiri, tapi
biasanya populasi mengandung sekitar beberapa ratus atau bahkan ribuan solusi yang
mungkin. Secara sederhana, populasinya dibuat secara acak, dengan mengcover seluruh
kemungkinkan solusi (search space). Cara lainnya, solusinya mungkin bisa di “seeded” pada
area dimana kemungkinan besar ditemukan solusi optimalnya.
b) Selection
Seiring dengan berjalannya algoritma, suatu bagian pada populasi akan dipilih
(selected) untuk membuat suatu generasi baru. Solusi individual tersebut dipilih melalui suatu
fitnessbased process, dimana solusi pencocok (fitter, yang diukur oleh suatu fitness function)
akan menyatakan kemungkinan terpilih. Beberapa metode seleksi menggunakan nilai
kecocokan tersebut dan kemudian memilih solusi terbaik dari situ. Metode lain hanya
menggunakan solusi acak dari populasi, sehingga proses ini mungkin akan memakan waktu
lama. Metode seleksi yang populer dan telah teruji antara lain roulette wheel selection dan
tournament selection.
c) Reproduction
Langkah selanjutnya adalah dengan membuat generasi kedua dari populasi yang ada
melalui genetic-operator: crossover (persilangan), dan atau mutation (mutasi). Untuk setiap
solusi baru yang dibentuk, sebuah pasangan “parent” atau orang tua solusi dipilih dari
kumpulan populasi sebelumnya. Dengan membuat sebuah “child” atau anak solusi
menggunakan metoda diatas, yaitu persilangan dan mutasi, sebuah solusi baru telah dibuat,
dimana pada umumnya akan memwarisi bagianbagian dari orang tuanya. Orang tua baru
dipilih lagi dan membuat suatu anak solusi lagi, dan berlanjut sampai suatu populasi solusi
baru dengan ukuran yang cukup terbentuk. Secara umum rata-rata nilai kecocokannya
(fitness) akan meningkat melalui prosedur ini, karena hanya organisme terbaik yang dipilih
dalam pembentukan populasi selanjutnya.
d) Termination
Proses diatas akan terus dilakukan sampai suatu kondisi terminasi/berhenti ditemukan.
Kondisi terminasi/berhenti yang umum dipergunakan yaitu : Suatu solusi ditemukan yang
memenuhi kriteria minimum; Generasi telah mencapai suatu tingkat tertentu; Budget yang
9
dialokasikan (misalnya waktu komputasi) telah dicapai; Solusi dengan nilai kecocokan
tertinggi akan mencapai atau telah mencapai suatu batas dimana proses selanjutnya yang akan
dilakukan tidak akan menghasilkan hasil yang lebih baik; Inspeksi secara manual dan berkala;
Kombinasi dari berbagai macam cara terminasi di atas
Pseudo-code algorithm
1. Memilih atau membuat suatu populasi inisial.
2. Menghitung nilai kecocokan (fitness) untuk setiap individu pada populasi tersebut.
3. Proses pengulangan
a. Memilih beberapa individu yang memiliki nilai kecocokan tertinggi untuk
melakukan proses reproduksi.
b. Membuat suatu generasi baru melalui proses persilangan dan mutasi (operasi
genetika) sehingga akan memberikan kelahiran pada beberapa bibit unggul.
c. Menghitung nilai kecocokan individual pada bibit unggul tersebut.
d. Mengganti individu dengan rangking terburuk pada populasi sebelumnya
dengan bibit unggul hasil operasi genetika tadi.
4. Sampai mencapai suatu kondisi terminasi yang sesuai.
2.3 Particle Swarm Optimization
Particle Swarm Optimization adalah salah satu metode optimasi yang terinspirasi
dari perilaku gerakan kawanan hewan seperti ikan (school of fish), hewan herbivor (herd),
dan burung (flock) yang kemudian tiap objek hewan disederhanakan menjadi sebuah partikel.
Suatu partikel dalam ruang memiliki posisi yang dikodekan sebagai vektor koordinat. Vektor
posisi ini dianggap sebagai keadaan yang sedang ditempati oleh suatu partikel di ruang
pencarian. Setiap posisi dalam ruang pencarian merupakan alternatif solusi yang dapat
dievaluasi menggunakan fungsi objektif. Setiap partikel bergerak dengan kecepatan v.
Particle Swarm Optimization atau yang kita kenal dengan PSO menerapkan sifat
masing-masing individu dalam satu kelompok besar. Kemudian menggabungkan sifat-sifat
tersebut untuk menyelesaikan permasalahan. Particle Swarm Optimization pertama kali
dimunculkan pada tahun 1995, sejak saat itulah para peneliti banyak menurunkan dan
mengembangkan metode PSO.
10
Ciri khas dari PSO adalah pengaturan kecepatan partikel secara heuristik dan
probabilistik. Jika suatu partikel memiliki kecepatan yang konstan maka jika jejak posisi
suatu partikel divisualisasikan akan membentuk garis lurus. Dengan adanya faktor eksternal
yang membelokkan garis tersebut yang kemudian menggerakkan partikel dalam ruang
pencarian maka diharapkan partikel dapat mengarah, mendekati, dan pada akhirnya mencapai
titik optimal. Faktor eksternal yang dimaksud antara lain posisi terbaik yang pernah
dikunjungi suatu partikel, posisi terbaik seluruh partikel (diasumsikan setiap partikel
mengetahui posisi terbaik setiap partikel lainnya), serta faktor kreativitas untuk melakukan
eksplorasi.
Particle Swarm Optimization memiliki kesamaan sifat dengan teknik komputasi
seperti Algoritma Genetika (Genetic Algorithm). Sistem PSO diinisialisasi oleh sebuah
populasi solusi secara acak dan selanjutnya mencari titik optimum dengan cara meng-update
tiap hasil pembangkitan. Metode optimasi yang didasarkan pada swarm intelligence ini
disebut algoritma behaviorally inspired sebagai alternatif dari algoritma genetika, yang sering
disebut evolution-based procedures. Dalam konteks optimasi multivariabel, kawanan
diasumsikan mempunyai ukuran tertentu atau tetap dengan setiap partikel posisi awalnya
terletak di suatu lokasi yang acak dalam ruang multidimensi. Setiap partikel diasumsikan
memiliki dua karakteristik: posisi dan kecepatan. Setiap partikel bergerak dalam ruang/space
tertentu dan mengingat posisi terbaik yang pernah dilalui atau ditemukan terhadap sumber
makanan atau nilai fungsi objektif. Setiap partikel menyampaikan informasi atau posisi
bagusnya kepada partikel yang lain dan menyesuaikan posisi dan kecepatan masing-masing
berdasarkan informasi yang diterima mengenai posisi yang bagus tersebut.
Sebagai contoh, misalnya perilaku burung-burung dalam dalam kawanan burung.
Meskipun setiap burung mempunyai keterbatasan dalam hal kecerdasan, biasanya ia akan
mengikuti kebiasaan (rule) seperti berikut :
1. Seekor burung tidak berada terlalu dekat dengan burung yang lain
2. Burung tersebut akan mengarahkan terbangnya ke arah rata-rata keseluruhan
burung
3. Akan memposisikan diri dengan rata-rata posisi burung yang lain dengan menjaga
sehingga jarak antar burung dalam kawanan itu tidak terlalu jauh
11
Dengan demikian perilaku kawanan burung akan didasarkan pada kombinasi dari 3 faktor
simpel berikut:
1. Kohesi - terbang bersama
2. Separasi - jangan terlalu dekat
3. Penyesuaian(alignment) - mengikuti arah bersama
Jadi PSO dikembangkan dengan berdasarkan pada model berikut:
1. Ketika seekor burung mendekati target atau makanan (atau bisa mnimum atau
maximum suatu fungsi tujuan) secara cepat mengirim informasi kepada burung-
burung yang lain dalam kawanan tertentu
2. Burung yang lain akan mengikuti arah menuju ke makanan tetapi tidak secara
langsung
3. Ada komponen yang tergantung pada pikiran setiap burung, yaitu memorinya
tentang apa yang sudah dilewati pada waktu sebelumnya.
Model ini akan disimulasikan dalam ruang dengan dimensi tertentu dengan sejumlah
iterasi sehingga di setiap iterasi, posisi partikel akan semakin mengarah ke target yang dituju
(minimasi atau maksimasi fungsi). Ini dilakukan hingga maksimum iterasi dicapai atau bisa
juga digunakan kriteria penghentian yang lain.
2.4 Artificial Bee Colony
Dalam decade terakhir kecerdasan swarm telah menjadi minat penelitian oleh banyak
ilmuan dari berbagai bidang. Bonabeau telah mendefinisikan kecerdasan swarm sebagai
upaya untuk merancang algoritma atau perangkat pemecahan masalah terdistribusi yang
terinspirasi oleh perilaku kolektif dari koloni serangga social dan kumpulan hewan lain.
Namun, istilah swarm digunakan secra umum untuk mengacu pada kumpulan terbatas dari
setiap interaksi agen atau individu. Salah satu contoh dari swarm adalah kawanan lebah yang
mengerubungi sarang mereka.
Untuk saat ini, telah dikembangkan suatu metode berdasarkankecerdasan buatan yaitu
ABC (Artificial Bee Colony) dan beberapa aplikasi yang menggunakan metode ini. Haiyan
12
Quan dan Xinling Shi mendiskusikan berbagai macam permasalahan ABC. Perbaikan dalam
ABC disarankan dengan menganalisis beberapa fungsi oleh haiyan Quan dan Xinling Shi.
Sebuah paper dari Li-Pei, Wong Malcolm Yoke Hean Low dan Chin Soon Chong melakukan
penelitian terhadap suatu kegiatan menggunakan pendekatan ABC dengan menyelesaikan
suatu permasalahan perjalanan seorang sales berdasarkan pada analisis algoritma Bee Colony.
Pengembangan suatu desain filter IIR (Infinite Input Respon) oleh Nurhan Karaboga, dengan
algoritma Bee Colony menjadi dasar pada pengembangan performansi dari filter IIR agar
lebih optimal.
ABC merupakan kecerdasan buatan yang menirukan koloni lebah dalam mencari
sumber nektahr (sari bunga). Kemampuan koloni lebah dalam menentukan sumber makanan
terbagi menjadi tiga kelompok yaitu lebah pekerja, lebah penjelajah dan lebah pengintai.
lebah-lebah ini melakukan suatu fungsi untuk menentukan letak dan besar suatu sumber
nectar kemudian mengingat dan membandingkan dengan sumber lain. Pada akhir fungsi
dipilih suatu lokasi dengan sumber nectar yang paling optimal.
Pemakaian konsep lebah untuk optimasi
Dua konsep dasar untuk kinerja kolektif konsep swarm disajikan dibawah ini, yaitu
organisasi diri (self organization) dan pembagian kerja. keduanya diperlukan sebagai property
untuk mendapatkan perilaku kecerdasan swarm seperti halnya sistem pemecahan masalah
terdistribusi, yang mengatur dirinya sendiri dan beradaptasi dengan lingkungan tertentu. Dua
konsep dasar tersebut :
1. Organisasi diri dapat didefinisikan sebagai seperangkat mekanisme dinamis, yang
menghasilkan struktur ditingkat global dari sistem memulai interaksi diantara
komponen tingkat rendah. mekanisme ini menetapkan aturan dasar untuk interaksi
antar komponen-komponen sistem. Aturan tersebut memastikan bahwa interaksi
dijalankan atas dasar informasi local murni tanpa ada hubungannya dengan pola
global. Bonabeau telah menandai empat dasar organisasi diri yaitu umpan balik
positif, umpan balik negative, fluktuasi dan multiple interactions.
2. Di dalam ABC dan swarm ada tugas berbeda yang dilakukan secara bersamaan
oleh individu-individu khusus. Fenomena semacam ini disebut sebagai pembagian
kerja. Performa tugas simultan melalui kerja sama diantara individu-individu khusus
tersebut diyakini lebih efisisen dari performa tugas secara berurutan oleh individu
13
tanpa spesialisasi. pembagian kerja juga memungkinkan swarm untuk merespon
perubahan kondisi dalam ruang pencarian.
Pemodelan perilaku kawanan lebah madu
Model minimal dari seleksi mencari makan yang mengarah pada munculnya kecerdasan
kolektif kawanan lebaha madu, terdiri dari tiga komponen penting yaitu sumber makanan,
lebah pekerja dan lebah unemployed. Model tersebut mendefinisikan dua modus perilaku
yang paling penting yaitu rekrutmen ke sumber nectar dan ditinggalkan ke sumber.
1. Sumber makanan. Nilai sumber makanan tergantung pada banyak factor yaitu jarak
terdekat kesarang, kekeayaan atau konsentrasi dari energy sumber makanan tersebut
dan tingkat kemudahan dalam pengambilan energy makanan. Untuk penyederhanaan
keuntungan dari sumber makanan dapat diwakili dari satu kuantitas.
2. Lebah pekerja. Mereka dikaitkan dengan sumber makanan tertentu yang sedang
mereka eksploitasi atau tempat mereka dipekkerjakan. Mereka juga membawa
informasi tentang letak dari sumber makanan, karak dan arah dari sarang.
Profitabilitas atau keuntungan sumber makanan tersebut dan membagikan informasi
ini dengan nilai keuntungan tertentu.
3. Lebah unemployed. Mereka secara terus menerus keluar mencari sumber makanan
untuk dieksploitasi. Ada dua jenis lebah unemployed yaitu lebah scount yang
bertugas mencari lingkungan disekitar sarang untuk mendapatkan sumber makanan
baru dan lebah onlooker yang bertugas menunggu disarang dan mendapatkan sumber
makanan elalui informasi yang dibagikan oleh lebah pekerja. Jumlah rata-rata lebag
scout sekitar 5-12% dari jumlah lebah keseluruhan.
Pertukaran informasi diantara lebaha dalaha kejadian yang paling penting dalam
pembentukan pengetahuan kolektif. Saat memeriksa selurug sarang, dimungkinkan untuk
dapat memebedakan beberapa bagian yang umumnya ada disemua sarang. Dan bagian paling
penting dari sarang yang berkaitan dengan pertukaran informasi adalah dancing area.
Komunikasi diantara lebah yang berkaitan dengan mutu sumber makanan terjadi di dancing
area. Tarian lebah ini disebut dengan waggle dance.
Karena informasi tenang semua sumber yang kaya makanan tersedia untuk lebah
onlooker di dancing area, memungkinkan lebah tersebut untuk dapat menonton berbagai
14
tarian lebah dan menutuskan untuk mempekejakan dirinya pada sumber yang paling
menguntungkan.
Ada peluang yang lebih besar bagi lebah onlooker untuk memilih sumber0sumber
makanan yang lebih menguntungkan, karena lebih banyak informasi yang beredar tentang
sumber-sumber makanan yang lebih menguntungkan tersebut. Lebah pekerja membagi
informasi sesuai dengan probabilitas yang sebanding dengan profitability dari sumber
makanan, dan membagi informasi melalui waggle dancing dengan durasi yang lebih lama.
oleh karena itu, rekruitmen sebanding dengan profitability dari sumber makanan.
Diasumsikan bahwa ada dua sumber makanan yang ditemukan, yaitu A dan b yang
pada mulanya lebah pencari makan yang potensial akan mulai sebagai lebah unemployed.
lebah tersebut tidak memiliki pengetahuan tentang sumber makanan disekitar ruang. Ada dua
opsi pilihan untuk lebah tersebut yaitu:
1. Bisa menjadi scout dan mulai mencari-cari sumber makanan disekitar sarang secara
spontan karena adanya motifasi internal atau petunjuk eksternal yang mungkin
2. Bisa menjadi rekrutan setelah menonton waggle dance dan mulai mencari sumber
makanan
Setelah menemukan sumber makanan, lebah tersebut menggunakan kemampuannya
sendiri untuk mengingat lokasi sumber makanan dan kemudian mulai mengeksploitasinya
segera. Oleh karena itu, lebah tersebut akan menjadi lebah pekerja. lebah pekerja mengambil
nectar lalu kembali kesarang dan membongkar nectar pada tempat persediaan makanan.
Setelah pembongkaran makanan, lebah pekerja tersebut memiliki tiga opsi yaitu
menjadi pengikut tidak terikat setelah meninggalakan sumber makanan (UF), melakukan
waggle dance dan kemudian merekrut lebah lainnya sebelum kembali kesumber makanan
yang sama (EF1) atau meneruskan untuk mencari makanan disumber makanan semula tanpa
merekrut lebah lainnya (EF2).
Dan penting dicatat bahwa tidak semua lebah mulai mencari makan secara bersamaan.
Percobaan yang telah dilakukan menegaskan bahwa lebah yang baru mulai mencari makan
pada tingkat yang sebanding dengan perbedaan antara jumlah akhir lebah dan jumlah lebah
yang sedang mencari makan.
15
Dalam kasus lebah madu, sifat dasar organisasi yang mengandalkan diri sendiri (self
organization) adalah sebagai berikut :
1. umpan balik positif. ketika jumlah nectar sumber makanan meningkat, jumlah lebah
onlooker yang mengunjungi sumber makanan tersebut meningkat juga.
2. Umpan balik negative. Proses eksplorasi sumber makanan yang ditinggalkan oleh
lebah dihentikan.
3. Fluktuasi. Lebah scout melakukan proses pencarian acak untuk menentukan sumber
makanan baru.
4. Multiple interactions, lebah pekerja membagi informasi tentang posisis sumber
makanan dengan lebah-lebah lainnya pada area dance.
16
BAB III
PENUTUP
3.1 Kesimpulan
Computer science telah merambah ke berbagai bidang ilmu. Dengan
merambahnya computer science ke dunia ilmu alam atau biologi, computer science
dapat menyelesaikan lebih banyak masalah. Masalah yang dapat diselesaikan dengan
pengintegrasian ilmu alam dengan computer science salah satunya adalah penggunaan
algoritma yang berdasarkan oleh perilaku binatang yang unik. Algoritma-algoritma
tersebut dapat digunakan untuk pemecahan masalah dalam pencarian rute terpendek
dan optimasi.
3.2 Saran
Penggunaan algoritma berbasis perilaku binatang diharapkan dapat diterapkan
dalam dunia sehari-hari dan dapat membantu menyelesaikan masalah yang ada dalam
kehidupan sehari-hari.
17