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