Dokumen tersebut membahas tentang Swarm Intelligence (SI) yang merupakan teknik kecerdasan buatan berdasarkan perilaku kolektif dalam sistem terdesentralisasi. Dibahas pula contoh algoritma SI seperti Ant Colony Optimization dan Particle Swarm Optimization beserta aplikasinya.

1. SWARM INTELLIGENCE
Rachmat Jaenal Abidin, M.T

2. OUTLINE
 Background
Apa Swarm Intelligence (SI)?
Contoh di alam
Asal dan konsep SI
 Ant Colony Optimization
 Particle Swarm Optimization
 Mengapa SI?
 Kelebihan SI
 Perkembangan terbaru SI

4. SWARM?
 Kawanan
 Kumpulan agen/individu yang berinteraksi secara
terstruktur
 Agents:
 Individu yang termasuk dalam kelompok (tetapi tidak
harus sama/identik)
 Berkontribusi dan mendapat manfaat dari grup
 Dapat mengenali, berkomunikasi, dan/atau
berinteraksi satu sama lain
 Persepsi awal tentang swarm adalah sekelompok agen
yang bergerak – tetapi tidak selalu demikian.
 Swarm lebih mudah dipahami sebagai agen yang
menunjukkan perilaku kolektif

5. SWARM INTELLIGENCE (SI)
 Teknik kecerdasan buatan (AI) yang berdasarkan perilaku kolektif
dalam sistem yang terdesentralisasi dan terorganisir sendiri
 Umumnya terdiri dari agen yang berinteraksi satu sama lain dan
lingkungan
 Tidak ada struktur kontrol terpusat
 Berdasarkan perilaku kelompok yang ditemukan di alam
 Swarm Intelligence adalah disiplin keilmuan dari sistem cerdas yang
berhubungan dengan sistem alami dan buatan, yang terdiri dari
banyak individu (populasi) yang berkoordinasi menggunakan konsep
kontrol desentralisasi (kecerdasan sosial dalam berkelompok) dan
self-organized (kecerdasan personal/ terorganisir secara mandiri).
Swarm Intelligence secara singkat bisa juga disebut sebagai
kecerdasan berkelompok.

6. CONTOH SWARMS DI ALAM:
 Swarm of Bees : Koloni lebah
 Koloni semut
 Agents: semut
Kawanan burung
 Agents: burung
Lalulintas
 Agents: mobil
Kerumunan
 Agents: manusia
Sistem Imun
 Agents: sel dan molekul

7. SI - SEJARAH
 Pertama kali diperkenalkan oleh Beni dan Wang
pada tahun 1989 dengan penelitian tentang sistem
robot seluler.
 Konsep SI diperluas oleh Bonabeau, Dorigo, dan
Theraulaz pada tahun 1999
 "Menggunakan ungkapan 'kecerdasan kawanan
(SI)' untuk menggambarkan hanya suatu
pekerjaan tampaknya sangat terbatas: itulah
sebabnya diperluas definisinya untuk
memasukkan perangkat yang terinspirasi oleh
perilaku kolektif koloni serangga dan masyarakat
hewan lainnya"

8. SWARM ROBOTICS
Penerapan prinsip-prinsip SI untuk robotika
kolektif
Sekelompok robot sederhana yang hanya
dapat berkomunikasi secara lokal dan
beroperasi dengan cara yang terinspirasi
secara biologis
Area penelitian nya sedang berkembang

9. SEJALAN DENGAN PERKEMBANGAN
TEKNOLOGI SIMULASI:
 Para ilmuwan mulai dengan memodelkan
perilaku sederhana semut
 Mengarah pada studi tentang bagaimana model-
model ini dapat digabungkan (koloni
menghasilkan hasil yang lebih baik daripada
model individu)
 Memperluas wawasan tentang sifat manusia,
masyarakat, dan dunia
 Lebih lanjut mengarah pada mengadaptasi
pengamatan di alam ke algoritme komputer

10. MENGAPA SERANGGA?
 Serangga memiliki beberapa ratus sel otak
 Serangga terorganisir telah dikenal untuk:
 Keajaiban arsitektur
 Sistem komunikasi yang kompleks
 Ketahanan terhadap bahaya di alam
 Pada tahun 1950-an E.O. Wilson mengamati:
 Seekor semut bertindak (hampir) secara
acak – sering kali menyebabkan
kematiannya sendiri
 Koloni semut menyediakan makanan dan
perlindungan bagi seluruh populasi

11. JENIS SI ALGORITHMS POPULER
 Ant Colony Optimization
 Particle Swarm Optimization

12. ANT COLONY OPTIMIZATION (ACO)
 Studi tentang sistem buatan yang dimodelkan
setelah perilaku koloni semut terbukti
memecahkan masalah optimasi diskrit
 Diperkenalkan pada tahun 1992 oleh Marco
Dorigo
 Awalnya menyebutnya Sistem Semut (Ant
System)
 Telah diterapkan ke Travelling Salesman
Problem (dan masalah jalur terpendek lainnya)
 Ini adalah metode metaheuristik berbasis
populasi yang digunakan untuk menemukan
solusi perkiraan untuk masalah optimasi yang
sulit

13. METAHEURISTIC?
 “Metaheuristik mengacu pada strategi utama yang
memandu dan memodifikasi heuristik lain untuk
menghasilkan solusi di luar solusi yang biasanya
dihasilkan dalam pencarian optimalitas lokal” –
Fred Glover dan Manuel Laguna
 Satu set algoritma yang digunakan untuk
mendefinisikan metode heuristik yang dapat
digunakan untuk masalah yang besar

15. ARTIFICIAL ANTS
 Agen komputasi sederhana yang mencari solusi yang
baik untuk masalah optimasi yang diberikan.
 Bersifat stokastik
 Berdasarkan model feromon
 Feromon digunakan oleh semut asli untuk menandai
jalur.
 Semut mengikuti jalur ini (yaitu, perilaku mengikuti
jejak)
 Bangun solusi secara bertahap dengan bergerak pada
grafik
 Batasan masalah dibangun ke dalam heuristik semut

16. PENGGUNAAN ACO
 Masalah optimasi harus ditulis dalam bentuk
masalah pencarian jalur dengan graf berbobot
 Semut buatan mencari solusi "baik" dengan
bergerak pada grafik
 Semut juga dapat membangun solusi yang tidak
layak – yang dapat membantu dalam
memecahkan beberapa masalah pengoptimalan
 Metaheuristik dibangun menggunakan tiga
prosedur:
• ConstructAntsSolutions
UpdatePheromones
DaemonActions

17. CONSTRUCT ANTS SOLUTIONS
 Mengelola koloni semut
 Semut pindah ke node tetangga dari grafik
 Pergerakan ditentukan oleh kebijakan
keputusan lokal stokastik berdasarkan ekor
feromon dan informasi heuristik
 Mengevaluasi solusi parsial saat ini untuk
menentukan jumlah feromon yang harus
disimpan semut pada simpul yang diberikan

18. UPDATEPHEROMONES
 Proses untuk memodifikasi jalur feromon
 Diubah oleh
 Increase
Semut menyimpan feromon pada node (atau tepi)
 Decrease
Semut tidak menggantikan feromon dan mereka
menguap
 Meningkatkan feromon meningkatkan kemungkinan
jalur yang digunakan (yaitu, membangun solusi)
 Penurunan feromon mengurangi kemungkinan jalur
yang digunakan (yaitu, lupa)

19. DAEMONACTIONS
 Digunakan untuk mengimplementasikan
tindakan yang lebih besar yang membutuhkan
lebih dari satu semut
 Contoh:
 Lakukan pencarian lokal
 Pengumpulan informasi global

20. APLIKASI ACO
 Perutean kendaraan dengan batasan waktu
 Masalah perutean pada jaringan
 Penyeimbangan assebly
 Distribusi pemanasan minyak
 Data mining

21. JENIS SI ALGORITHMS
 Ant Colony Optimization
 Particle Swarm Optimization

22. PARTICLE SWARM OPTIMIZATION (PSO)
 Teknik optimasi stokastik berbasis populasi
 Mencari solusi optimal di space-search yang
dapat dihitung
 Dikembangkan pada tahun 1995 oleh Dr.
Eberhart dan Dr. Kennedy
 Inspirasi: Kawanan Lebah, Kawanan Burung,
Kawanan Ikan

23. PSO
 Dalam PSO, individu berusaha untuk memperbaiki
diri dengan mengamati dan meniru tetangga
mereka
 Setiap individu PSO memiliki kemampuan untuk
mengingat
 PSO memiliki algoritma sederhana dan overhead
yang rendah
 Menjadikannya lebih populer dalam beberapa
keadaan daripada Algoritma Genetika/Evolusi
 Hanya memiliki satu perhitungan operasi:
 Kecepatan: vektor angka yang ditambahkan ke
koordinat posisi untuk memindahkan individu

24. PSYCHOLOGICAL SYSTEMS
 Sistem psikologis dapat dianggap sebagai fungsi
"pemrosesan informasi"
 Kita dapat mengukur sistem psikologis dengan
mengidentifikasi titik-titik dalam ruang psikologis
 Biasanya ruang psikologis dianggap
multidimensi

25. MENGAPLIKASIKAN SOCIAL PSYCHOLOGY
 Individu cenderung
 Bergerak menuju satu sama lain
 Saling mempengaruhi
 Mengapa? Individu ingin berada dalam
kemiripan dengan tetangga mereka
 Individu dipengaruhi oleh:
 Tindakan/perilaku mereka sebelumnya
 Keberhasilan yang diraih oleh tetangga
mereka

26. BAGAIMANA DENGAN PSO?
 Individu dalam suatu populasi belajar dari pengalaman
sebelumnya dan pengalaman orang-orang di sekitar mereka
• Arah gerakan merupakan fungsi dari :
• Posisi saat ini
• Kecepatan (atau dalam beberapa model, probabilitas)
• Lokasi individu “terbaik” sukses
• Lokasi kesuksesan tetangga "terbaik"
 Oleh karena itu, setiap individu dalam suatu populasi secara
bertahap akan bergerak menuju area yang “lebih baik” dari ruang
masalah
 Oleh karena itu, populasi keseluruhan bergerak menuju area yang
"lebih baik" dari ruang masalah

27. PSO ALGORITHMS
 Bergantung pada pemilihan beberapa parameter dengan
benar
 Parameter:
 Faktor penyempitan
 Digunakan untuk mengontrol sifat konvergensi
dari PSO
 Berat inersia
 Berapa banyak kecepatan yang harus
dipertahankan dari langkah sebelumnya?
 Parameter kognitif
 Keberhasilan individu "terbaik" sejauh ini
 Parameter sosial
 Keberhasilan "terbaik" tetangga sejauh ini
 Vmax
 Kecepatan maksimum di sepanjang dimensi apa
pun

29. APLIKASI PSO
 Analisis Tremor pada manusia
 Status perubahan baterai kendaraan listrik /
hibrida
 Penilaian kinerja manusia
 Optimasi campuran berbagai bahan
 Mengembangkan jaringan saraf untuk
memecahkan masalah

30. PSO DAN EVOLUTIONARY ALGORITHMS
 Algoritma PSO telah dan terus sangat dipengaruhi oleh
algoritma evolusioner (EA), yaitu, metode simulasi evolusi
di komputer
 Kadang-kadang dianggap sebagai jenis algoritme
evolusi - tetapi dipandang sebagai "cara alternatif
dalam melakukan sesuatu"
 Beberapa perbedaan:
 Konsep seleksi tidak dipertimbangkan dalam PSO
 EA menggunakan kebugaran, sementara PSO
menggunakan keberhasilan individu dan tetangga,
untuk bergerak menuju solusi yang "lebih baik"

31. MENGAPA ACO DAN PSO?
 Dapat diterapkan ke berbagai aplikasi
 Mudah dimengerti
 Mudah diimplementasikan
 Efisien dalam komputasi

32. KELEBIHAN SI
 Sistem dapat diskalakan karena arsitektur kontrol
yang sama dapat diterapkan ke beberapa agen
atau ribuan agen
 Sistemnya fleksibel karena agen dapat dengan
mudah ditambahkan atau dihilangkan tanpa
mempengaruhi struktur
 Sistemnya kuat karena agen sederhana dalam
desain, ketergantungan pada agen individu kecil,
dan kegagalan agen tunggal berdampak kecil pada
kinerja sistem
 Sistem mampu beradaptasi dengan situasi baru
dengan mudah

33. PENGEMBANGAN TERBARU SI
 Artificial Bee Colony (ABC),
 Glowworm Swarm Optimization (GSO),
 Cuckoo Search Algorithm (CSA)
 Bat Algorithm
 Chicken Swarm Optimization
 Cockroach Swarm Optimization
 Firefly Algorithm
 Grasshopper Optimization Algorithm
 Grey wolf optimizer
 Salp Swarm Algorithm
 Social Spider Optimization
 Whale Optimization Algorithm
 Cat swarm optimization algorithm
 Butterfly optimization algorithm
 Artificial Fish Swarm
 Bacterial foraging optimization algorithm
 Pigeon-Inspired Optimization