PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY

Transkripsi

1 PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY I Made Wdartha Program Stud Teknk Informatka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Udayana emal : madewdartha@cs.unud.ac.d Abstrak Metode Artfcal Bee Colony (ABC) merupakan salah satu metode swarm yang mengadops karakterstk dar kolon lebah madu dalam proses pencaran sumber makanan/solus. Yang dmaksud suatu sumber makanan dalam metode ABC merupakan suatu solus yang dhaslkan oleh kelompok lebah. Dalam metode ABC kolon lebah truan dbag menad tga kelompok yatu lebah penelaah (scout), lebah pekera (employed bee), dan lebah penunggu sarang (onlooker bee). Lebah penelaah memlk peranan pentng dalam menentukan sumber makanan awal dar kolon lebah pekera. Dsampng berperan dalam fase awal pada metode ABC, kelompok lebah n uga berperan pentng dalam menentukan sumber makanan baru ketka performa dar sumber makanan tdak mengalam penngkatan dalam umlah fase tertentu. Dalam metode ABC perlaku lebah penelaah dalam penentuan sumber makanan dlakukan dengan cara randomsas solus pada ruang pencaran sehngga hal n serngkal menyebabkan hasl dar pencaran lebah penelaah auh dar poss. Metode forgy merupakan salah satu metode yang dapat dgunakan dalam penentuan ttk solus awal yang telah terbukt lebh bak ka dbandngkan dengan randomsas. Dalam peneltan n dlakukan penerapan metode forgy untuk merubah karakterstk lebah penelaah dalam melakukan pencaran sumber makanan baru. U coba peneltan n dlakukan pada permasalahan klastersas data dengan memanfaatkan lma buah dataset. Knera metode ABC dengan penerapan metode forgy n telah dbandngkan dengan metode ABC. Dar hasl peneltan ddapatkan hasl dmana metode ABC dengan penerapan metode forgy n telah berhasl mengoptmalkan poss ttk pusat klaster ABC. Nla fungs tuuan yang dhaslkan dar penerapan metode forgy n uga relatf stabl. Hal n dbuktkan dengan perolehan nla standar devas yang relatf kecl. Kata kunc: Metode Forgy, Artfcal Bee Colony, Klastersas Data. PENDAHULUAN Dalam beberapa tahun terakhr, peneltan tentang metode kecerdasan yang berbass pada perlaku kehdupan kelompok hewan (swarm) telah banyak mendapat perhatan oleh para lmuwan. Dar sudut pandang Bonebeau, kecerdasan swarm ddefnskan sebaga suatu pemodelan untuk pemecahan masalah terdstrbus (dstrbuted problem-solvng) dengan menggunakan perlaku pengorgansasan dr (self-organze) dar kolon serangga sosal [1]. Dua konsep dasar untuk knera kolektf swarm yatu organsas dr (self-organzaton) dan pembagan kera. Kedua konsep n dperlukan sebaga propert untuk mendapatkan perlaku kecerdasan swarm, sepert halnya sstem pemecahan masalah terdstrbus (dstrbuted problem solvng), yang mengatur drnya sendr dan beradaptas dengan lngkungan tertentu. Salah satu contoh dar swarm adalah ISSN :

2 Jurnal Ilmu Komputer - Volume 6 - No 1 Aprl 2013 kawanan lebah yang mengerubung sarang dan perlakunya dalam mencar sumber makanan (foragng behavour). Salah satu metode yang mengadops perlaku lebah madu adalah Artfcal Bee Colony (ABC). Dalam konsep ABC kolon lebah truan dbag menad tga kelompok yatu lebah penelaah (scout), lebah pekera (employed bee), dan lebah penunggu sarang (onlooker bee) [2]. Lebah penelaah merupakan fase pertama yang dalankan metode ABC dalam pemecahan suatu permasalahan. Lebah penelaah n akan menghaslkan solus awal yang akan dekploras lebh auh oleh lebah pekera maupun lebah penunggu sarang. Pada saat terdapat suatu sumber makanan/solus yang tdak dapat dperbak kualtasnya dalam beberapa fase tertentu, maka peranan lebah penelaah akan dmula kembal. Kelompok lebah n akan mencar solus baru ke seluruh ruang pencaran secara acak. Karakterstk lebah penelaah dalam pencaran solus n serngkal menghaslkan solus yang auh dar optmal sehngga membutuhkan umlah teras yang relatf lama untuk mencar konvergens ke arah solus optmal. Hal n membutuhkan modfkas karakterstk lebah n agar mampu menghaslkan solus awal dalam metode ABC yang dapat mempercepat proses penemuan solus optmal dar permasalahan yang ada. Dalam peneltan n akan dlakukan modfkas perlaku lebah penelaah pada metode ABC dengan mengadops karakterstk salah satu metode nsalsas yatu metode forgy. Performa metode forgy n telah terbukt lebh bak darpada teknk randomsas basa [3]. Hal n yang menad acuan penerapan karakterstk forgy ke dalam perlaku lebah penelaah dalam metode ABC. U coba performa metode pada peneltan n dlakukan pada kasus klastersas data yang melbatkan lma buah dataset. ARTIFICIAL BEE COLONY Metode/algortmaABC n menggunakan perlaku cerdas (ntellgent behavour) dar sekawanan lebah madu berupa perlaku mencar makan[5]. Metode n dperkenalkan oleh Karaboga pada tahun Separuh bagan pertama dar kolon terdr dar lebah pekera dan separuh bagan kedua mencakup lebah onlooker. Metode ABC n dapat dgambarkan sepert pada Gambar 1. Gambar 1. Metode ABC ISSN :

3 Jurnal Ilmu Komputer - Volume 6 - No 1 Aprl 2013 Metode ABC dawal dengan fase lebah penelaah untuk mencar sumber makanan awal (solus awal) secara random Tap solus x dmana = 1, 2,..., SN (umlah solus sumber makanan) merupakan sebuah vektor dmens D. D adalah umlah parameter yang doptmas. Setelah tahapan nsalsas selesa maka penentuan populas dar poss solus berkutnya ddapat melalu sklus yang berulang, C = 1, 2,..., MCN. Pada akhr setap sklus, lebah pekera akan melakukan penghtungan nla ftness (nla nektar) dar solus yang dhaslkan dan lebah pekera membag nformas nektar dan nformas tentang poss mereka dengan lebah penunggu d dancng area. Nla ftness dapat dcar dengan persamaan ft 1 f Varabel f merupakan nla cost functon dar solus. Lebah penunggu mengevaluas nformas yang dambl dar semua lebah pekera dan memlh sumber makanan dengan probabltas yang sesua umlah nektarnya. Sepert kasus lebah pekera, lebah penunggu uga menghaslkan modfkas pada poss sumber makanan (solus) dalam memornya dan memerksa umlah nektar dar kanddat sumber makanan yang baru. Jka nla nektar lebh tngg dar sebelumnya, lebah akan mengngat poss yang baru tersebut dan melupakan poss yang lama. Lebah penunggu memlh sumber makanan berdasarkan pada nla probabltas p dengan menggunakan metode roulette wheel (2.1) selecton persamaan 2.2. [6]. Nla p n dhtung melalu p SN ft 1 Dalam menghaslkan kanddat poss makanan baru, ABC menggunakan persamaan 2.3. v x ft ( x xk Nla k {1, 2,..., SN} dengan {1, 2,.., D} adalah ndeks yang dplh secara random. Meskpun k dtentukan secara random, namun k harus berbeda dar. adalah sebuah blangan random antara [-1,1], yang mengontrol produks poss sumber makanan tetangga d sektar x Sumber makanan yang dtnggalkan oleh lebah pekera, dgantkan dengan sumber makanan baru oleh lebah scout. Dalam metode ABC, ka sebuah poss sumber makanan tdak dapat dtngkatkan lebh lanut melalu seumlah sklus (cycle) yang telah dtetapkan (lmt), maka sumber makanan tersebut dasumskan untuk dtnggalkan. Hal n dsmulaskan dengan menghaslkan poss sumber makanan baru secara random untuk menggantkan poss sumber makanan yang dtnggalkan. Msal sumber makanan yang dtnggalkan adalah x dan {1, 2,..., D}, maka lebah scout akan mencar sumber makanan baru untuk dgant dengan x. Operas n dlakukan dengan menggunakan persamaan 2.4. x x mn rand[0,1]( x max ) x mn Setelah masng-masng kanddat poss sumber makanan v dproduks dan devaluas ) (2.2) (2.3) (2.4) ISSN :

4 oleh lebah pekera, nla ftnesnya dbandngkan dengan x. Jka sumber makanan baru mempunya nektar yang sama atau lebh bak darpada sumber yang lama, maka sumber yang lama tersebut akan dgantkan dengan yang baru dalam memor, ka tdak maka yang lama dpertahankan. Dengan kata lan, rnekansme greedy selecton dgunakan sebaga operas seleks antara sumber makanan saat n dan sumber makanan yang lama. METODE FORGY PADA LEBAH PENJELAJAH Dalam hal klastersas data metode forgy merupakan salah satu metode yang serng kal dgunakan untuk nsalsas ttk pusat klaster. Sepert halnya dalam peneltan yang dlakukan Pena, pendekatan forgy dterapkan pada fase nsalsas ttk pusat klaster pada metode K- Means [2]. Dalam langkah awal metode forgy, ttk klaster dtentukan dengan memlh K buah data sebaga ttk pusat awal pada metode forgy. Proses pembaharuan ttk pusat d setap teras dalam metode n dlakukan dengan mencar rata-rata dar arak data dalam klaster pada suatu ttk pusat. Iteras pencaran ttk pusat akan terhent ketka nla fungs tuuan telah memenuh nla threshold tertentu. Metode forgy dapat dgambarkan sebaga berkut, msal X = {x = 1,..., n} merupakan suatau hmpunan n ttk berdmens d yang akan dklasterkan kedalam K klaster C = {c k k = 1,..., K}. Metode forgy menemukan suatu parts/klaster sedemkan hngga nla squared error antara ttk tengah (mean) dar suatu klaster ke smua ttk data klaster tersebut merupakan nla mnmum. Msalkan k adalah rata-rata dar klaster c k yang ddapat dar persamaan 2.5. k 1 n x k x c k Dmana n k merupakan umlah elemen pada c k.squared error antara k dan seluruh data pada klaster c k ddasarkan pada arak Eucldean antara ttk yang ada dengan pusat klasternya, squared error tersebut ddefnskan sebaga berkut: J( c k ) x k x c k Fungs tuuan (obectve functon) dar metode forgy dalam permasalahan klastersas data adalah memnmukan total squared error dar seluruh klaster. Fungs tuuan n uga dsebut sebaga clusterng crteron [3] dan uga sebaga cost functon [4] dalam penemuan solus optmal. Adapun formula dar tuuan n adalah : J( C) x K k 1 x ck k 2 Solus pada metode KM adalah terbentuknya klaster-klaster dengan nla J(C) yang mnmum. Apabla metode forgy n dterapkan pada karakterstk lebah penelaah pada metode ABC maka tahapan pencaran ttk pusat baru oleh lebah penelaah akan dlakukan sesua dengan tahapan pada metode forgy yatu : 2 (2.5) ISSN :

5 Jurnal Ilmu Komputer - Volume 6 - No 1 Aprl Insalsas seumlah K ttk pusat klaster awal dengan memlh salah satu data pada dataset sebaga ttk pusat. 2. Klasterkan setap obyek yang ada sesua arak terdekat ke pusat klaster yang ada. 3. Perbak nla semua pusat klaster 4. Ulang langkah 2 dan 3 sampa nla semua pusat klaster tdak ada perubahan. dukan. Kesmpulan knera dar metode akan ddapatkan melalu nla rata-rata (mean) dan standar devas dar 10 percobaan tersebut. Tabel 1 merupakan hasl rata-rata dan standar devas dar percobaan yang telah dlakukan, Dar hasl peneltan dengan melbatkan empat data set ddapatkan hasl bahwa metode forgy cukup berperan dalam menngkatkan performa dar metode ABC. Hal n terlhat dar hasl DATA Dataset yang dgunakan dalam peneltan n terdr dar dataset Irs, Wsconsn Breast peneltan yang menunukkan nla fungs tuuan dar penerapan metode forgy unggul dbandngkan dengan metode ABC standar. Cancer (Cancer), Contraceptve Method Dar hasl peneltan n dapat dlhat bahwa Choce (CMC), dan Wne. Data dalam peneltan dambl dar UCI Machne Learnng Repostory (ftp://ftp.cs.uc.edu./pub/machnelearnng-databases/). Informas umlah ftur, kelas, dan data dapat dlhat pada Tabel 1. Tabel 1. Pembagan Data Set Jumlah Data Dataset Ftur Kelas Tranng Testng penerapan metode forgy dapat mengoptmalkan poss ttk pusat klaster dar metode ABC. Nla fungs tuuan yang dhaslkan dar penerapan metode forgy n uga relatf stabl. Hal n dbuktkan dengan perolehan nla standar devas yang relatf kecl. Irs Cancer CMC Wne HASIL Pada peneltan n, untuk mendapatkan nla performa dar penerapan metode forgy pada karakterstk lebah penelaah dar metode ABC n dgunakan dua tolak ukur yatu nla fungs tuuan dar permasalahan klastersas data dan waktu yang dbutuhkan. Untuk mendapatkan kesmpulan akhr hasl klastersas menggunakan metode-metode yang ada, maka u coba klastersas dlakukan sebanyak 10 kal untuk tap dataset yang ISSN :

6 Tabel 2. Rata-rata dan Standar Devas Hasl U Coba Fungs Tuuan Waktu Dataset Pengukuran Forgy Forgy ABC ABC ABC ABC Irs Mean 187, ,2321 6,3087 5,2788 Std. Dev. 0,106 10,9068 0,1551 0,3053 Cancer Mean 30671, , , ,5055 Std. Dev ,8019 0,0783 0,1784 Cmc Mean 1248, , , ,9018 Std. Dev. 8,223 65,7988 3,3032 0,2949 Wne Mean 87, , , ,7268 Std. Dev. 0,168 4,6559 0,4702 0,1843 Dar ss pengukuran waktu yang dbutuhkan ddapat hasl bahwa metode penerapan metode forgy pada metode ABC membuat waktu yang dperlukan metode ABC menad lebh banyak. Tetap ka dlhat dar hasl waktu eksekus untuk forgy ABC terlhat bahwa perbedaan waktunya relatf kecl sehngga dapat dkatakan bahwa penerapan metode forgy mash tetap sangat bermanfaat dengan melhat nla fungs tuuan (yang merupakan tolak ukur utama) dar penerapan forgy yang selalu lebh bak dar metode ABC basa. Meskpun demkan perbedaan waktu proses n haruslah mendapat perhatan untuk dlakukan peneltan lanutan untuk dapat menngkatkan efsens waktu eksekus. dhaslkan dar metode ABC. Hal n dbuktkan dar seluruh hasl ucoba dataset yang menunukkan nla fungs tuuan (obectve functon) dar penerapan metode forgy n lebh kecl dbandngkan dengan hasl yang ddapat dar metode ABC standar. Nla fungs tuuan yang dhaslkan dar penerapan metode forgy n uga relatf stabl. Hal n dbuktkan dengan perolehan nla standar devas yang relatf kecl. Penerapan metode forgy pada ABC membutuhkan waktu yang lebh lama ka dbandngkan dengan metode ABC standar, sehngga hal n merupakan suatu kelemahan dar penerapan n. Optmas waktu yang dbutuhkan dar penerapan metode forgy n akan menad fokus peneltan selanutnya. KESIMPULAN Dalam peneltan n telah dlakukan penerapan metode forgy pada perlaku lebah penelaah dalam metode Artfcal Bee Colony. Penerapan metode forgy n telah berhasl mengoptmalkan poss ttk pusat klaster yang REFERENSI [1] Bonabeau, E., Dorgo, M., dan Theraulaz, G. (1999), Swarm Intellgence: from Natural to Artfcal Systems, Oxford Unv. Press, New York. [2] Karaboga, D. (2005), "An Idea Based on Honey Bee Swarm for Numercal ISSN :

7 Jurnal Ilmu Komputer - Volume 6 - No 1 Aprl 2013 Optmzaton", Techncal Report-TR06, Ercyes Unversty, Engneerng Faculty, Computer Engneerng Department. [3] Pena, J.M, Lozano, J.A, dan Larranaga, P (1999), "An Emprcal Comparson of Four Intalzaton methods for K-Means Algorthm", Pattern Recognton Letters, Vol 20, hal [4] Khan, S.S. dan Ahmad, A. (2004), Cluster Center Intalzaton Algorthm for K-Means Clusterng, Pattern Recognton Letters, Vol. 25, hal [5] Karaboga, D. (2005), "An Idea Based on Honey Bee Swarm for Numercal Optmzaton", Techncal Report-TR06, Ercyes Unversty, Engneerng Faculty, Computer Engneerng Department. [6] Karaboga, D. dan Basturk (2008), B., "On The Performance of Artfcal Bee Colony ABC Algorthm", Appled Soft Computng, Vol. 8, hal ISSN :