🧠 Swarm Intelligence & Algoritma Optimasi

Buku: Artificial Intelligence — Imam Robandi
Fokus: Algoritma optimasi terinspirasi alam + Neural Network + Fuzzy Logic
Praktik tanpa MATLAB → pakai Python + NumPy/SciPy

1. Kecerdasan Koloni Binatang (Swarm Intelligence)

Konsep:

Sistem desentral — tiap agen mandiri, gak ada komandan
Self-organized — pola kompleks muncul dari interaksi sederhana
Emergent behavior — perilaku kolektif > jumlah individu
Stigmergy — komunikasi lewat perubahan lingkungan (semut tinggalkan pheromone, lebah dance)

Analogi:

Semut cari makanan → tinggalkan jejak → jalur terpendek jadi paling kuat
Burung terbang → ikuti tetangga → kawanan kompak
Ikan berenang → hindari predator → formasi rapat

Implementasi Python sederhana (simulasi swarm):

import numpy as np
import matplotlib.pyplot as plt
 
# Simulasi: 20 partikel nyari titik minimum
# Gak perlu library mahal — cukup numpy
n_partikel = 20
n_dimensi = 2
batas_bawah = -10
batas_atas = 10
 
# Inisialisasi partikel
partikel = np.random.uniform(batas_bawah, batas_atas, (n_partikel, n_dimensi))
 
# Fungsi objektif (misal: Sphere function)
def fungsi_objektif(x):
    return np.sum(x**2)
 
# Evaluasi partikel
nilai_partikel = [fungsi_objektif(x) for x in partikel]
 
# Simulasi swarm
for _ in range(100):
    # Update posisi partikel
    for i in range(n_partikel):
        # Cari partikel terbaik
        idx_terbaik = np.argmin(nilai_partikel)
        partikel_terbaik = partikel[idx_terbaik]
 
        # Update posisi partikel
        partikel[i] = partikel[i] + np.random.uniform(-1, 1, n_dimensi) * (partikel_terbaik - partikel[i])
 
        # Evaluasi partikel
        nilai_partikel[i] = fungsi_objektif(partikel[i])
 
# Plot partikel
plt.scatter(partikel[:, 0], partikel[:, 1])
plt.show()

2. Fuzzy Logic

Crisp vs Fuzzy:

Crisp: {0, 1} — dingin/panas, hidup/mati
Fuzzy: [0, 1] — agak dingin, lumayan panas, sangat hangat

3 Langkah Fuzzy:

Fuzzifikasi — input tegas → derajat keanggotaan
Inferensi — IF-THEN rules → output fuzzy
Defuzzifikasi — output fuzzy → nilai tegas

Fungsi Keanggotaan:

Triangular: max(0, min((x-a)/(b-a), (c-x)/(c-b)))
Trapezoidal: max(0, min((x-a)/(b-a), 1, (d-x)/(d-c)))
Gaussian: exp(-(x-μ)²/(2σ²))

Contoh — Kenyamanan Ruangan:

IF suhu PANAS AND kelembaban TINGGI THEN nyaman RENDAH
IF suhu SEJUK AND kelembaban SEDANG THEN nyaman TINGGI

Praktik (no MATLAB): `scikit-fuzzy` atau implementasi manual numpy.

from skfuzzy import triangularmf
 
# Definisi fungsi keanggotaan
x = np.linspace(0, 10, 100)
a = 2
b = 5
c = 8
 
# Fungsi keanggotaan triangular
y = triangularmf(x, [a, b, c])
 
# Plot fungsi keanggotaan
plt.plot(x, y)
plt.show()

3. Particle Swarm Optimization (PSO)

Konsep:

Kawanan burung/tan sekolah. Setiap partikel punya posisi + kecepatan.

Formula:

vᵢ = w·vᵢ + c₁·r₁·(pbestᵢ - xᵢ) + c₂·r₂·(gbest - xᵢ)
xᵢ = xᵢ + vᵢ

w = inertia weight (eksplorasi vs eksploitasi)
c₁, c₂ = cognitive & social coefficient
r₁, r₂ = random [0,1]
pbest = posisi terbaik partikel itu
gbest = posisi terbaik seluruh swarm

Parameter penting:

Parameter	Efek
w tinggi (0.9)	Eksplorasi global
w rendah (0.4)	Eksploitasi lokal
c₁ > c₂	Cenderung personal best
c₂ > c₁	Cenderung social best

Aplikasi:

Optimasi fungsi matematis (Rastrigin, Sphere, Rosenbrock)
Economic Load Dispatch (pembagian beban generator)
Training neural network (ganti backprop)

Praktik:

30 baris Python numpy selesai.

import numpy as np
 
# Definisi fungsi objektif
def fungsi_objektif(x):
    return np.sum(x**2)
 
# Inisialisasi partikel
n_partikel = 20
n_dimensi = 2
partikel = np.random.uniform(-10, 10, (n_partikel, n_dimensi))
 
# Inisialisasi kecepatan partikel
kecepatan = np.random.uniform(-1, 1, (n_partikel, n_dimensi))
 
# Inisialisasi posisi terbaik partikel
pbest = partikel.copy()
 
# Inisialisasi posisi terbaik swarm
gbest = partikel[0]
 
# Simulasi PSO
for _ in range(100):
    # Update kecepatan partikel
    for i in range(n_partikel):
        kecepatan[i] = 0.7 * kecepatan[i] + 1.4 * np.random.uniform(0, 1) * (pbest[i] - partikel[i]) + 1.4 * np.random.uniform(0, 1) * (gbest - partikel[i])
 
        # Update posisi partikel
        partikel[i] = partikel[i] + kecepatan[i]
 
        # Evaluasi partikel
        nilai_partikel = fungsi_objektif(partikel[i])
 
        # Update posisi terbaik partikel
        if nilai_partikel < fungsi_objektif(pbest[i]):
            pbest[i] = partikel[i]
 
        # Update posisi terbaik swarm
        if nilai_partikel < fungsi_objektif(gbest):
            gbest = partikel[i]
 
# Print posisi terbaik swarm
print(gbest)

4. Genetic Algorithm (GA)

Konsep:

Evolusi Darwin — seleksi alam, kawin silang, mutasi.

Langkah:

Encoding — representasi solusi (binary, real, permutation)
Populasi awal — generate random
Evaluasi fitness — nilai fungsi objektif
Seleksi — pilih induk (roulette wheel, tournament, rank)
Crossover — kawin silang (one-point, two-point, uniform)
Mutation — mutasi acak (bit flip, swap, gaussian)
Elitism — pertahanan individu terbaik
Ulang step 3-7 sampai konvergen

Perbandingan GA vs PSO:

Aspek	GA	PSO
Cara	Evolusi populasi	Gerakan kawanan
Memori	Gak ada	pbest + gbest
Parameter	Rate crossover, mutasi	w, c1, c2
Konvergensi	Lambat tapi stabil	Cepet tapi bisa lokal

Aplikasi:

Penjadwalan (timetabling, scheduling)
Optimasi kombinatorial (TSP, knapsack)
Feature selection untuk ML

5. Ant Colony Optimization (ACO)

Konsep:

Semut cari makanan — tinggalkan pheromone, ikuti jejak terkuat.

Formula:

Pᵢⱼ = [τᵢⱼ]ᵃ · [ηᵢⱼ]ᵇ / Σ([τ]ᵃ · [η]ᵇ)

τ = pheromone (jejak)
η = heuristic (1/jarak)
α, β = bobot pheromone vs heuristic

Pheromone Update:

τᵢⱼ = (1-ρ)·τᵢⱼ + Δτᵢⱼ

ρ = evaporation rate (mencegah konvergensi prematur)

Varian penting:

MMAS (Max-Min Ant System) — batasi pheromone biar gak ekstrem
ACS (Ant Colony System) — local update + global update

Aplikasi:

TSP (Traveling Salesman Problem)
Routing jaringan
Scheduling

Praktik:

ACO untuk TSP 10 kota — visualisasi jalur semut.

import numpy as np
import matplotlib.pyplot as plt
 
# Definisi graf
n_kota = 10
graf = np.random.uniform(0, 10, (n_kota, n_kota))
 
# Inisialisasi pheromone
pheromone = np.ones((n_kota, n_kota))
 
# Inisialisasi semut
n_semut = 10
semut = np.random.choice(n_kota, n_semut)
 
# Simulasi ACO
for _ in range(100):
    # Update jalur semut
    for i in range(n_semut):
        # Cari kota terdekat
        kota_terdekat = np.argmin(graf[semut[i]])
 
        # Update jalur semut
        semut[i] = kota_terdekat
 
        # Update pheromone
        pheromone[semut[i], kota_terdekat] += 1
 
# Plot jalur semut
plt.scatter(semut, np.zeros(n_semut))
plt.show()

6. Artificial Bee Colony (ABC)

Konsep:

3 jenis lebah:

Employed — eksploitasi sumber makanan, bagi info lewat waggle dance
Onlooker — lihat dance, pilih sumber terbaik
Scout — ninggalin sumber jelek, cari baru

Parameter:

limit = batas iterasi tanpa improvement → jadi scout
SN = jumlah employed bees = jumlah onlooker bees

7. Firefly Algorithm (FA)

Konsep:

Kunang-kunang — yang lebih terang tarik yang lebih redup.

Formula:

β = β₀ · e^(-γ·r²)
xᵢ = xᵢ + β·(xⱼ - xᵢ) + α·(rand - 0.5)

β₀ = attractiveness awal
γ = absorption coefficient
α = random walk (keberanian jelajah)

Aplikasi:

Economic Load Dispatch
Clustering
Image processing

8. Bat Algorithm (BA)

Konsep:

Kelelawar — echolocation: frekuensi, loudness, pulse rate.

Formula:

f = f_min + (f_max - f_min)·β
vᵢ = vᵢ + (xᵢ - x_best)·f
xᵢ = xᵢ + vᵢ

Loudness (A): menurun saat dekat mangsa
Pulse Rate (r): meningkat saat dekat mangsa

Aplikasi:

Feature selection
Engineering optimization
Classification

9. Neural Network

Neuron Tiruan:

y = f(Σ wᵢxᵢ + b)

Activation Function:

Step: 1 if x > 0 else 0
Sigmoid: 1/(1+e⁻ˣ)
Tanh: (eˣ-e⁻ˣ)/(eˣ+e⁻ˣ)
ReLU: max(0, x)

Backpropagation (inti):

δ_output = (target - output) · f'(net)
δ_hidden = Σ(δ_output · w) · f'(net)
Δw = η · δ · input

Metrik Performansi:

Metrik	Rumus
Accuracy	(TP+TN)/(TP+TN+FP+FN)
Precision	TP/(TP+FP)
Recall	TP/(TP+FN)
F1-Score	2·P·R/(P+R)

🔗 Koneksi ke Buku Lain

PSO/GA/ACO → optimasi penempatan access point (Book 3)
Fuzzy Logic → penilaian kualitas PL subjektif (Book 2)
NN → prediksi stok POS offline (Capstone)

✅ Ringkasan Praktik

Algoritma	Implementasi	Gak perlu
PSO	Python numpy	MATLAB
GA	Python numpy	Toolbox mahal
ACO	Python numpy + matplotlib	Lisensi
Fuzzy	scikit-fuzzy / manual numpy	MATLAB Fuzzy Toolbox
NN	numpy / scikit-learn	GPU cluster

Kunci: Pahami mekanisme — kenapa swarm bisa optimasi, kenapa crossover perlu, kenapa backprop jalan. Tool tinggal estafet.

Azhar's Notes

Navigation

Swarm Intelligence & Algoritma Optimasi — Imam Robandi

🧠 Swarm Intelligence & Algoritma Optimasi

1. Kecerdasan Koloni Binatang (Swarm Intelligence)

Konsep:

Analogi:

Implementasi Python sederhana (simulasi swarm):

2. Fuzzy Logic

Crisp vs Fuzzy:

3 Langkah Fuzzy:

Fungsi Keanggotaan:

Contoh — Kenyamanan Ruangan:

Praktik (no MATLAB): scikit-fuzzy atau implementasi manual numpy.

3. Particle Swarm Optimization (PSO)

Konsep:

Formula:

Parameter penting:

Aplikasi:

Praktik:

4. Genetic Algorithm (GA)

Konsep:

Langkah:

Perbandingan GA vs PSO:

Aplikasi:

5. Ant Colony Optimization (ACO)

Konsep:

Formula:

Pheromone Update:

Varian penting:

Aplikasi:

Praktik:

6. Artificial Bee Colony (ABC)

Konsep:

Parameter:

7. Firefly Algorithm (FA)

Konsep:

Formula:

Aplikasi:

8. Bat Algorithm (BA)

Konsep:

Formula:

Aplikasi:

9. Neural Network

Neuron Tiruan:

Activation Function:

Backpropagation (inti):

Metrik Performansi:

🔗 Koneksi ke Buku Lain

✅ Ringkasan Praktik

Tampilan Grafik

Daftar Isi

Praktik (no MATLAB): `scikit-fuzzy` atau implementasi manual numpy.