KECERDASAN BERKOLONI ( SWARM

INTELLIGENCE )

(ACO-Part1)

Jika kita mencermati lingkungan dan alam sekitar, ada banyak fenomena yang menarik untuk
dicermati. Manusia memanfaatkan hal tersebut untuk belajar sesuatu dan melahirkan ilmu-ilmu
tertentu yang terus dipelajari dan dikembangkan sampai sekarang ini seperti : fisika, astronomi,
pertanian, dan sebagainya. Dari fenomena tersebut, manusia akhirnya membuat teori, metoda,
formula, dalil dan sebagainya untuk mencoba mendefinisikan sesuatu ataupun memberi
pengertian kepada sesamanya. Di ilmu komputer, salah satu nya adalah kecerdasan berkoloni
dari binatang. Tingkah laku hewan tersebut memberi inspirasi kepada para peneliti dan ilmuwan
untuk melahirkan sebuah teori atau pun algoritma. Beberapa algoritma tersebut antara lain
adalah ACO (Ant Colony Optimization), PSO (particle swarm optimization), BCO (bee colony
optimization), CSO_a (Cat swarm optimization), dan CSO_b (cockroach swarm optimization).
Tabel 1 menunjukkan jenis algoritma dan sumber inspirasinya.

Nama Algoritma Sumber inspirasi

ACO (Ant Colony Optimization) semut

PSO (particle swarm optimization) burung

BCO (bee colony optimization) Lebah

CSO_a (cat swarm optimization) Kucing/harimau/macan

 CSO_b (cockroach swarm optimization) Kecoa

Di ilmu computer atau teknologi informasi, algoritma ini merupakan topik-topik di mata kuliah
kecerdasan buatan atau Artificial Intelligence (AI). Algoritma ini secara umum digunakan untuk
memecahkan persoalan optimisasi. Penelitian tentang algoritma sampai saat ini terus
berkembang.

Modifikasi algoritma tersebut maupun hybrid dengan algoritma lain juga terus berkembang
untuk memecahkan persoalan optimisasi yang terus berkembang sampai saat ini. Saat ini kita
akan membahas ACO secara detil .

Ant colony optimization (ACO)

Algoritma ini didasarkan kerjasama yang dilakukan koloni semut dalam mencari
makanan. Dalam mencari makanan, semut mengandalkan pheromone untuk menemukan rute
terpendek dari sarangnya ke sumber makanan. Pheromone adalah zat yang diletakkan oleh setiap
semut.

Namun, semut punya startegi jitu untuk mengatasi ini. Mereka memanfaatkan pheromone yang
dikeluarkan oleh koloni semut. Pheromone yang banyak di path , semut indikasikan sebagai jalur
‘laris’ yang dianggap jalur optimal. Walaupun terjadi proses penguapan pheromone, namun laju
penguapan pheromone dianggap sangat kecil. Dengan demikian jalur pendek/jalur optimal makin
banyak memiliki pheromone, sementara jalur yang tidak optimal makin dihindari, sehingga
pheromone juga akan makin sedikit.Awalnya semut-semut tidak memiliki
‘kecerdasan/pengetahuan’ untuk menemukan jalur terpendek ke sumber makanan. Oleh karena
itu semut-semut bergerak secara acak. Karena random/acak, tentu semut akan kesulitan
menemukan jalur terbaik (terpendek).
Sebagai ilustrasi bisa dilihat pada gambar 1 berikut. (a) menunjukkan kondisi awal koloni semut.
(b) Menunjukkan ada dua jalur menuju A-E yakni A-H-E (jalur 1) dan A-C-E (jalur-2). Karena
jalur-2 lebih pendek, maka waktu yang ditempuh semut juga lebih pendek, dan ia akan cendrung
kembali dengan jalur yang sama ketika kembali ke sarangnya. (C) Dengan demikian pheromone
di jalur-2 akan semakin besar . Ini membuat semut lain(koloni) akan mengikuti jalur ini yang
diindikasikan sebagai jalur optimal (terpendek).