Nama : Yurlianda

NIM : 10620012

Aplikasi Perilaku Pergerakan Kolektif Ikan dan Perilaku Sosial Lainnya

sebagai Metode Optimalisasi AFSA (Artificial Fish-Swarm Algorithm)

AFSA (artificial fish-swarm algorithm) merupakan salah satu metode optimalisasi

terbaik di antara swarm intelligence algorithms lainnya. Algoritma ini terinspirasi oleh
pergerakan kolektif ikan dan juga oleh berbagai perilaku sosialnya. Berdasarkan serangkaian
naluri perilaku, ikan selalu berusaha mempertahankan koloninya dan karenanya menunjukkan
perilaku cerdas. Aktivitas seperti mencari makanan, imigrasi, dan menghadapi suatu bahaya
terjadi dalam bentuk sosial dan interaksi antara semua ikan dalam satu kelompok, sehingga
akan menghasilkan perilaku sosial yang cerdas. Algoritma ini memiliki banyak keunggulan
diantaranya kecepatan konvergensi yang tinggi, fleksibilitas, toleransi kesalahan dan akurasi
yang tinggi (Neshat et.al., 2014).
Di alam atau habitat aslinya, ikan dapat menemukan daerah yang lebih produktif dan
banyak nutrisi dengan pencarian individu atau mengikuti ikan lain, daerah dengan populasi
ika lebih banyak umumnya paling tinggi sumber nutrisi. Lingkungan tempat tinggal AF
(artificial fish) utamanya adalah ruang solusi dan merupakan keadaan AF lainnya. Perilaku
selanjutnya bergantung pada keadaan saat ini dan keadaan lingkungan setempat. AF akan
mempengaruhi lingkungan melalui aktivitasnya sendiri dan aktivitas pendampingnya
(Neshat et.al., 2014).

Gambar 1. Vision concept of the artificial fish

Artificial Fish (AF) adalah entitas fiktif dari ikan asli, yang digunakan untuk
melakukan analisis dan penjelasan masalah, dan dapat diwujudkan dengan menggunakan
konsep ekologi hewan. Dengan bantuan metode analitik berorientasi objek, kita dapat
menganggap ikan buatan sebagai entitas yang dikemas dengan data sendiri dan serangkaian
perilaku, yang dapat menerima informasi luar biasa dari lingkungan oleh organ indera, dan
melakukan reaksi stimulan dengan kontrol dari ekor dan sirip. Lingkungan tempat ikan
buatan hidup terutama adalah ruang solusi dan keadaan ikan buatan lainnya. Perilaku
selanjutnya bergantung pada keadaan saat ini dan keadaan mental lingkungannya (termasuk
kualitas solusi pertanyaan saat ini dan keadaan teman lainnya), dan itu mempengaruhi
lingkungan melalui aktivitasnya sendiri dan aktivitas teman lainnya (Jiang et.al., 2007)
 Aplikasi dari AFSA dapat digunakan untuk mendiagnosis kesalahan awal pada kerek
tambang. Sebagai diagnosis Probabilistic Causal-effect Model-Based adalah cabang aktif dari
ligent Intel Buatan, kelayakan penggunaan model efek kausal probabilistik dipelajari dan
diterapkan dalam algoritma segerombolan ikan buatan (AFSA) untuk mengklasifikasikan
cacat kerekan ranjau. Dalam model efek sebab-akibat probabilistik, digunakan fungsi
probabilitas untuk memetakan data secara non linier ke dalam ruang fitur, dan dengan itu,
diagnosis kesalahan disederhanakan menjadi masalah pengoptimalan dari set fitur kompleks
asli. Dan metode evaluasi jarak yang ditingkatkan diusulkan untuk mengidentifikasi berbagai
kasus abnormal. Pendekatan yang diusulkan diterapkan untuk diagnosis kesalahan kerekan
gesekan dengan banyak tali baja, dan hasil pengujian menunjukkan bahwa pendekatan yang
diusulkan dapat mengenali kategori kesalahan yang berbeda dengan andal (Neshat et.al.,
2014).
Pada kesimpulannya, algoritma AFSA mampu memecahkan masalah dengan inspirasi
dari pergerakan massal ikan. Ikan menunjukkan perilaku yang berbeda termasuk mencari
makan, mengikuti ikan lain, melindungi kelompok dari ancaman dan pencarian stokastik.
Algoritma ini menunjukkan perilaku yang lebih cerdas dan memperoleh hasil yang lebih
optimal dibandingkan dengan algoritma swarm intelligence lainnya. Tentu saja, algoritma ini
memiliki beberapa kekurangan seperti jatuh pada titik optimal lokal, konvergensi lanjutan
dan memakan waktu. Algoritma ini merupakan salah satu pendekatan terbaik dari metode
Swarm Intelligence dengan keunggulan yang cukup besar seperti kecepatan konvergensi yang
tinggi, fleksibilitas, toleransi kesalahan dan akurasi yang tinggi. Banyak metode lainnya yang
menggabungkan AFSA dengan metode optimasi lain seperti PSO, Fuzzy Logic, Cellular
Learning Automata atau metode pencarian cerdas seperti pencarian Tabu, Simu lated
Annealing, Chaos Search dll. Algoritma ini diharapkan agar peneliti lainnya bisa
mengembangkannya (Neshat et.al., 2014).

Referensi:
Jiang M, Wang Y, Rubio F, Yuan D (2007) Spread spectrum code estimation by artificial fish
swarm algorithm. In: IEEE international symposium on intelligent signal processing
(WISP).
Neshat, M., Sepidnam, G., Sargolzaei, M., & Toosi, A. N. (2014). Artificial fish swarm
algorithm: a survey of the state-of-the-art, hybridization, combinatorial and indicative
applications. Artificial intelligence review, 42(4), 965-997.