PEMODELAN PERILAKU HUNTER-PREY DENGAN FUZZY COGNITIVE MAPS MENGGUNAKAN METODE CRIPS DAN FUZZY WEIGHT ANALYSIS

Seminar Tesis Bidang Keahlian Jaringan Cerdas Multimedia – Teknologi Permainan Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember Surabaya 26 Januari 2011

PEMODELAN PERILAKU HUNTER-PREY DENGAN FUZZY COGNITIVE MAPS MENGGUNAKAN METODE CRIPS DAN FUZZY WEIGHT ANALYSIS 1,2

Irawan1), Mochamad Hariadi2) Teknik Elektro, Fakultas Teknik Industri, Institut Teknologi Sepuluh Nopember Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember, Surabaya Telp : (031) 5922936, Fax : (031) 5922936 E-mail : [email protected], [email protected] Abstrak

Perilaku hunter-prey ke dalam virtual world dapat dimodelkan dengan menggunakan fuzzy cognitive maps (FCM). Dengan FCM kejadian-kejadian yang saling berpengaruh dalam lingkungan hunter-prey dapat dipetakan menjadi suatu aturan-aturan yang sifatnya fuzzy (fuzzy rule). Para ahli menggambarkan perilaku hunter-prey namun mereka tidak dapat menuliskan secara matematis dan memodifikasinya untuk menjadikannya sebuah virtual world. Simple FCM dapat memodelkan perilaku secara periodik dengan limit cycle yang terus berulang sesuai dengan urutan dan kejadiannya atau membuat suatu rantai dari aksi dan respon lingkungan. Dengan analisis level aktivasi yang pembobotannya bernilai fuzzy menggunakan certain neuron yang memiliki 2 variabel fungsi transfer dengan kemampuan memori dan mekanisme decay. Certain neuron fuzzy cognitive maps (CNFCM) menggunakan 2 kontrol parameter: sistem pembobotan matriks simetri dan kekuatan kontrol mekanisme decay, dimana dengan kedua kontrol parameter tersebut akan membawa sistem ke perilaku titik tertentu yang stabil dan limit cycle behaviour. Kami memodelkan perilaku hunter-prey dengan menggunakan simple FCM dan menggunakan algoritma CNFCM. Kata kunci: Fuzzy cognitive maps, certain neuron, CNFCM, limit cycle. 1.

menghasilkan nilai-nilai tertentu (degree of data) dan mempengaruhi suatu kejadian dan menahan suatu kondisi konsep yang lain untuk berinteraksi, dalam hal ini dapat dikatakan bahwa virtual world merupakan suatu fuzzy causal world. Fuzzy Cognitive Maps (FCM) dapat memodelkan virtual world di dalam sebuah kumpulan aturan-aturan logika fuzzy dengan cara menggambarkannya sebagai sebuah fuzzy directed graph (Kosko, 1986, 1988a). Fokus yang akan menjadi bahasan pada penelitian ini adalah pemodelan perilaku hunter-prey dengan memperhitungkan hubungan kausalitas dari tiap agen. Dengan menambahkan parameter stamina/energi pada masing-masing perilaku hunter (pemangsa) dan prey (mangsa). Metode pendekatan yang akan digunakan untuk menggambarkan kausalitas dari tiap agen dengan menggunakan adaptive FCM dengan algoritma certainy neuron transfer function (Certainy Neuron Fuzzy Cognitive Maps). Sebuah riset (A. Dickerson, Kosko, 1994) telah dilakukan untuk menggambarkan sebuah virtual world yang strukturnya dibangun menggunakan metode FCM. Pada riset tersebut menggambarkan bagaimana sebuah ekosistem rantai makanan di laut yang saling berinteraksi satu dengan yang lainnya. Metode FCM digunakan untuk menggambarkan kausalitas antar

PENDAHULUAN

Pemodelan suatu perilaku dari sebuah lingkungan yang di dalamnya berinteraksi banyak obyek (manusia, hewan dan sebagainya yang ada di sekeliling lingkungan nyata) telah dimodelkan dengan banyak metode. Namun untuk memodelkan bentuk perilaku tersebut ke dalam sebuah dunia virtual adalah suatu tantangan tersendiri oleh banyak ahli. Dunia virtual (virtual world) adalah sesuatu yang berubah dengan mengikuti perubahan yang ada di dalam virtual reality (Kruger, 1991) atau cyberspace (Gibson, 1984). Virtual world menghubungkan manusia dan komputer dalam sebuah media yang saling berhubungan dan dapat mempermainkan pikiran dan kesadaran. Virtual world merupakan suatu sistem yang sangat dinamis, berubah dengan pengaruh waktu disaat pengguna atau aktor tersebut melalui atau menjalaninya, perubahannya pun bersifat kausal. Aktor (agen atau multi agen) dalam melakukan sesuatu akan saling berkaitan dan menyebabkan terjadinya perubahan di dalam lingkungannya tersebut, sehingga pada akhirnya hubungan antara satu agen dengan agen yang lain akan bisa terjadi berdasarkan atas perilaku yang terjadi pada lingkungan tersebut dan ini sifatnya sangat acak (fuzzy). Dari interaksi antara agen tersebut akan 1

Seminar Tesiss Bidang Keahlian n Jaringan Cerdass Multimedia – Tekknologi Permainann Jurusan Tekn nik Elektro Institut Teknologi Sepuluh Nopember Surab baya 26 Januari 20 011

konsep yaang terjabar seecara detail dari tiap perilaaku agen (ikan, hiu dan lumba-lumba).

memberikan sebuah gam mbaran Gaambar 2.1 m sederhaana tentang sebbuah agen. Paada gambar terrsebut, terlihat bahwa actioon output ditim mbulkan olehh agen ut untuk m memberikan manfaat terrhadap tersebut lingkunngannya (envvironment). Pada kebannyakan kompleeksitas dari reeasonable dom main bahwa ssebuah agen tiidak akan mellakukan kontrrol penuh (com mplete controll) terhadap linggkungannya. Y Yang dapat dilaakukan oleh aggen tersebut addalah partial control (kontrrol per bagian)) dan hal tersebut yang ddapat mempenngaruhi lingkunngannya.

gga Berdasarkan hal-haal tersebut dii atas, sehing penelitian ini memfokusskan pada pem modelan perilaaku n fuzzy cognitiive maps (FCM M) dari hunter-prey dengan ganalisis pemo odelan tersebu ut secara adap ptif dan meng melalui 2 langkah peng gujian dengan activation level gan dan bobott kausalitas yaang bernilai crrisp dan deng activation level dan bobo ot kausalitas yaang bernilai fuzzzy kan algoritm ma certainty neuron fuzzzy menggunak cognitive maps (CNFC CM). Penamb bahan parameeter nergi pada peerilaku hunteer-prey ini ju uga stamina/en menjadi peercobaan pada penelitian ini.

AGENT

2. KAJIA AN PUSTAKA A DAN DASA AR TEORI 2.1 Agen Tekno ologi agen telaah menjadi saalah satu suby yek diskusi dan n riset yang haangat dibicarak kan dalam bidaang sains dewaasa ini. Mulaii dari teknolog gi robotika yaang memanfaattkan dan meniru fungsi-fungsi perilaku dari d makhluk hidup h sampai pada p pemodelan interaksi sossial manusia kee dalam simulaasi komputer. Agen adalah sesuaatu yang mam mpu mengindeera nnya melalui sensor s dan meemberikan reaksi lingkungan terhadap liingkungan terssebut melalui effectors e (Russsel, 1995). Pad da dasarnya seb buah agen adaalah autonomous, karena ageen beroperasi tanpa t adanya intervensi secaara langsung oleh o manusia atau yang lainnya dan dap pat mengontro ol aksi yang diilakukan serta mengkondisik kan dirinya sen ndiri terhadap lingkungannyaa. Awalnya ag gen diciptakan untuk men ngerjakan hall-hal sederhan na, d sebuah agen un ntuk mengerjak kan sehingga diciptakanlah hal-hal terssebut. Seiring g dengan perk kembangan keb butuhan terhad dap otomasi sisstem yang men nuntut banyak tugas-tugas yaang kompleks sehingga pen nggunaan sing gle agent (ag gen menuhi kebu utuhan terseb but tunggal) untuk mem dipandang kurang tepatt. Hal ini dissebabkan kareena m sebuah singlle agent unttuk dengan menggunakan mengerjakan tugas yang kompleks akaan tidak fleksib bel dalam pen ngembanganny ya dan memb butuhkan sumb ber daya yang sangat besar, sehingga s dipan ndang perlu unttuk na banyak ag gen mengembaangkan suatu metode diman bekerja seecara bersama-sama untuk k menyelesaik kan tugas kom mpleks tersebut. Kondisi dimaana banyak ag gen bekerja secara bersam maan dinamak kan multi-ageent. n merupakan sebuah s sistem dimana d sejumllah Multi-agen agen melak kukan sejumlaah tugas untuk mencapai tuju uan bersama (W Weiss, Gerard. 1999). Agen-aagen pada sisteem multi agen n dapat saling berinteraksi satu dengan yaang lainnya baik b secara langsung (direct, ( melaalui komunikassi dan negosiiasi) ataupun tidak langsu ung (indirect, berinteraksi b meelalui lingkung gannya).

Action Output

ENVIRONM MENT

Gambar 2.1 A Agen dalam linngkungannya Cognitive Map ps) 2.2 Petta Kognitif (C Deeskripsi tentangg peta kognitiif banyak menngarah ke risett yang pernah dikerjakan oleeh seorang ahlli ilmu sains ppolitik Robert Axelrod (Axxelrod, 1976) untuk menunjjukkan bagaim mana keputuusan politik dibuat dengann skema struktuur keputusan ppolitik dalam bbentuk peta kkognitif. Secarra umum peta kognitif eelemen dasarnyya sangat seederhana. Sebbuah konsep yang digunakkan secara indiividu dinyatakaan sebagai poinn-poin dan hhubungan kauusalitas antarr konsep teersebut dinyataakan dengan m menggunakan paanah yang terhhubung diantaraa konsep tersebbut. Meenurut Axelrodd (1976) peta kognitif meruupakan peta diiagram kausal adalah skemaa graf berarahh yang menggaambarkan hubbungan/relasi sebab-akibat antara variabeel-variabel perrmasalahan yaang diamati (agen, multi aagen ataupun ssuatu organisaasi) berdasarkaan atas apa yanng diyakini terrhadap lingkunngannya. Kompponenkomponnen dari graff ini yaitu kkumpulan poinn-poin (konsepp) yang dinyataakan dengan C dan kumpulann anak panah ((arrow) yang bberada antara kkonsep tersebuut yang dinyataakan dengan A A. Anak panaah diberikan ddengan tanda ((+) dan (-) seedangkan konssep atau seringg pula dinamaakan dengan vvariabel konseep merupakan suatu goal attau tujuan yanng akan dicappai oleh suatu agen. Tanda panah menggaambarkan hubungan kausal antara konsep satu dengan yyang lainnya dan juga bagaaimana konsep saling m mempengaruhi konsep yang laain. suatu ko Sebbagai contoh gambaran tenntang peta koognitif diperlihhatkan pada gambar 2.22. Welman ((1994) 2

Sensor Input


FC CM adalah suuatu fuzzy-grapph yang tersttruktur untuk m menggambarkaan hubungan seebab-akibat. Sttruktur grafikny nya dapat meenampilkan ppropagasi kauusalitas secara sistematik, daalam suatu huubungan rantaii maju wledge dan muundur dan jugaa memungkinkkan suatu know bases uuntuk berkembbang dengan m menghubungkann antar FCM yang berbedda. FCM seccara khusus dapat wledge domain (ilmu digunakkan dalam biddang soft know politik, ilmu militer,, sejarah, hubuungan internassional, teori oorganisasi) yanng mana seluuruhnya meruupakan konsep--konsep atau hubungan-huubungan sistem m dan bahasa meta-system yang secara mendasar siifatnya fuzzy (Kosko, 1986). Dewasa ini FCM bbanyak digunakkan untuk meemodelkan hubbungan kausall antar faktor-ffaktor yang berbeda dari berbbagai macam bbidang penerappan. FC CM terdiri dari 2 elemen utam ma yaitu: konseep dan hubunggan kausalitas (causality reelationship). S Seperti yang diperlihatkan pada gam mbar 2.2, kkonsep digambbarkan dengann suatu bentukk bundaran (ccircle), yang m mana merepressentasi-kan hubbungan sebab--akibat didalam m suatu peemodelan. Seedangkan hubbungan kausalittas dengan m menggunakan tanda panah yang mana m memiliki tandda-tanda dan bbesaran. Tandda “+” menyattakan bahwa hubungan kaausal yang ppositif, contohnnya meningkaatnya nilai darri konsep awall akan menyebbabkan terjadinnya peningkataan nilai pada kkonsep akhir. Sebaliknya, ttanda “-“ meerupakan hubbungan kausal yang negattif (negative causal relaation), contohnnya pada saaat nilai pada dari konsep awal meninggkat akan meenyebabkan teerjadinya penuurunan nilai daari konsep padaa akhirnya. Unntuk memudahkkan dalam mellakukan analisaa pada FCM, m maka setiap koonsep diberikann suatu nilai keeadaan yang m mana memiliki nilai [0, 1] ataau [-1, 1], sedaangkan untuk kausal relasiinya diberikaan pembobot yang bernilaii [-1, 1]. Sehinngga jika nilai dari konsep i adalah Ai, nillai baru dipperbarui denggan memperhhatikan hubunggan antar konseep dan dapat diihitung dengann n t 1 t A f A . w … 2.1

mempelajaari peta kognittif yang diamb bil dari Levi dan d Tetlock (1980) ( dan pada gambaar 2.2 terseb but menjelaskaan bagaimana pemerrintah Jepaang memutuskaan untuk melakukan penyeerangan ke Peearl Harbor. Dari peta kognitif tersebut terliihat bahwa jiika pan remains id dle) Jepang dallam kondisi berrdiam diri (Jap akan menyebabkan men ningkatnya keesiapan Ameriika n persiapan yang lebih h matang (US melakukan preparedneess), sedangkan dengan ko ondisi persiap pan Amerika yang matang g menyebabk kan menurunn nya peluang Jeepang untuk menang m dalan perang p (Japaneese success in war). Begitu halnya h dengan kondisi kekuattan kan menguran ng (Japanesee attrition) jiika Jepang ak Jepang ju uga berdiam diri sehinggaa mengakibatk kan kurangnya peluang Jepan ng untuk mem menangkan peraang (Japanese success in warr).

vi, Tetlock. 198 80) Gambar 2..2 Contoh Petaa Kognitif (Lev Gambar 2.2 dapat di transformaasikan ke dalaam a mattrix sebuah beentuk matriks dinamakan adjacency atau valen ncy matrix. Adjacency A ma atrix merupak kan sebuah matriks m persegii dengan sebuah kolom dan d sebuah baaris untuk setiiap konsep dalam suatu peta kognitif. Dengan D memberikan notasi C1 untuk Jap pan remains id dle, C2 untuk Japanese atttrition, C3 unttuk Japanese success s in war dan C4 untuk US preparedneess maka akan n diperoleh su uatu matriks adjacency a sepeerti berikut: C1 C2 C3 C4 C1

0

+

0

+

C2

0

0

-

0

C3

0

0

0

0

C4

0

0

-

0

i

j

i,j

simulassi t+1, A t i merrupakan nilai dari konsep Cj pada simulassi step t, wij merupakann nilai bobott dari interkonneksi antara konsep Cj kee konsep Ci dan f merupaakan fungsi thrreshold sigmoidd 1 f … 2.2 1 e--λx Dim mana  > 0 m merupakan sebbuah parameterr yang menenttukan langkah--langkahnya.

Gambar 2.3 2 Adjacency matriks hubun ngan kausal darri gaambar 2.2

2.4 Alggoritma Certaainty Fuzzy Coognitive Maps (CN NFCM)

2.3 Fuzzyy Cognitive Ma aps (FCM)

3

j 0

t 1 dimanaa A i merupaakan nilai dari konsep Ci padda step


Certainty neuron n telah diikenal sebagai salah satu ragaam dalam artificial neuron yang mana menggunakan n 2 variabel fu ungsi aliran (trransfer function n) yang memilliki kemampuaan penyimpan nan memori dan mekanism me decay. Cerrtainty neuron n dapat digunaakan dalam fuzzzy cognitive maps m dimana sttruktur dari suaatu jaringan saaraf tiruan men nciptakan suatu u pemodelan seebagai kumpullan dari suatu u konsep – neuron n dan berbagai b macaam hubungan kausal dan paanah yang berb bobot suatu niilai berada dian ntara konsep-k konsep tersebutt. Transfer fungsi dari certain nty neuron dap pat dituliskan sebagai berikut: ,

,

Universe Prey

, … 2.3

Universe Hu unter

Universe

Grassland Dimana merupakan aktivasi a dari ceertainty neuron i pada time step t, ∑ merupak kan m secara umum perilaku lingkkungan Gambaar 3.1 Diagram penjumlahan dari bobot pengaruh p dari certainty neurron hunter-prey mua neuron yaang i yang diterima pada timee step t dari sem mempengaaruhinya, n merupakan jumllah neuron yaang Perilaku Matriks ada pada sistem, ad dalah bobot dari d tanda pan nah FCM Kausal H unter‐Prey neuron j kee neuron i sehiingga tercipta suatu matriks n x n yang din namakan sebag gai matriks bob bot W dari suaatu Crisp sistem. Sedangkan fungssi f ( ) menun njukkan berbag gai Fuzzy pengaruh dari konsep lainnya yang g mempengaru uhi A Adjacen ghasilkan aktiv vasi activation level yang akttif untuk meng cy M Matriks yang baru.. Terlihat jelass bahwa nilai dari fungsi f ( ) selalu berrnilai antara -1 dan 1. Fungsi F ini ju uga digunakan dalam MYCIN (Sh hortliffe. 197 76, Stablee System n. 1984) dan n fungsinya adalah sebag gai Buchannan berikut: Gambar 3.2 T Tahapan Metodde Penelitian , 1 , 0, 0 1 , 0, 0 | |, | | 1 2.4 , 1 min ,

3.

4. HA ASIL DAN PE EMBAHASAN N 4.1 An nalisa Crisp U Untuk Simple F FCM

ODE PENELIITIAN METO

Pada penelitian ini, FCM diigunakan unttuk d pemburu-m mangsa (hunttermemodelkan perilaku dari prey) dalaam dunia virtu ual berupa permainan (gam me). Secara um mum diagram m perilaku hu unter-prey dap pat digambark kan seperti padaa gambar 3.1.

Deengan mengguunakan tools bantu FCMM Mapper untuk m menguji diagraam simple FCM M yang telah dibuat seperti yang ditunjukkkan pada gam mbar 3.2. Penngujian dilakukkan dengan meemasukkan beeberapa input vektor terhadaap matriks kauusal dari hubuungan antar kkonsep (adjaceency matrix, E)) sehingga mennghasilkan perrkalian matrikss. Matriks kaussal E seperti yaang ditunjukkann pada gambarr 3.4 kemuddian diuji denngan mengguunakan FCMM Mapper menghaasilkan beberaapa properti-prroperti seperti yang ditunjukkkan pada gambbar 4.1 a,b dan c. Daari gambar 44.1(a) menamppilkan jumlahh dari sebuah konsep yang terpengaruhi oleh perubahaan dari konsep lainnya. Missalnya seperti konsep P1 ada 2 konsep yang juga ikut mempeengaruhi peruubahan kausalittasnya, dan uuntuk konsep P1 mempenngaruhi konsep lainnya dittunjukkan oleeh gambar 44.1(c),

Pembu uru (dapat berupa predato or hewan sepeerti singa, harrimau serigalaa dan predato or lainnya) ak kan berusaha untuk u mencari mangsa padaa saat kondisin nya lapar, sedaangkan mangsaa (hewan yang g menjadi buru uan dari hewan n predator sepeerti rusa, kambiing dan lain-laain) umumnya berkelompok k dan akan mencari m sumb ber mput-rumputan dan tanam man makanan berupa rum ungan yang diigunakan bany yak lainnya, seehingga lingku mengandun ng sumber maakanan bagi kelompok k hew wan mangsa inii.

4


sedangkan jumlah total dari konsep yang mempengaruhi dan yang dipengaruhi oleh konsep P1 ditunjukkan oleh gambar 4.1(b). Data ini diperoleh dari matriks kausalitas yang diinputkan ke dalam FCMMapper untuk dianalisis. Pada saat aktivasi awal dengan semua input untuk konsep aktif [1 1 1 1 1 1 1 1 1 1 1 1 1] dan hasil iterasi terlihat pada gambar 4.2.

Terlihat pada gambar 4.2 untuk P4 dan H4 pada saat iterasi awal sejak awal iterasi tidak mengalami perubahan, hal tersebut disebabkan karena P4 dan H4 tidak mendapat pengaruh dari konsep lainnya namun mempengaruhi perubahan terhadap konsep lain. Seperti besarnya P4 menyebabkan besar nilai P6 juga meningkat, artinya dengan prey beristirahat dapat menyebabkan energi dari prey tersebut ikut meningkat, hal ini dapat terjadi sewaktu-waktu ketika prey tersebut dikejar oleh pemangsa dan membutuhkan istirahat jika telah mengetahui posisinya telah jauh dari pemangsa. Begitu pula dengan H4 dan H5 mengalami hal yang sama. Pada penelitian ini menitikberatkan observasi pada pengaruh tingkat energi/stamina dari prey dan hunter untuk melihat perilaku yang terjadi. Pengujian pertama dengan mengaktifkan konsep H1 (kondisi hunter lapar) dengan tingkat energi/stamina yang penuh (H5). Hasil untuk input vektor [0 0 0 0 0 0 0 1 0 0 0 1 0] menahan 2 konsep yaitu H1 dan H5 dalam kondisi nilai yang konstan, kondisi ini menggambarkan bahwa: H1 Mengaktifkan level (on) kondisi lapar dari pemangsa (hunter) dan H5 dengan energi yang tinggi siap untuk mencari makanan

Indegree 6.00 4.00

Indegree

2.00 0.00 P1 P2 P3 P4 P5 P6 P7 H1H2H3H4H5H6

(a) Centrality 10.00 5.00

Centarlity Centarlity P1 P2 P3 P4 P5 P6 P7 H1 H2 H3 H4 H5 H6

0.00

1 Bobot Activation Level

(b) Outdegree 3.00 2.00 Outdegree

1.00 0.00 P1 P2 P3 P4 P5 P6 P7 H1 H2 H3 H4 H5 H6 Bobot Activation Level

1

3

5

7

9

11 13 15 17 19 Iterasi

0.4 0.2

1

3

5

7

9 11 13 15 17 19 Iterasi

Gambar 4.3 Grafik konvergensi dari simple FCM dengan activation level H1 dan H5 bernilai 1

P1 P2 P3 P4 P5 P6 P7 H1 H2 H3 H4 H5 H6

4.2 Input Crisp dengan bobot fuzzy Di dalam CNFCM ada 2 yang menjadi parameter utama dalam penentuan nilai bobot yang optimal untuk FCM yaitu: decay factor (faktor kerusakan) dari certainy neuron dan symmetry dari sistem pembobotan matriks E. Faktor ini menentukan fraksi dari level aktivasi saat ini yang akan dikurangi oleh tingkat aktivasi yang baru didapatkan sebagai hasil dari suatu neuron alami untuk tetap memperoleh nilai tingkat aktivasi yang dekat dengan nol. Semakin besar faktor decay semakin kuat decay mekanismenya. Beberapa nilai dapat digunakan untuk decay faktor ini dengan interval [0, 0.4]. Untuk nilai decay yang lebih besar dari nilai tersebut, sistem akan menjadi nol diakibatkan oleh

Gambar 4.2 Grafik konvergensi pada simple FCM

5

0.6

0

(C) Gambar 4.1 Properti-properti pada diagram FCM oleh FCMMapper 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0

0.8

P1 P2 P3 P4 P5 P6 P7 H1 H2 H3 H4 H5 H6


kondisii yang sama seeperti pada gam mbar 4.4, untukk nilai level akktivasi secara randomnya teerlihat pada ggambar 4.6.

beratnya mekanisme m deecay. Besar nilai n decay yaang digunakan dalam peneelitian ini 0.1 10. Gambar 4.4 4 hatkan grafik hasil iterasi yang dijalank kan memperlih dengan siimulasi kode Matlab deng gan menerapk kan algoritma CNFCM. C Inpu ut level aktivasii [0 0 0 0 0 0 0 1 0 0 0 0 0] dengan bobo ot kausal matrriks seperti yaang ditunjukkaan pada tabel 3.1. Pad da gambar 4.5 4 memperlih hatkan efek kaausalitas terhaadap konsep H1 H jika diberik kan kondisi on n bernilai 1.

Gambaar 4.6 Random m activation level untuk tiap kkonsep Untuk matriks hubuungan kausal yang terjadi antar konsep (adjacency maatrix E) dengaan bobot kausaal yang bernilaii fuzzy sepertii yang diperlihhatkan pada ggambar 4.7, meerupakan matriiks yang menjjadi bobot awaal dari matrikss kausal sebeluum proses perkaalian dengan m matriks vektor ssebagai matrikk level aktivasi.

Gambaar 4.4 CNFCM M dengan H1 on n W21 = -0.2 diiterasi seb banyak 150 iterrasi Pembobotaan konsep H2 ke H5 menggu unakan nilai -0 0.2, setelah dilakukan pengujian p keembali deng gan ng lebih bessar pengaruhn nya memberikaan bobot yan kepada perubahan energ gi (H5) W21 = -0.8 dan ak kan menghasilk kan pengaruh yang ditunjuk kkan seperti paada gambar 4.5 5.

Gambbar 4.7 Adjacenncy matrix untuuk tiap konsep node 5. KE ESIMPULAN Dengann memberikann nilai bobot pasti (crisp) pada activatiion level pada perilaku huntter-prey dengann nilai kausalittas melalui adj djacency matrix ix yang juga bernilai crips, ddimodelkan deengan simple ffuzzy cognitivee maps menghaasilkan waktuu konvergensi yang cepat hanya dengann rata-rata 5 iteerasi dan telah mencapai kesttabilan sistem. Pemodelan lebih komplekks dilakukan ddengan certainyy neuron fuzzyy cognitive mapps (CNFCM) ddengan bobot aactivation leveel yang bernillai pasti (crispp) dan bobot kausalitas yaang bernilai ffuzzy menghaasilkan m yang dinamaakan kondisi trransisi suatu pperilaku sistem dari suuatu stable fixxed point ke limit cycle m melalui periodaa yang panjanng. Perkalian m matriks yang terjadi antara matriks vektoor dan adjacenncy matriks E tidak matriks kausaliitasnya menyebbabkan perubaahan pada m tapi padda level aktivaasinya. Sistem yyang memilikii bobot matrikss antisimetrikk akan banyyak mempenngaruhi

Gambaar 4.5 CNFCM M dengan H1 on n W21 = -0.8 diiterasi seb banyak 150 iterrasi Hal ini menggambarkan n bahwa akan terjadi aksi jiika gga kondisi peemangsa dibuatt sangat-sangaat lapar, sehing memicu un ntuk konsep laiinnya turut unttuk aktif. Fenomena yang ditun njukkan pada gambar 4.4 4 hatkan suatu ko ondisi transisi dari suatu stab ble memperlih fixed pointt ke limit cyclle melalui periiode yang cuk kup panjang. Untuk U level akttivasi yang dib bangkitkan secaara random deengan nilai anttara [-1, 1] ak kan menghasilk kan 6


terjadinya negatif cycle yang akan menghalangi sistem untuk mencapai equilibrium pada fixed point tapi akan membawa ke perilaku limit cycle. 6.

131-139, Nov. 28-30. Mateou, N. H., Moiseos, M., and Andreou, A. S (2005). “Multi-Objective Evolutionary Fuzzy Cognitive Maps For Decision Support.” IEEE 0-7803-9363, pp 824-830, May. Mateou, N., Andreou, A.(2006) ”An Evolutionary Methodology To Eliminate Limit Cycle Phenomenon In Fcm-Based Models.” 2nd International Conference on Information and Communication Technologies, pp1651-1656. Mateou, N. H., Andreou, A. S. (2008) “A Framework For Developing Intelligent Decision Support Systems Using Evolutionary Fuzzy Cognitive Maps.” Journal of Intelligent & Fuzzy Systems. Vol. 19, pp 151-170. Mateou, N., Andreou, A., Stylianou, C (2008). “A New Traversing And Execution Algorithm For Multilayered Fuzzy Cognitive Maps.” IEEE World Conference on Computational Intelligence: Fuzzy Systems, pp 2216-2223, June 1-6. Mateou, N., and Andreou, A.(2009) “Facing Multi Collinearity In Fuzzy Cognitive Maps Environment Using Bias Nodes”. 3rd International Conference on Information and Communication Technologies: From Theory to Application, April 7-11. Michael Wooldrige, (2001). “An Introduction to Multiagent System,” John Wiley & Sons, LTD. M. Mataric, (December 1995) “Issues and approaches in the design of collective autonomous agents," Robotics and Autonomous Systems, vol. 16, pp. 321 - 331. Russell, Stuart J. and Peter Norvig. (1995). Artificial Intelligence: A Modern Approach. Englewood Cliffs, NJ: Prentice Hall. Weiss, Gerard. Multiagent Systems, (1999)“A Modern Approach to Distributed Artificial Intelligence,” Massachusetts: Massachusetts Institute of Technology. Y. Uny Cao, Alex S. Fukunaga, and Andrew B. Kahng, (March 1997) “Cooperative mobile robotics: Antecedents and directions," Autonomous Robots, vol. 4, no. 1, pp. 7 - 23.

DAFTAR PUSTAKA

A. Dickerson Julie, Kosko B.(1994) “Virtual World as Fuzzy Cognitive Maps”. Presence Vol-3 No. 2, pp73-89. 1994 A.M. Bruckstein, N. Cohen and A. Efrat.( July1991)” Ants, crickets and frogs in cyclic pursuit,” Technical Report 9105, Center for Intelligence Systems, Technion-Israel Institute of Technology, Haifa, Israel. AT Samiloglu, V Gazi, B Koku, (2006)“Asynchronous Cyclic Pursuit,” Lecture notes in computer science, Citeseer, Axelrod R. (1976). “Structure of Decision: the Cognitive Maps of Political Elites”. Princeton, NJ: Princeton University Press B. Kosko. (1986). “Fuzzy cognitive maps”. International Journal of Man Machine Studies, 24:66-75,. C. W. Reynolds, (July 1987). “Flocks, herds, and schools: A distributed behavioral model,” Comput. Graph., vol. 21, no. 4, pp. 25 - 34. C. Reynolds, (1999) “Steering behaviors for autonomous characters,” Game Developers Conference 1999, pp. 763 – 782. Available from: . Gibson, W. (1984). Neuromancer. New York: Ace book K. Tsadiras Athanasios,(1999)” An Experimental Study Of The Dynamics Of The Certainty Neuron Fuzzy Cognitive Maps”. Neurocomputing. v24. 95-116. Khan Shamim M, Chong Alex.(2004) “Fuzzy Cognitive Map Analysis with Genetic Algorithm”. Kandasamy, W. B. V., Smarandarche, F.(2003) “Fuzzy Cognitive Maps and Neutrosophic Cognitive Maps”. Xiquan. Phoenix. Kruger, M. (1991). Artificial Reality II (2nd ed.). Reading, MA: Addison – Wesley Lincoln F.Donald, (2009) “Automated Demand Response Applied to a set of Commercial Facilities”. Dissertation University of New Mexico. Markintos Ath., Papageorgiou El.(2007). “Introducing Fuzzy Cognitive Maps for Decision Making in Pricision Agriculture”. Elsivier, Procision Agriculture. Mateou, N., Andreou, A. (2005) “Tree Structured MultiLayer Fuzzy Cognitive Maps For Modeling Large Scale, Complex Problems.” International Conference on Computational Intelligence for Modeling, Control, and Automation, Vol. 2, pp 7

PEMODELAN PERILAKU HUNTER-PREY DENGAN FUZZY COGNITIVE MAPS MENGGUNAKAN METODE CRIPS DAN FUZZY WEIGHT ANALYSIS

Recommend Documents