3-1
Pemodelan Matematis untuk PePespektif Perilaku Agen Cerdas
Pembeli dengan Pendekatan (MOEA) NSGA II
Dwi Rolliawati
Dosen Sistem Komputer, Universitas Narotama Abstrak
A g e n a d a l a h suatu entitas perangkat lunak komputer yang memungkinkan user (pengguna) untuk mendelegasikan tugas kepadanya secara mandiri (autonomously). Agen memiliki kemampuan cerdas untuk berkolaborasi dengan user, melakukan fungsi monitoring dan learning untuk memenuhi kebutuhan user. Dalam melakukan fungsi monitoring dan learning, maka seorang agen harus dibekali kecerdasan buatan. Dalam penelitian ini, diusulkan desain perilaku agen pembeli dengan pendekatan optimasi multi objektif menggunakan algoritma MOEA (Multi Objective Evolutionary Optimization). Konsep multi kriteria pada agen dalam makalah ini didasarkan teori Constraint Satisfaction Problem (CSP). Hasil dari penelitian ini, agen pembeli memiliki multi kriteria untuk memutuskan “membeli, negosiasi atau tidak membeli”.
Kata Kunci: agen, autonomously, monitoring, learning, pembeli, multi objektif, multi kriteria, optimasi, MOEA, CSP.
1. Pendahuluan
A ge n a da l a h suatu entitas perangkat lunak komputer yang memungkinkan user (pengguna) untuk mendelegasikan
tugas kepadanya secara mandiri
(autonomously). Agen memiliki
kemampuan cerdas untuk berkolaborasi
dengan user, melakukan fungsi
monitoring dan learning untuk
memenuhi kebutuhan user. Dalam
melakukan fungsi monitoring dan
learning, seorang agen harus dibekali kecerdasan buatan. Dalam dunia nyata, pembeli memiliki kecerdasan dalam memilih barang yang akan dibeli, memilih penjual yang menurutnya nyaman dan menguntungkan. Seorang
pembeli akan mempertimbangkan
banyak hal (multi criteria) ketika akan memutuskan membeli sesuatu. Variabel pertimbangan yang paling umum dari sisi pembeli adalah harga minimal dengan kualitas yang baik. 2 kriteria ini
sangat bertentangan, inilah yang
dinamakan kasus multi objektif.
Penelitian tentang agent pembeli telah
banyak dilakukan [1,2,3,4]. Dalam
penelitian sebelumnya [1] dibuat agen pembeli berbasis hierarchical finite state machine (HFSM) untuk mensimulasikan
keputusan SCM Procurement. Akan tetapi persoalan multiobjektif dalam penelitian tersebut masih belum dikembangkan dan
system yang digunakan banyak
kelemahannya. Rumusan dalam bentuk model matematis dari strategi agent pembeli dan penjual supaya saling menguntungkan [2]. Masih berkorelasi
tentang agen pembeli, [3]
mengembangkan agen pembeli berbasis logika Fuzzy untuk proses negosiasi otomatis dalam ecommerce. Sedangkan
peneliti yang lain [4] telah
mengembangkan pendekatan optimasi multi objektif pada agen pembeli dan penjual menggunakan teknik priority based matchmacing algoritma genetika.
Merujuk dari berbagai penelitian
tersebut, diusulkan autonomous agen pembeli studi kasus agen pembelian
laptop dengan pendekatan Multi
Objective Evolutionary Optimization
(MOEA) menggunakan Non Dominant Sort Genetic Algorithm II atau lebih dikenal dengan nama MOEA NSGA-II. Adapun konstrain dari multi kriteria variabel didasarkan pada teori Constraint Satisfaction Problem (CSP).
Penelitian ini bertujuan untuk
3-2
(autonomous) yang dapat diaplikasikan
dalam membantu pengambilan
keputusan seorang purchasing/agen
pembelian laptop dalam bentuk game. Akan tetapi simulasi game dalam penelitian belum terimplementasikan. Hasil akhir dari penelitian ini untuk sementara adalah varian nilai fungsi fitness yang merupakan output dari agen pembeli ini. Sehingga pembeli akan memutuskan pada state membeli, bernegosiasi atau tidak membeli. State
perilaku agen ditunjukkan melalui
model Finite State Machine (FSM). Formula dan simulasi dalam penelitian ini bisa digunakan sebagai sarana edutainment untuk mata pelajaran ekonomi.
2. Metode yang diterapkan
Untuk membuat autonomous agen pembeli dari parameter multi objektif yang saling bertentangan maka dibuat
suatu pengendali optimisasi multi
objektif Non Dominant Sort Genetic Algorithm II (NSGA-II).
Gambaran sistem pada penelitian
ini,terlihat pada gambar 1. Dimulai dari
inisial variabel criteria pembeli,
kemudian diolah menggunakan
algoritma NSGA-II, sehingga
menghasilkan nilai fitness yang dapat menentukan keputusan bagi pembeli
tersebut. Kriteria pembeli pada
penelitian ini didasarkan dari hasil survey pembeli laptop masyarakat umum. Sedangkan alur sistem dari algoritma NSGA 2 dapat dilihat pada gambar 2.
Gambar 1. Desain sistem secara keseluruhan
Gambar 2. Alur Algoritma NSGA 2 Proses seleksi memilih individu yang baik (fit) pada algoritma NSGA II menggunakan teknik non dominant sort dan crowding
distance. Kedua teknik tersebut
ditunjukkan pada tabel 1 dan 2. 2.1 Perspektif Pembeli
Perilaku konsumen sebagai perilaku pembeli akhir baik individu maupun rumah tangga yang membeli produk untuk konsumsi personal. Dari definisi tersebut ditarik kesimpulan yaitu :
1) Perilaku konsumen menyoroti
perilaku individu dan rumah tangga
2) Perilaku konsumen menyangkut
suatu proses keputusan sebelum membeli serta tindakan memperoleh,
memakai, mengkonsumsi dan
menghabiskan produk.
Dari teori tersebut, agen pembeli pada penelitian ini memiliki variabel harga, spesifikasi/kapasitas barang (prosesor, memori, harddisk), yang dipengaruhi oleh
faktor ketertarikan pembeli (buyer
Multi Kriteria Pembeli: Harga Prosesor Memori Harddisk Bobot MOEA NSGA 2 Nilai fitness Keputusan Agen pembeli
Initialise Populasi gen
Pop Classified Crossover Mutation Apakah Pop Terklasifikasi STOP Start Gen=gen+1 Fitness NO Yes No Mengidentifikasi Individu yang dominan
3-3
preference). Variabel ketertarikan
pembeli berhubungan dengan factor psikologi dari agen. Seorang agen pembeli tidak selamanya menginginkan mempunyai barang yang murah dengan kapasitas sempurna. Aksi autonomous agen dalam penelitian ini digambarkan sebagai berikut:
Gambar 3. Diagram blok autonomous agen pembeli 2.2 Constraint Satisfaction Problem Dalam menyelesaikan suatu kasus diberikan nilai konstrain dibagi menjadi 2 yaitu konstrain tegas (hard constraint) dan lunak (soft constraint). Konstrain tegas adalah fungsi yang harus sama persis (equal to). Sedangkan konstrain lunak adalah fungsi yang fleksibel,
memiliki range tertentu dalam
menyelesaikan permasalahan, dan
konstrain inilah yang digunakan untuk penyelesaian penelitian ini. Dalam perspektif agen pembeli notebook konstrain lunak ini dikategorikan
1. lebih banyak adalah lebih baik,
meliputi parameter prosesor,
memori, harddisk. Dalam
penelitian ini dinamakan fungsi maksimal kapasitas
2. lebih sedikit adalah lebih baik, yaitu harga. Dalam penelitian ini dinamakan fungsi minimal harga.
2.3 Model Matematis Fungsi Fitness
Visi umum dari penelitian ini adalah penyelesaian kasus multi objektif yang saling bertentangan. Berdasarkan teori
ekonomi, dalam kasus pembelian,
seorang pembeli memutuskan membeli dengan mempertimbangkan:
P = x1 . harga + x2. Kualitas + x3. Kultur
+
x4. Learning ….+ xn.yn
Dimana xi-n adalah variabel preference
dari pembeli itu sendiri dengan
∑ = 1
, sedangkan y adalah variabel
pertimbangan pembeli. Sehingga dari perumusan tersebut, ditentukan :
1. Fungsi maksimal (f1), yaitu fungsi
kapasitas. Fungsi ini dipengaruhi oleh
penilaian pembeli bigf , bobot
ketertarikan agen terhadap
masing-masing kapasitas laptop yang
ditawarkan (Prosesor, memory dan
harddisk). Selain memiliki bobot
tersebut yang berbentuk matrik 3 x N, fungsi ini juga memiliki bobot kumulatif
. Bobot ini adalah sebagai variabel
pembanding terhadap fungsi harga.
Adapun bigf ∈ {−1,1} dipengaruhi oleh
nilai penawaran penjual (),
kemampuan minimal pembeli (ℯ ),
nilai ekpektasi pembeli (ℯ . Dengan i sebagai pembeli, f sebagai fungsi konstrain lunak, k jumlah variabel kapasitas (Prosesor, hardisk, memory) dan g adalah produk yang ditawarkan. Sehingga dapat dituliskan :
= dimana: != " # $% & dengan 0 ≤ ≤ 1 , )* "#% = 1 & $ = + ,, -,, . 1, ≥ ℯ 0ℯ 1 ℯ−ℯ , ℯ1 < ≤ ℯ −1, < ℯ 1
3-4
2. Fungsi minimal (f2) yaitu fungsi harga
Fungsi ini dipengaruhi oleh penilaian
pembeli bigf, bobot ketertarikan
3 agen terhadap harga yang
ditawarkan dan fungsi kapasitas f1 .
Tidak selamanya agen pembeli
menginginkan produk dengan harga yang murah, akan tetapi bergantung
pada bobot ketertarikan agen
terhadap sesuatu yang ditawarkan. Hampir sama dengan fungsi yang
pertama, dalam menentukan bigf
∈ {−1,1} fungsi ini dipengaruhi oleh
nilai penawaran penjual (),
kemampuan maksimum pembeli
(ℯ 45), nilai ekpektasi pembeli (ℯ . Dengan i adalah pembeli, f sebagai fungsi konstrain lunak dan g adalah produk yang ditawarkan. Sehingga dapat dituliskan : 6= − + 6 89 ) Dimana : 3= 1 − $ = + , -, . 1, ≤ ℯ ℯ:; <=>0 ?@; ℯ:; <=>0 ℯ:;, ℯ < ≤ ℯ 45 −1, > ℯ 45
Maka dapat juga dituliskan :
6 = − + − 89 )
Perhitungan nilai fitness dari
beberapa fungsi diatas akan
menentukan keputusan state
autonomous agen pembeli. Dimana:
bigf : fungsi penilaian pembeli
agf : penawaran penjual
eif : nilai ekspektasi pembeli
eifmin: kemampuan minimum pembeli
eifmax: kemampuan maksimal pembeli
! : fungsi intermediate agen
B,3 : fungsi objektif agen
: bobot ketertarikan terhadap
kapasitas
: bobot kumulatif kapasitas
3 : bobot kumulatif harga
2.4 Finite State Machine Agen Cerdas
Pembeli
Finite State Machine (FSM) atau disebut juga finite state automata merupakan suatu model abstraksi matematis yang
biasanya digunakan untuk
merepresentasikan logika digital atau pemrograman computer. Metode ini seakan menjadi standard dan telah digunakan secara luas dibidang game. Hal
ini karena kesederhanaan dan
kemudahan FSM diimplementasikan pada game.
FSM pada dasarnya adalah pemodelan dari perilaku sebuah sistem/objek dengan beberapa kondisi yang terdefinisikan. Di mana objek tersebut dapat bertransisi ke state tertentu setiap waktu dengan batasan angka dari kondisi atau objek yang ditentukan. FSM terdiri dari dua elemen utama yaitu state (keadaan) dan transition (transisi). State merupakan keadaan objek saat ini, sedangkan transition merupakan hal yang dilakukan agar bisa berpindah dari satu state ke state yang lain. Dalam penelitian ini FSM digunakan untuk memodelkan perilaku autonomous agen pembeli yang terdiri dari beberapa state seperti terlihat pada gambar dibawah ini.
3-5
3. Pembahasan Hasil
Pada penelitian ini proses optimisasi
multi objektif berbasis NSGA-II
digunakan sejumlah 404 sampel data. Berikut potongan tabel data terlihat pada gambar 3.
Keterangan gambar:
,Penawaran penjual
(Prosesor,Memory, Hardisk)
,Penawaran penjual (harga)
1 , kemampuan minimal
Pembeli (P, M, H)
, ekspektasi pembeli (P, M, H)
, Ekspektasi harga pembeli
45 , Harga Maksimal Pembeli
, Bobot pembeli terhadap P, M,
H
,3 ,Bobot pembeli terhadap 2
fungsi minimal dan maksimal
Gambar 5. Data sampel
Dari data sampel yang ada diperoleh hasil observasi dari algoritma MOEA NSGA-II berupa grafik pada gambar 5.
Sumbu x menunjukkan fungsi fx1 yaitu
fungsi kapasitas , sumbu y menunjukkan
fungsi fx2 yaitu fungsi harga. Grafik
gambar 5 menunjukkan adanya
hubungan berbanding terbalik diantara 2 fungsi tersebut.
Gambar 5. Hasil observasi dari algoritma NSGA-II
Tabel 3: Tabel Hasil Observasi
p w1 w2 fx1 fx2 1 0.7 0.3 1.245 0.105 2 0.8 0.2 1.6 0.2 3 0.9 0.1 1 0.8 4 0.3 0.7 0.47 -0.9 5 0.6 0.4 0.4 0 6 0.5 0.5 0.6 0.6 7 0.3 0.7 0.3 -0.5 8 0.7 0.3 0.1 -0.3 9 0.2 0.8 0.9 0.14 10 0.6 0.4 0.5 0.1
Berdasarkan dari tabel hasil dapat dianalisa bahwa : agen pembeli ke i=1 (
lihat tabel 3) mempunyai data
ketertarikan spesifikasi sebesar w1= 0,4
danw2= 0,6 untuk harga. Setelah melalui
proses MOEA NSGA II, ternyata penilaian agen terhadap spesifikasi yang diberikan
penjual (fx1) hanya 0,2 sedangkan
penilaian harga sebesar (fx2) 0,45 maka
agen akan memutuskan untuk
bernegosiasi, karena nilai fx3 = 0,47.
Dalam permasalahan ini agen memiliki ketertarikan terhadap harga sangat tinggi, tetapi agen menilai bobot harga yang ditawarkan penjual hanya 0,45 sehingga agen akan melakukan negosiasi untuk memperoleh hasil yang diinginkan.
3-6
4. Kesimpulan
Dengan menggunakan MOEA NSGA II, dapat diperoleh solusi yang optimal untuk permasalahan multi objektif pada
autonomous agen pembeli laptop.
Sekalipun memerlukan waktu yang agak lama dalam proses eksekusi pencarian
non dominat sort nya. Perilaku
autonomous agen pembeli akan lebih baik lagi jika ditambahkan lebih banyak parameter seperti: waktu pengiriman, lama garansi, dan servis. Semakin banyak knowledge yang diberikan pada automonomus agen pembeli maka akan
semakin akurat dalam proses
pengambilan keputusan. Kedepan,
penelitian ini akan dikembangkan
dengan penambahan autonomous agen penjual dan diimplementasikan dalam bentuk game.
5. Pustaka
[1] Prajitno Imam, Simulasi
Pengambilan Keputusan Multi
Objektif SCM Procurement
menggunakan Hierarki State Machine, , Seminar Nasional MMT - ITS, 2009
[2] Claudia V.Goldman, Sarit
Kraus, Onn Shehory, Agent Strategies : for sellers to satify purchase-orders, for buyer to select sellers, NSF under grant No.IIS980657, IBM.
[3] R. Manjavacas, J.J Castro Schez, A Fuzzy Buyer Agent for
An Automatic Negotiation
Framework On E-Commerce, EUSFLAT – FLA, 2005.
[4] Xiaohui Li, Tomohiro
Murata,Priority based
Matchmaching Method of Buyer
and Supplier in B2B
e-marketplace Using Multi-objektif
Optimization, Proceedings of
International MultiConference of Engineers and Computer Scientists (IMECS) Vol.1, 2009
[5] Deswindi Leli, Kecepatan Tingkat Penerimaan dan Perilaku Konsumen
terhadap produk lama yang
Mengalami Perubahan dan Produk
Inovasi Baru dalam Upaya
Memasuki dan Merebut Pasar, Business & Management Journal Bunda Mulia Vol.3, 2007
[6] Jong-Jin Jung, Geun-Sik Jo,
Brokerage between buyer and seller agents using Constraint
Satisfaction Problem models,
ELSIVIER. Decision Support
Systems 28 2000 293–304.
[7] Aravind Seshadri, Multi-Objective Optimization Using Evolutionary Algorithms (MOEA).
[8] Abdullah Konak, David W. Coit, Alice E. Smith. Multi-objective
optimization using genetic
algorithms: A tutorial, 2006.
[9] Srivanandam SN, Deepa SN.
Introduction to Genetic Algorithms. ISBN 978-3-540-73189-4, Springer Berlin Heidelberg New York. 2008
[10] Frederick C. Hennie,
Finite-State Models for Logical Machines, Wiley, New York.