Kebutuhan Sistem Kontrol untuk System Robot Mandiri (Autonomous Robot System-ARS)

Untuk membiarkan sistem robot mandiri (ARS) bekerja pada dunia nyata, kontrol dan sistem sensor harus memperhatikan tantangan yang diakibatkan oleh keitdakpastian observasi terhadap lingkungan dan kondisi tugasnya. Oleh karena itu, harus diperhatikan seberapa jauh kebutuhan sistem kontrol yang akan digunakan untuk mendesaian sistem robot mandiri. Ada beberapa aspek yang harus diperhatikan, diantaranya :


Sistem kontrol robot bersifat sensor driven

Satu masalah yang dihadapi pada lingkungan yang tidak terstruktur adalah tidak mungkin memperkirakan hasil dari tiap aksi secara tepat. Kondisi ini juga menunjukkan sedikitnya kemungkinan menemukan deret aksi yang akan memecahkan tugas yang diberikan berdasarkan semua kemungkinan yang telah diperhitungkan sebelumnya.

Oleh karena itu sistem kontrol robot harus dikendalikan sensor(sensor driven) dan mengijinkan robot untuk bereaksi terhadap kejadian (event) yang tidak diharapkan secara on line. Pendekatan kontrol reaktif seperti ini dapat menjadi robust dengan mempertimbangkan gangguan yang terbatas dan dapat memperbaiki diri secara mandiri terhadap gangguan yang tak dapat dimodelkan tanpa memerlukan perencanaan ulang. Hal ini memberikan respon level rendah yang lebih fleksibel terhadap situasi baru dan mengijinkan robot untuk melakukan tugas pada konsidi munculnya noise pada sensor dan terjadinya perubahan kondisi lingkungan.

Arsitektur kontrol yang adpatif

Untuk mengatasi perubahan yang besar pada lingkungan saat run-time sebagaimana juga perubahan pada misi/tugas yang terus menerus, ARM harus mampu mengubah kebijakan kontrolnya untuk menyesuaikan dengan semua kondisi baru. Secara umum, hal ini membutuhkan arsitekrut sistem kontrol adapatif. Bergantung pada kondisi operasi, variasi yang luas dari mekanisme machine-learning dapat digunakan untuk melakukan adaptasi. Pada misi yang mengijinkan pengawasan oleh operator luar, metode pengajaran dapat dilakukan dan juga dengan memodifikasi strategi kontrol yang telah diprogram sebelumnya untuk melakukan tugas yang diperlukan.

Namun, pada banyak aplikasi diluar, guidance tidak tersedia. Pada situasi ini, sistem belajar mandir yang lebih baik sehingga strategi kontrol dapat menyesuaikan dengan kontek lingkungan tanpa masukan guru. Aplikasi yang seperti ini, berkisar dari aplikasi di daerah terpencil atau lingkungan berbahaya yang tidak memfasilitasi kehadiran manusia, sampai pada aplikasi untuk urusan rumah tangga yang bekerja sesuai dengan keinginan pemilik tanpa melakukan akses ke robot yang telah dilatih oleh operator/guru.

Memenuhi batasan keamanan

Spesifikasi dasar untuk arsitektur kontrol untuk keperluan ARS adalah ia memenuhi batasan keamanan tertentu untuk menghindari kegagalan besar dan tak dapat diperbaiki. Hal ini khususnya penting ketika tugas baru dilatihkan tanpa pengawasan dan ketika pengaruh perbedaan aksi harus ditentukan melaui uji coba. Namun, mekansime untuk memenuhi kebutuhan keamanaa dapat dimanfaatkan untuk sistes teleoperasi yang besar yang dapat membantu mengurangi resiko kerusakan dan kegagalan menyeluruh karena kesalahan operator. Arsitektur kontrol untuk sistem robot seyogyanya menyediakan mekanisme yang membatasi sistem behavior agar dapat mengakomodasi kebutuhan keamanan dan kekokohan. Oleh kerena itulah dibituhkan sarana/alat yang dapat membatasi proses belajar dengan tujuan untuk menghindari aksi yang dapat mengganggu sifat-sifat kritis dari sistem behavior.

Kemampuan Belajar

Sifat arsitektur yang lain yang mendukung autonomy dan adaptasi adalah kemampuan untuk menggabungkan pengatahuan awal atau pengetahuan yang diperoleh untuk mempercepat proses belajar. Untuk membuat adaptasi mandiri lebih praktis, pembelajaran harus menghasilkan kebijakan sensorimotor yang bermanfaat untuk sebagian besar tugas. Untuk mencapai efisiensi dan fleksibiltas yang demikian, arsitektur kontrol haurs mengijinkan robot untuk memperoleh keuntungan dari semua informasi luar yang tersedia pada kontek tertentu.

Penggunaan yang efektif dari pengetahuan kontrol luar dapat menghasilkan mode operasi yang berbeda. Khususnya, jika pengetahuan awal tersedia cukup, dimungkinkan untuk menentukan kebijakan kontrol yang tepat sebelumnya, mengurangi kebutuhan belajar secara on-line. Jika tidak ada informasi yang tersedia, arsitektur kontrol harus mampu menentukan kebijakan kontrol secara mandiri (autonomously). Untuk sepenuhnya menggunakan pengetahuan kontrol, sistem kontrol seharunya mendukung operasi pada berbagai tingkatan otonomi, dari terprogram penuh yang perilakunya sebagain dikendalikan oleh operator sampai ke otonomi penuh, berjalan secara bebas, terbebas dari intervensi.

LEGAL ISSUESSoftware PiracySoftware Piracy yang berarti pembajakan software merupakan masalah yang serius dalam industri computer. Software Piracy adalah pembajakan dan pendistribusian software-software secara illegal. Peralatan-peralatan yang bisa menciptakan komoditas informasi dapat digunakan untuk mencuri, dalam kasus ini mencuri software. Situasi ini juga diperburuk oleh kehadiran PC dimana-mana. Namun dalam rangka memberantasnya, beberapa perusahaan mengupayakan sebuah rencana perlindungan terhadap software dan hardware, dengan cara menggabungkan sebuah ‘dongle’ dengan sebuah program. Dongle adalah komponen kecil pada hardware yang terhubung dengan PC melalui USB atau data port lain. Dengan adanya rancangan ini, sebuah software tidak dapat bekerja tanpa gabungan dongle dan program tersebut. L is for LawsuitIndustri computer juga mempunyai apa yang disebut dengan perkara hukum atau yang lebih dikenal dengan ‘lawsuit’. Fokusnya adalah mengenai perlindungan terhadap hak cipta dan hak paten. Hak cipta mengkondisikan suatu hak kepemilikan dalam jangka panjang yang dilandasi oleh sebuah konsep tanpa melindungi konsep itu sendiri. Sedangkan hak paten mengkondisikan sebuah hak kepemilikan jangka pendek yang berdasar atas sebuah konsep tanpa tertuju pada perwujudan konsep tersebut. Y2KIsu ini sangat gencar pada akhir abad lalu. Y2K disebut-sebut sebagai sebuah bom potensial yang akan mengahncurkan komunitas global. Mengapa demikian? Para ahli programmer terdahulu bekerja dengan hardware dan storage system yang terbatas. Mereka merancang sebuah system penanggalan yang hanya dapat membaca dua digit akhir. Hal ini diduga akan menjadi sebuah kekacauan ketika memasuki tahu 2000, yang berarti system tanggal akan membaca dua angka “0” terakhir (00), yang padahal system tersebut telah membaca angka yang sama pada tahun 1900. Masalah ini dapat menjadi bencana besar bagi sektor yang menggunakan komputer dalam kehidupan sehari-hari. Hal yang dikhawatirkan antara lain transaksi yang sensitif terhadap tanggal akan mengalami kekacauan, kerugian global yang akan mencapai milyaran dolar, banyak negara yang tidak siap dengan Y2K, pemrogram harus bekerja untuk mengganti semua program yang sensitif terhadap Y2K, institusi, lembaga, maupun organisasi harus mengganti komponen yang terkena masalah ini, sampai keyakinan akan timbulnya kekacauan global sehingga banyak orang yang melakukan persiapan seperti menyiapkan stok kebutuhan sehari-hari dalam jumlah besar. Ternyata hal yang dikhawatirkan tidak terjadi, komputer tetap berjalan seperti biasa. Kepanikan terhadap isu ini terjadi karena banyak orang yang membesar-besarkan masalah ini, termasuk media. ARTIFIACIAL INTELLIGENCEArtificial Intelligence (AI) dikembangkan sistem dasar computer. AI adalah kecerdasan buatan yang dapat menduplikasikan sifat-sifat penting manusia, yaitu kemampuan berpikir. Elemen-elemennya antara lain : Natural Language Processing Natural Language Processing dapat mempermudah komunikasi antara manusia dan computer. Kita tidak perlu menggunakan perintah dalam bentuk kode kepada komputer karena program ini. Speech RecognitionSpeech Recognition merupakan bagian dari Natural Language Processing, yang membuat komputer dapat mengerti ucapan dan kata-kata manusia dalam bentuk verbal. Hal ini memudahkan manusia khususnya mereka yang mengalami cacat fisik seperti buta untuk dapat menuliskan pesan pada komputer tanpa harus menyentuh keyboard. Mereka hanya tinggal berbicara pada mic dan komputer akan mengenali instruksi dari suara kita. Expert SystemsExpert systemSistem ini berfungsi sebagai penasihat seperti manusia. Dengan sistem ini, komputer dapat berfungsi sebagai dokter, pengacara, maupun psikolog yang dapat memberikan saran bagi manusia Expert System dapat membantu mengisi celah informasi, mendukung lahan di mana ada banyak manusia ahli, melindungi dalam arti pengetahuan dan pengalaman yang akan hilang ketika manusia mati. Computer VisionIbaratnya penglihatan oleh mata manusia yang kemudian diinterpretasikan oleh otak, komputer menjadikan dirinya sebagai otak yang dapat membaca dan menganalisa gambar yang dihasilkan sebuah kamera sebagai indera penglihatannya. Komputer dapat mengidentifikasi berbagai macam objek dalam sebuah gambar apabila objek tersebut sesuai dengan representasi yang sudah dimasukkan manusia sebelumnya. Ini berarti campur tangan manusia sangat berpengaruh. Namun dewasa ini, dengan berkembangnya berbagai jenis teknologi, manusia ingin menciptakan autonomous robotic vehicles, yaitu robot buatan yang dapat memproses sendiri informasi visual yang ditangkapnya, tanpa campur tangan manusia. Philosophical ImplicationsDengan diciptakannya kecerdasan artifisial, sebagian orang percaya bahwa kecerdasan ini akan menggantikan jutaan pekerjaan manusia. Namun banyak juga yang tetap mendukung adanya kecerdasan artifisial dengan sejumlah alasan. Menurut mereka yang mendukung, kecerdasan artifisial cuma sebuah alat, tidak akan menggantikan pekerjaan manusia secara utuh. Kecerdasan ini dikatakan dapat mengecilkan nilai kemanusiaan. Namun, yang terjadi justru sebaliknya yaitu kecerdasan ini meningkatkan kualitas hidup manusia.Kesimpulannya adalah, kita sebagai pengguna teknologi komputer mempunyai tanggungjawab di dalam menggunakan teknologi dan dampaknya dalam kehidupan sehari-hari. Teknologi ini akan semakin meningkatkan kualitas hidup manusia di masa sekarang dan masa yang akan datang bila digunakan secara tepat dan bertanggungjawab.

Kecerdasan Buatan - Menajamkan Otak Tumpul
Djoko Sardjono

KECERDASAN buatan (artificial intelligence) merupakan inovasi baru di bidang ilmu pengetahuan. Mulai ada sejak muncul komputer modern, yakni pada 1940 dan 1950. Ini kemampuan mesin elektronika baru menyimpan sejumlah besar info, juga memproses dengan kecepatan sangat tinggi menandingi kemampuan manusia.

Apa kecerdasan buatan itu? Bagian dari ilmu pengetahuan komputer ini khusus ditujukan dalam perancangan otomatisasi tingkah laku cerdas dalam sistem kecerdasan komputer. Sistem memperlihatkan sifat-sifat khas yang dihubungkan dengan kecerdasan dalam kelakuan atau tindak-tanduk yang sepenuhnya bisa menirukan beberapa fungsi otak manusia, seperti pengertian bahasa, pengetahuan, pemikiran, pemecahan masalah, dan lain sebagainya.

Kecerdasan buatan mungkin satu dari perkembangan yang paling penting di abad ini. Hal ini akan memengaruhi kehidupan negara-negara yang memainkan peranan penting dalam perkembangan kecerdasan buatan, yang kemudian muncul sebagai negara-negara adikuasa.

Pentingnya kecerdasan buatan menjadi nyata bagi negara-negara yang berperan sejak tahun 1970. Para pemimpin negara yang mengakui potensialnya kecerdasan buatan mengharap mendapat persetujuan jangka panjang untuk sumber-sumber yang memerlukan dana intensif.

Jepang adalah yang pertama kali melakukan itu. Negara ini mengembangkan program yang sangat berambisi dalam penelitian kecerdasan buatan.

Sebagai bidang ilmu pengetahuan komputer, kecerdasan buatan sebenarnya sudah mulai diselidiki pada 1930-an dan 1940-an. Waktu itu banyak cendekiawan mengembangkan ide-ide baru mengenai komputasi. Logika matematika selanjutnya menjadi bidang aktif dari penyelidikan kecerdasan buatan, karena sistem logika deduktif telah berhasil diimplementasikan dalam program-program komputer.

Seorang ahli matematika bernama Alan Turing, yang memiliki sumbangan besar dalam pengembangan teori kemampuan penghitungan (computability), bergumul dengan pertanyaan apakah sebuah mesin dapat berpikir atau tidak. Uji yang dilakukan adalah dengan mengukur kinerja (performance) mesin cerdas. Uji Alan Turing menjadi dasar bagi banyak strategi yang digunakan dengan menilai program-program kecerdasan buatan.

Awalnya, kecerdasan buatan hanya ada di universitas-universitas dan laboratorium penelitian, dan hanya sedikit produk yang dihasilkan dan dikembangkan. Menjelang akhir 1970-an dan 1980-an, mulai dikembangkan secara penuh dan hasilnya berangsur-angsur dipublikasikan di khalayak umum.

Permasalahan di dalam kecerdasan buatan akan selalu bertambah dan berkembang seiring dengan laju perkembangan zaman menuju arah globalisasi dalam setiap aspek kehidupan manusia, yang membawa persoalan-persoalan yang semakin beragam pula. Bidang-bidang yang hampir bersangkutan dengan kecerdasan buatan termasuk keahlian teknik atau teknik mesin, terutama listrik dan teknik mekanik, bahasa, psikologi, ilmu kognitif, dan filosofi. Robotik juga dianggap oleh beberapa peneliti sebagai cabang kecerdasan buatan, tapi yang ini tidak umum.

Dibandingkan dengan program konvensional, program kecerdasan buatan lebih sederhana dalam pengoperasiannya, sehingga banyak membantu pemakai. Program konvensional dijalankan secara prosedural dan kaku, rangkaian tahap solusinya sudah didefinisikan secara tepat oleh pemrogramnya. Sebaliknya, pada program kecerdasan buatan untuk mendapatkan solusi yang memuaskan dilakukan pendekatan trial and error, mirip seperti apa yang dilakukan oleh manusia. Program konvensional tidak dapat menarik kesimpulan seperti halnya pada program kecerdasan buatan kendati dengan informasi-informasi yang terbatas.

Buku Kecerdasan Buatan yang ditulis Andri Kristanto, dosen Ilmu Komputer Universitas Widya Dharma Klaten, cocok dan layak untuk dibaca para mahasiswa jurusan teknik informatika, manajemen informatika, ilmu komputer, atau jurusan lain yang sesuai.

I Pendahuluan
Akhir-akhir ini banyak dilakukan penelitian speech recognition dengan menggunakan informasi dari sebuah fonem, dengan melakukan penyusunan sebuah bentuk kata dari tata bahasa yang ada, akan tetapi apabila dilakukan terhadap pengucapan yang berurutan, dapat menimbulkan kesukaran saat menentukan segmentation dan recognition yang tepat pada fonem serta kata, salah satu penyebabnya dikarenakan kurang jelasnya pengucapan.

Dalam melakukan pengucapannya, manusia tidak hanya memahami dari fonem saja, melainkan juga dari intonasi irama pengucapan. Untuk sebuah percakapan, intonasi irama ini, merupakan hal penting yang perlu diperhatikan agar lawan bicara dapat memahami dengan jelas makna dari sebuah percakapan. Sehingga dapat dikatakan, Informasi dari intonasi irama ini, juga sangat penting dalam melakukan speech recognition dengan komputer.

Pada tulisan kali ini, sebagai salah satu aplikasi dari sampling fundamental frequency dengan metode MABC, akan dilakukan penentuan batas kata pada pengucapan berurutan dengan menggunakan informasi dari intonasi irama percakapan.

II Metode Penentuan Batas Kata
II.1 Algoritma Penentuan Batas Kata
Fundamental frequency hanya terdapat pada voiced sound, sedangkan batas kata tidak tergantung pada voiced maupun unvoiced sound. Apabila melakukan penentuan batas kata berdasarkan keadaan tersebut, akan terlalu sulit untuk dilakukan. Akan tetapi, dengan melakukan pengaturan interpolasi, dapat disusun suatu pola fundamental frequency yang berurutan, sehingga terbentuk informasi dari intonasi irama serta batas kata. Secara umum dapat dikatakan, lembah yang terdapat pada pola berurutan tersebut menunjukkan batas kata.

Algoritma penentuan batas kata ditunjukkan pada gambar 1, di bawah ini. Pertama, melakukan penentuan bagian unvoiced sound dengan menggunakan jumlah zero cross dan speech power. Lalu, interpolasi pada fundamental frequency bagian unvoiced sound, dan membuat pola interpolasi fundamental frequency yang berurutan. Dari pola ini, dilakukan differential orde pertama, untuk menentukan kandidat dari posisi yang diduga sebagai batas kata. Kemudian, dari hasil penentuan bagian unvoiced sound, dilakukan penghapusan kesalahan batas kata unvoiced sound dari penentuan kandidat batas kata dengan differential orde pertama. Batas kata yang benar dapat ditentukan dari nilai peak hasil differential orde pertama pada kandidat yang dianggap batas kata sebenarnya.

Gbr. 1. Diagram Cara Penentuan Batas Kata

II.2 Pembuatan Pola Interpolasi Fundamental Frequency
Dikarenakan tidak terdapatnya fundamental frequency pada bagian unvoiced sound (glottis tidak bergetar/istirahat/pause), akan terlihat bagian fundamental frequency yang terputus dipertengahan kata. Sehingga untuk melakukan proses analysis perubahan waktu fundamental frequency tidak dapat dilakukan begitu saja. Oleh karena itu, dilakukan interpolasi sebagai fundamental frequency bayangan hanya pada bagian unvoiced sound saja, lalu dilakukan pembuatan pola waktu fundamental frequency yang berurutan.

Proses pertama dalam pembuatan pola, untuk melakukan smoothing data fundamental frequency dalam interval voiced sound, tarik garis balik lurus pada data fundamental frequency yang telah ditambah frame di awal dan akhir, sehingga berjumlah frame. Nilai yang terdapat pada persinggungan garis dengan fundamental frequency digunakan sebagai data baru dari fundamental frequency.
Proses kedua, untuk interpolasi bagian unvoiced sound, dilakukan proses seperti proses pertama pada lebar interpolasi yang telah ditambah frame diawal dan akhir, sehingga berjumlah frame.

Parameter interpolasi ini, berhubungan dengan kecepatan pengucapan. Sehingga perbedaan setiap orangnya cukup besar. Oleh karena itu, penetapan nilai parameter ini seharusnya dihubungkan dengan kecepatan pengucapan, akan tetapi ini merupakan suatu hal yang sangat sulit untuk melakukan samplingnya. Maka, dilakukan percobaan dengan menetapkan nilai parameter interpolasi pertama , sebanyak 3 titik, dan parameter interpolasi kedua , sebanya 4 titik yaitu, 5, 10, 15, 20. Pada gambar 2 ditunjukkan contoh pengaturan interpolasi, dari gambar ini dapat diketahui, dengan , terinterpolasi dengan baik.

Gbr.2 Contoh Pengaturan Pola Interpolasi

II.3 Penentuan Pause
Dikarenakan adanya pengucapan kalimat secara berurutan dalam suatu percakapan, pertama-tama perlu dilakukan penentuan batas kalimat terlebih dahulu. Proses ini dilakukan dengan cara menggunakan pause yang terjadi sewaktu jeda pengambilan nafas, dengan kata lain melakukan pemenggalan kalimat. Untuk penetapan pause menggunakan jumlah zero cross dan speech power. Untuk panjang/lamanya pause, ditetapkan sebesar 300msec(1). Sedangkan speech power ditetapkan dibawah 60dB, dan jumlah zero cross di bawah 40 kali.

II.4 Penentuan Batas Kata dari Pola Fundamental Frequency
Lembah yang terdapat pada pola fundamental frequency hasil interpolasi mengandung batas kalimat dan batas kata. Untuk penentuan batas kata, dilakukan dengan penyamplingan dan digunakan sebagai kandidat batas kata. Tetapi, lembah ini juga terdapat pada batas syllable dalam kata, pada percobaan ini, tidak diperhitungkan, dan dianggap sebagai bagian dari batas kata. Guna menentukan lembah pola, posisi peak, pertama-tama, pada awal dan akhir informasi irama pola fundamental frequency ditambahkan frame sehingga berjumlah frame, dan dipergunakan sebagai data penarikan garis lurus, lalu dengan differential orde pertama pada kemiringannya, dilakukan perbandingan hasilnya dengan pola fundamental frequency.
Secara keseluruhan proses aturan penentuan tersebut seperti berikut,
1. Lembah pola fundamental frequency, merupakan posisi perubahan hasil differential dari nilai negatif ke positif.
2. Posisi peak, adalah posisi daerah perubahan nilai positif ke negatif dari hasil differential.

Dari lembah ini, dapat dihitung selisih ketinggian peak, dan dengan menetapkan nilai threshold, dapa diperkirakan batas kata yang lebih benar. Pada gambar 3, ditunjukkan cara penentuan batas kata tersebut. Dalam percobaan dipergunakan parameter differential yaitu, 5, 10, 15, dan 20.

Gbr. 3 Cara Penentuan Batas Kata

III. Percobaan Penentuan Batas Kata
III.1 Ketentuan Percobaan
Sebagai data suara dipergunakan suara percakapan announcer laki-laki sebanyak 25 kalimat, dan parameter lainnya dapat dilihat pada table 1, di bawah ini.

Tabel 1. Parameter dalam penentuan batas kata

III.2 Hasil dan Analisa
Contoh penentuan batas kata ditunjukkan pada gambar 4 di bawah ini. Dari gambar ini, terlihat dapat ditentukan dengan lebih tepat daerah pause pada speech power dan zero cross. Pada pola interpolasi fundamental frequency, sedikit terlihat perbedaan tinggi, yang dapat dikurangi dengan differential orde pertama, dan kesalahan penentuan daerah pause dapat dihilangkan, sehingga keseluruhan batas kata dapat ditentukan dengan benar.
Pada gambar 5, ditunjukkan hasil dari percobaan. Pada parameter , meskipun terlihat adanya kesalahan tambahan yang disebabkan adanya perbedaan tinggi signifikan pada fundamental frequency saat dilakukan differential orde pertama.
Pada parameter differential orde pertama dan lebar interpolasi terjadi tingkat penentuan batas kata yang tepat sebesar 80.5%.

Gbr. 4 Contoh Hasil Penentuan Batas Kata

Gbr. 5 Hasil Percobaan Penentuan Batas Kata

Algoritma semut

Algoritma semut diperkenalkan oleh Moyson dan Manderick dan secara meluas dikembangkan oleh Marco Dorigo, merupakan teknik probabilistik untuk menyelesaikan masalah komputasi dengan menemukan jalur terbaik melalui grafik. Algoritma ini terinspirasi oleh perilaku semut dalam menemukan jalur dari koloninya menuju makanan.

Tinjauan umum

Pada dunia nyata, semut berkeliling secara acak, dan ketika menemukan makanan mereka kembali ke koloninya sambil memberikan tanda dengan jejak feromon. Jika semut-semut lain menemukan jalur tersebut, mereka tidak akan bepergian dengan acak lagi, melainkan akan mengikuti jejak tersebut, kembali dan menguatkannya jika pada akhirnya merekapun menemukan makanan.

Seiring waktu, bagaimanapun juga jejak feromon akan menguap dan akan mengurangi kekuatan daya tariknya. Lebih lama seekor semut pulang pergi melalui jalur tersebut, lebih lama jugalah feromon menguap. Sebagai perbandingan, sebuah jalur yang pendek akan berbaris lebih cepat, dan dengan demikian kerapatan feromon akan tetap tinggi karena terletak pada jalur secepat penguapannya. Penguapan feromon juga mempunyai keuntungan untuk mencegah konvergensi pada penyelesaian optimal secara lokal. Jika tidak ada penguapan sama sekali, jalur yang dipilih semut pertama akan cenderung menarik secara berlebihan terhadap semut-semut yang mengikutinya. Pada kasus yang demikian, eksplorasi ruang penyelesaian akan terbatasi.

Oleh karena itu, ketika seekor semut menemukan jalur yang bagus (jalur yang pendek) dari koloni ke sumber makanan, semut lainnya akan mengikuti jalur tersebut, dan akhirnya semua semut akan mengikuti sebuah jalur tunggal. Ide algoritma koloni semut adalah untuk meniru perilaku ini melalui 'semut tiruan' berjalan seputar grafik yang menunjukkan masalah yang harus diselesaikan.

Algoritma optimisasi koloni semut telah digunakan untuk menghasilkan penyelesaian yang mendekati optimal pada masalah salesman yang melakukan perjalanan. Algoritma semut lebih menguntungkan daripada pendekatan penguatan tiruan (simulaten annealing) dan algoritma genetik saat grafik mungkin berubah secara dinamis; algoritma koloni semut dapat berjalan secara kontinyu dan menyesuaikan dengan perubahan secara waktu nyata (real time). Hal ini menarik dalam routing jaringan dan sistem transportasi urban.