Anda di halaman 1dari 14

1

| S1 Pagi – Teknik Informatika |
STIKOM Banyuwangi

ARTIFICIAL INTELLIGENCE

A L G O R I T M A P E N C A R I A N (Searching
Algorithm)

Dosen Pengampu :
Sulaibatul Aslamiyah, S.Kom
Disusun oleh :
Nurul Ichwanti (1111100736)

S1 – TEKHNIK INFORMATIKA

Kecerdasan Buatan | Artificial Intelligence

id DAFTAR ISI Halaman Judul 1 Daftar Isi 2 BAB 1 PENDAHULUAN BAB 2 BEST FIRST SEARCH 2.1 Greedy Best First Search 6 2.1.( 0333) .2 | S1 Pagi – Teknik Informatika | STIKOM Banyuwangi Jl.3 Perbandingan Greedy Best First Searh dan Algoritma A* BAB 3 BRANCH AND BOUND 3.1 Metode Branch and Bound dengan Dynamic Programmming 4.2 Algoritma A* 8 2.stikombanyuwangi.3 Kelebihan dan kekurangan 14 BAB 5 10 KESIMPULAN 13 15 Kecerdasan Buatan | Artificial Intelligence .3 Kelebihan dan kekurangan 12 BAB 4 BRANCH AND BOUND DENGAN DYNAMIC PROGRAMMING 4.1.1 3 Metode Best First Search 5 2.ac.1 Metode Branch and Bound 11 3.1. Ahmad Yani 80 Banyuwangi Telp.2 Contoh soal dan penyelesaian 13 4.7766990 E-mail :www.2 Contoh soal dan penyelesaian 11 3.

Permasalahan ini merupakan hal penting dalam menentukan keberhasilan system kecerdasan buatan. Hill climbing. Metode Penyelesaian Optimal. Branch and Bound. Dynamic Programming dan A*. Kecerdasan Buatan | Artificial Intelligence . Beam Fisrt. Metode pencarian dibagi menjadi 3 bagian. Depth First Search. dapat dilihat pada bagan dibawah ini : Gambar 1. Metode yang termasuk pada bagian ini adalah British Museum Procedure. 2.1 Bagan Metode Penelusuran (Searching) Keterangan : 1.BAB 1 PENDAHULUAN Permasalahan pencarian adalah merupakan yang sering dijumpai oleh peneliti di bidang Kecerdasan Buatan. dan Best First Search. Metode-metode ini digunakan pada saat harga perjalanan untuk mencari kemungkinan menjadi perhitungan. Metode Pencarian Buta. merupakan metode sederhana yang hanya berusaha mencari kemungkinan penyelesaian. Metode yang termasuk pada bagian ini adalah Breadth First Search. merupakan metode yang lebih kompleks yang akan mencari jarak terpendek.

merupakan metode yang digunakan saat berhadapan dengan musuh. dimana setiap state menggambarkan kemungkinan posisi pada suatu saat. dimana setiap state menggambarkan hipotesis dalam sebuah rangkaian deduktif. Prosedur ini adalah minimax search. d. baik harus : Mendefinisikan suatu ruang keadaan.  Secara umum. alpha beta pruning.dsb. Menetapkan satu atau lebih tujuan. Pada makalah ini saya hanya membahas tiga pokok bahasan saja (menyesuaikan tugas). Menetapkan kumpulan aturan. b. c.3. Menerapkan satu atau lebih keadaan awal. Metode Permainan.  Metode pencarian dikatakan penting untuk perencanaan karena dalam sebuah permainan akan menentukan apa yang harus dilakukan. untuk mendeskripsikan suatu permasalahan dengan a.  Metode pencarian adalah bagian dari kesimpulan. yakni : 1) Best First Search 2) Branch and Bound 3) Branch and Bound dengan Dynamic Programming BAB 2 BEST FIRST SEARCH Kecerdasan Buatan | Artificial Intelligence .  Metode pencarian dikatakan penting untuk menyelesaikan permasalahan karena setiap state (keadaan) menggambarkan langkah-langkah untuk menyelesaikan permasalahan. Metode ini banyak digunakan pada program-program permainan seperti catur.

2.2. Tujuan menggabungkan dua tekhnik search ini adalah untuk menelusuri satu jalur saja pada satu saat. Untuk mendapatkan jalur yang menjanjikan adalah dengan memberikan skala prioritas pada setiap state saat dihasilkan dengan fungsi heuristic. CLOSED  berisi simpul-simpul yang tidak mungkin terpilih sebagai simpul terbaik ( peluang untuk terpilih sudah tertutup ) Kecerdasan Buatan | Artificial Intelligence .  Pencarian diperkenankan mengunjungi node yang ada di level yg lebih rendah jika ternyata node pada level yg lebih tinggi ternyata memiliki nilai heuristik yg buruk. OPEN  berisi simpul-simpul yang masih memiliki peluang (peluangnya masih terbuka ) untuk terpilih sebagai simpul terbaik. Contoh :  Untuk mengimplementasikan metode ini.node.1 Metode Best First Search Merupakan metode/teknik search yang menggabungkan kebaikan yang ad a dari teknik Depth First Search dan Breadth First Search. yaitu : 1. tapi dapat berpindah ketika jalur lain terlihat lebih menjanjikan dari jalur yang sedang ditelusuri. dibutuhkan 2 antrian yang berisi node.

Algoritma A* 2. Contoh Langkah 1 : Kecerdasan Buatan | Artificial Intelligence .1 Greedy Best First Search Algoritma ini merupakan jenis algoritma Best First Search yg paling sederhana. Fungsi Heuristic : - Suatu fungsi heuristic dikatakan baik jika bisa memberikan biaya perkiraan yang mendekati biaya sebenarnya. Algoritma ini hanya memperhitungkan biaya perkiraan saja. yaitu : 1. fungsi heuristic tersebut semakin baik. Greedy Best First Search 2. Bagaimana caranya menentukan biaya perkiraan? Biaya perkiraan dapat ditentukan dengan fungsi heuristic . Ada 2 jenis Pencarian Terbaik Pertama ( Best First Search).1. maka algoritma ini menjadi tidak optimal.  Pertanyaannya :  Bagaimana menentukan sebuah node terbaik saat  ini? Dilakukan dengan menggunakan biaya perkiraan. Best First Search akan membangkitkan node berikutnya dari semua node yg pernah dibangkitkan. f(n) = h’(n) Karena hanya memperhitungkan biaya perkiraan yang belum tentu kebenarannya. - Semakin mendekati biaya sebenarnya.

Langkah 2 : Langkah 3 : Solusi : Kesimpulan : Dari contoh di atas. Greedy akan menemukan solusi S-B-K-G dengan total jarak = 105 Padahal ada solusi lain yg lebih optimal.2 Algoritma A* Berbeda dg Greedy. yakni : S-A-B-F-K-G dengan total jarak hanya 95 2. algoritma ini akan menghitung fungsi heuristic dengan cara menamb ahkan biaya sebenarnya dengan biaya perkiraan.1. Sehingga didap atkan rumus : Kecerdasan Buatan | Artificial Intelligence .

g(n) = Biaya sebenarnya dari Node Awal ke Node n h’(n) = Biaya perkiraan dari Node n ke Node Tujuan Contoh Langkah 1 : Langkah 2 : Langkah 3 : Kecerdasan Buatan | Artificial Intelligence .

Langkah 4 : Langkah 5 : Langkah 6 : Solusi : Kecerdasan Buatan | Artificial Intelligence .

melainkan lintasan parsial yang sudah te rcapai. Selain itu elemen-elemen pada queue bukan tiap node.1. Algoritma A* lebih baik dalam melakukan pencarian heuristic daripada Greedy Best First Search karena dapat menghasilkan solusi yang optimal.2. 3. Pada metode ini kita tidak memerlukan estimasi jarak tiap node menuju GOAL. BAB 3 BRANCH AND BOUND 3.2 Contoh Soal dan Penyelesaian Kecerdasan Buatan | Artificial Intelligence .3 Perbandingan Greedy Best First Search dan Algoritma A*  Greedy Best First Search tidak bisa menemukan solusi yang optimal.1 Metode Branch and Bound Metode Branch and Bound adalah sebuah teknik algoritma yang secara khusus mempelajari bagaimana caranya memperkecil Search Tree menjadi sekecil mungkin.  Algoritma A* dapat menemukan solusi yang optimal.

inisialisasi node pertama dengan Root dari tree 2. 3. diantaranya : Kelebihan  Algoritma berhenti pada nilai optimum sebenarnya (menemukan optimum global). Buat sebuah Antrian. Bila node pertama=lintasa GOAL.- Algoritma 1. maka lintasan parsial diganti dengan lintasan parsial+node child. namun selain kelebihan juga memiliki kelemah an. 3. selesai.3 Kelebihan dan Kekurangan Metode ini mempunyai beberap a kelebihan. Kelemah an Kecerdasan Buatan | Artificial Intelligence . semuanya diatur berdasarkan harga yang diurut secara ascending. Bila lintasan parsial tidak sama dengan lintasan GOAL.

Hal ini dilakukan dengan cara mereduksi lintasan parsial yang menuju ke suatu node yang sudah pernah dikunjungi sebelumnya.1 Metode Branch and Bound dengan Dynamic Programming Metode ini sama dengan Branch and Bound. BAB 4 BRANCH AND BOUND DENGAN DYNAMIC PROGRAMMING 4. Membutuhkan memori yang cukup banyak.2 Contoh Soal dan Penyelesaian Kecerdasan Buatan | Artificial Intelligence . 4. tetapi lebih efi sien karena bisa mengurangi lebar/melakukan pemotongan terhadap lebar dari tree . karena bisa jadi menyimpan semua lintasan parsial yang memungkinkan.

Algoritma 1. Bila node pertama=lintasan GOAL. jika ada lintasan parsial dengan node terakhir yang sama (dalam satu queue) maka diambil yang harganya paling minimal. Kecerdasan Buatan | Artificial Intelligence . 3. inisialisasi node pertama dengan Root dari tree. sehingga tree akan lebih kurus. 2. selesai. Buat sebuah antrian. sedangkan yang lebih mahal dihapus dari queue. Bila lintasan parsial tidak sama dengan lintasan GOAL.

 Lebih efi sien dari metode Bran ch dan Bound dalam penggunaan memori dan waktu eksekusi karena ad a pemotongan. Kecerdasan Buatan | Artificial Intelligence .4. namun selain kelebihan juga memiliki kelemah an. karena membutuhkan memori yang relative kecil dan berhenti pada nilai optimum sebenarnya.3 Kelebihan dan Kekurangan Metode ini mempunyai beberap a kelebihan. diantaranya : Kelebihan  Algoritma berhenti pada nilai optimum sebenarnya. BAB 5 ANALISA DAN KESIMPULAN Metode Optimal lebih menguntungkan dan lebih baik daripada metode non-optimal. Kelemah an  Harus mengingat node terakhir dari lintasan parsial yang sudah dicapai sebelumnya.