BAB I

PENDAHULUAN

1.1. Latar Belakang

Kemajuan teknologi tidak hanya menuntut kecepatan penyebaran
informasi tetapi juga dalam bidang ilmu Artificial Intelligence untuk
melakukan metode pencarian dan pelacakan yang merupakan suatu hal penting
dalam suatu sistem. Karena pencarian dan pelacakan ini adalah hal yang
menentukan keberhasilan sistem tersebut. sebuah algoritma pencarian dijelaskan
secara luas adalah sebuah algoritma yang menerima masukan berupa sebuah
masalah dan menghasilkan sebuah solusi untuk masalah tersebut, yang biasanya
didapat dari evaluasi beberapa kemungkinan solusi. Sebagian besar algoritma
yang dipelajari oleh ilmuwan komputer adalah algoritma pencarian. Pada
dasarnya, metode pencarian dan pelacakan dibagi dua, yaitu pencarian buta (blind
search) dan pencarian tersusun (heuristic search).
Blind Search adalah model pencarian buta atau pencarian yang tidak memiliki
informasi awal Blind Searching sendiri dibagi menjadi tiga macam yaitu : Breadth
First Search, Depth first Search, Uniform Cost Search.
Heuristic Search merupakan metode pencarian yang memperhatikan nilai
heuristik (nilai perkiraan). Teknik pencarian heuristik (heuristic searching)
merupakan suatu strategi untuk melakukan proses pencarian ruang keadaan (state
space) suatu problema secara selektif, yang memandu proses pencarian yang kita
lakukan di sepanjang jalur yang memiliki kemungkinan sukses paling besar, dan
mengesampingkan usaha yang bodoh dan memboroskan waktu. Heuristik adalah
sebuah teknik yang mengembangkan efisiensi dalam proses pencarian, namun
dengan kemungkinan mengorbankan kelengkapan (completeness).Heuristic
Search memperkirakan jarak menuju Goal (yang disebut dengan fungsi heuristik).
Fungsi heuristik ini digunakan untuk mengevaluasi keadaan-keadaan problema
individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk
mendapatkan solusi yang diinginkan. Jenis-jenis dari Heuristic
Searching : Generate and Test, Hill Climbing, Best First Search, Alpha
Beta Prunning, Means-End-Anlysis, Constraint Satisfaction.

1
Permasalahan pencarian adalah merupakan yang sering dijumpai oleh peneliti di
bidang Kecerdasan Buatan. Permasalahan ini merupakan hal pentingdalam
menentukan keberhasilan system kecerdasan buatan. Metode pencariandibagi
menjadi 3 bagian, dapat dilihat pada bagan dibawah ini

Keterangan :

1. Metode Pencarian Buta, merupakan metode sederhana yang hanya

berusaha mencari kemungkinan penyelesaian. Metode yang termasuk pada
bagian ini adalah Breadth First Search, Depth First Search, Hill
climbing,Beam Fisrt, dan Best First Search.
2. Metode Penyelesaian Optimal, merupakan metode yang lebih
kompleksyang akan mencari jarak terpendek. Metode yang termasuk pada
bagian ini adalah British Museum Procedure, Branch and Bound, Dynamic
Programming dan A*. Metode-metode ini digunakan pada saat harga
perjalanan untuk mencari kemungkinan menjadi perhitungan.
3. Metode Permainan, merupakan metode yang digunakan saat
berhadapandengan musuh. Prosedur ini adalah minimal ( search, alpha
beta pruning.Metode ini banyak digunakan pada program'program
permainan seperti catur,dan sebagainya.

2
 Metode pencarian dikatakan penting untuk menyelesaikan permasalahan
karena setiap state ) keadaan menggambarkan langkah-langkah untuk
menyelesaikan permasalahan. Metode pencarian dikatakan penting untuk
perencanaan karena dalam sebuah permainan akan menentukan apa yang harus
dilakukan, dimana setiap statemenggambarkan kemungkinan posisi pada suatu
saat. Metode pencarian adalah bagian dari kesimpulan, dimana setiap
statemenggambarkan hipotesis dalam sebuah rangkaian deduktif.
Secara umum, untuk mendeskripsikan suatu permasalahan dengan baik
harus :
a. Mendefinisikan suatu ruang keadaan.
b. Menerapkan satu atau lebih keadaan awal.
c. Menetapkan satu atau lebih tujuan.
d. Menetapkan kumpulan aturan.

1.2. Rumusan Masalah

Dari latar belakang yang telah dijelaskan sebelumnya, maka rumusan
masalh dapat disimpulkan sebagai berikut:
a. Apa pengertian BFS ?
b. Apa pengertian DFS ?
c. Apa pengertian pencarian Heuristik ?

1.3 Tujuan

Tujuan dari penyusunan makalah ini adalah sebagai berikut:

a. Agar pembaca dapat mengerti dan memahami dengan mudah dan cepat
pengertian tentang BFS.
b. Agar pembaca dapat mengerti dan memahami dengan mudah dan cepat
pengertian tentang DFS.
c. Agar pembaca dapat mengerti dan memahami dengan mudah dan cepat
pengertian tentang pencarian heuristik.

3
 BAB II
PEMBAHASAN

2.1 Pengertian Breadth-First Search

Algoritma Breadth-First Search (BFS) atau dikenal juga dengan nama
algoritma pencarian melebar adalah algoritma yang melakukan pencarian secara
melebar yang mengunjungi simpul secara preorder yaitu mengunjungi suatu
simpul kemudian mengunjungi semua simpul yang bertetangga dengan simpul
tersebut terlebih dahulu. Selanjutnya, simpul yang belum dikunjungi dan
bertetangga dengan simpulsimpul yang tadi dikunjungi , demikian seterusnya.
Jika graf berbentuk pohon berakar, maka semua simpul pada aras d dikunjungi
lebih dahulu sebelum simpul-simpul pad aras d+1.
Algoritma ini memerlukan sebuah antrian q untuk menyimpan simpul
yang telah dikunjungi. Simpul-simpul ini diperlukan sebagai acuan untuk
mengunjungi simpul-simpul yang bertetanggaan dengannya. Tiap simpul yang
telah dikunjungi masuk ke dalam antrian hanya satu kali. Algoritma ini juga
membutuhkan table Boolean untuk menyimpan simpul yang telah dikunjungi
sehingga tidak ada simpul yang dikunjungi lebih dari satu kali.Breadth-first
search (BFS) melakukan proses searching pada semua node yang berada pada
level atau hirarki yang sama terlebih dahulu sebelum melanjutkan proses
searching pada node di level berikutnya. Urutan proses searching BFS
ditunjukkan dalam Gambar 2.1 adalah: A,B,C,D,E,F, ...

Gambar 2.1. Diagram pohon dari BFS.

4
2.1.1. Cara Kerja Algoritma BFS
Dalam algoritma BFS, simpul anak yang telah dikunjungi disimpan
dalam suatu antrian. Antrian ini digunakan untuk mengacu simpul-simpul
yang bertetangga dengannya yang akan dikunjungi kemudian sesuai urutan
pengantrian.
Untuk memperjelas cara kerja algoritma BFS beserta antrian yang
digunakannya, berikut langkah-langkah algoritma BFS:
1. Masukkan simpul ujung (akar) ke dalam antrian
2. Ambil simpul dari awal antrian, lalu cek apakah simpul merupakan
solusi
3. Jika simpul merupakan solusi, pencarian selesai dan hasil
dikembalikan.
4. Jika simpul bukan solusi, masukkan seluruh simpul yang bertetangga
dengan simpul tersebut (simpul anak) ke dalam antrian.
5. Jika antrian kosong dan setiap simpul sudah dicek, pencarian selesai
dan mengembalikan hasil solusi tidak ditemukan.
6. Ulangi pencarian dari langkah kedua.

Contohnya terlihat dibawah ini:

Maka penyelesaiannya adalah:

Gambar (a) BFS(1): 1, 2, 3, 4, 5, 6, 7, 1.
Gambar (b) BFS(1): 1, 2, 3, 4, 5, 6, 7, 1
Gambar (c) BFS(1): 1, 2, 3, 4, 5, 6, 7, 8, 9

5
2.1.2. Contoh Pencarian Lintasan Terpendek Dengan BFS
Adapun contoh untuk mencari lintasan terpendek dengan menggukan
algoritma BFS adalah sebagai berikut:
Diketahui sebuah kota, dengan memiliki inisial seperti yang
ditunjukkan dibawah ini. Jarak antar kota dibentuk dengan sebuah graph
terlihat dibawah:

Pertanyaan: sebutkan rute yang akan ditempuh untuk mencapai kota

no. 8. Titik awal perjalanan adalah kota no. 1. Gunakan algoritma BFS! Maka
dengan menggunakan algoritma BFS, rute tercepat yang didapat adalah
sebagai berikut:
12345678
Rute tersebut didapat dari pencarian secara melebar. Hal; tersebut
dapat dijabarkan sebagai berikut:
Pertama-tama, pointer menunujuk pada daun yang ada sebelah kanan,
yaitu no.2 (1 2)
Setelah itu, proses dilanjutkan pada tetangga no.2 yaitu no.3 (1-2-3) dan
selanjutnya mengarah pada tetangga terdekat, yakni no.4 (1-2-3-4).
Pointer mencari teteangga no.4, namun karna tidak ada, maka pointer
kembali ke kota no.2 dan masuk ke daun berikutnya, yakni no.5.
Proses diulang hingga pointer menunjuk angka 8.
Pencarian dengan Breadth First Search akan menjadi optimal ketika
nilai pada semua path adalah sama. Dengan sedikit perluasan, dapat
ditemukan sebuah algoritma yang optimal dengan melihat kepada nilai
tiap path di antara node-node yang ada. Selain menjalankan fungsi
algoritma BFS, Uniform Cost Search melakukan ekspansi node dengan

6
 nilai path yang paling kecil. Hal ini bisa dilakukan dengan membuat
antrian pada successor yang ada berdasar kepada nilai path-nya (node
disimpan dalam bentuk priority queue).

2.1.4. Keuntungan BFS

Keuntungan dari BFS adalah sebagai berikut:
a. Tidak menemui jalan buntu.
b. Jika ada suatu solusi, maka Breadth-first search akan
menemukannya. Dan jika didapat lebih dari satu solusi, maka
solusi minimum akan ditemukan.

2.1.5. Kelemahan BFS

Kelemahan dari BFS adalah sebagai berikut:
a. Membutuhkan memori yang cukup banyak, karena menyimpan
semua node dalam suatu pohon.
b. Membutuhkan waktu yang cukup lama, karena akan menguji n
level untuk mendapatkan solusi pada level ke-(n + 1).

2.2. Depth-First search (DFS)

Depth-first search (DFS) adalah proses searching sistematis buta yang
melakukan ekpansi sebuah path (jalur) menuju penyelesaian masalah sebelum
melakukan ekplorasi terhadap path yang lain. Proses searching mengikuti sebuah
path tunggal sampai menemukan goal atau dead end. Apabila proses searching
menemukan dead-end, DFS akan melakukan penelusuran balik ke node terakhir
untuk melihat apakah node tersebut memiliki path cabang yang belum
dieksplorasi. Apabila cabang ditemukan, DFS akan melakukan cabang tersebut.
Apabila sudah tidak ada lagi cabang yang dapat dieksplorasi, DFS akan kembali
ke node parent dan melakukan proses searching terhadap cabang yang belum
dieksplorasi dari node parent sampai menemukan penyelesaian masalah. Urutan
proses searching DFS ditunjukkan dalam Gambar berikutnya

7
 Gambar 2.3 Diagram pohon dari DFS.

Pencarian dilakukan pada satu node dalam setiap level dari yang paling kiri.
Jika pada level yang paling dalam, solusi belum ditemukan, maka pencarian
dilanjutkan pada node sebelah kanan. Node yang kiri dapat dihapus dari memori.
Jika pada level yang paling dalam tidak ditemukan solusi, maka pencarian
dilanjutkan pada level sebelumnya. Demikian seterusnya sampai ditemukan
solusi. Jika solusi ditemukan maka tidak diperlukan proses backtracking
(penelusuran balik untuk mendapatkan jalur yang dinginkan).

2.2.1. Kelebihan dan Kelemahan DFS

Kelebihan DFS adalah:
a. Pemakain memori hanya sedikit, berbeda jauh dengan BFS yang harus
menyimpan semua node yang pernah dibangkitkan.
b. Jika solusi yang dicari berada pada level yang dalam dan paling kiri,
maka DFS akan menemukannya secara cepat.

Kelemahan DFS adalah:

a. Jika pohon yang dibangkitkan mempunyai level yang dalam (tak
terhingga), maka tidak ada jaminan untuk menemukan solusi (Tidak
Complete).

8
 b. Jika terdapat lebih dari satu solusi yang sama tetapi berada pada level
yang berbeda, maka pada DFS tidak ada jaminan untuk menemukan
solusi yang paling baik (Tidak Optimal).

Gambar 2.4. Penelusuran Depth First Search untuk Water Jug Problem.

2.2.2. Cara Kerja DFS

Pencarian rute terpendek dilakukan dengan cara membuat simpul-
simpul yang menjadi titik awal, titik-titik yang akan dilalui dan juga titik
akhir sebagai akhir dari tujuan atau sebagai simpul yang dicari.
Dalam algoritma DFS, simpul yang telah dikunjungi disimpan dalam
suatu tumpukan (stack). Antrian ini digunakan untuk mengacu simpul-simpul
yang akan dikunjungi sesuai urutan tumpukan (masuk terakhir, keluar
pertama) dan mempermudah proses runut-balik jika simpul sudah tidak
mempunyai anak (simpul pada kedalaman maksimal).
Untuk memperjelas cara kerja algoritma DFS beserta tumpukan yang
digunakannya, berikut langkah-langkah algoritma DFS:
1. Masukkan simpul ujung (akar) ke dalam tumpukan
2. Ambil simpul dari tumpukan teratas, lalu cek apakah simpul merupakan
solusi
3. Jika simpul merupakan solusi, pencarian selesai dan hasil dikembalikan.
4. Jika simpul bukan solusi, masukkan seluruh simpul yang bertetangga
dengan simpul tersebut (simpul anak) ke dalam tumpukan
5. Jika tumpukan kosong dan setiap simpul sudah dicek, pencarian selesai
dan mengembalikan hasil solusi tidak ditemukan
6. Ulangi pencarian dari langkah kedua

9
2.3. Pencarian Heuristik
Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam
proses pencarian, namum dengan kemungkinan mengorbankan kelengkapan
(completeness). Fungsi heuristik digunakan untuk mengevaluasi keadaankeadaan
problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan
untuk mendapatkan solusi yang diinginkan. Jenis-jenis Heuristic Searching:
a. Generate and Test.
b. HillClimbing.
c. Best First Search.
d. Alpha Beta Prunning,Means-End-Anlysis,Constraint Satisfaction, Simulated
Anealing, dll

2.3.1. Pembangkitan Dan Pengujian (Generate And Test)

Metode ini merupakan penggabungan antara depth-first search dengan
pelacakan mundur (backtracking), yaitu bergerak kebelakang menuju pada suatu
keadaan awal. Algoritma:
a. Bangkitkan suatu kemungkinan solusi (membangkitkan suatu tititk tertentu
atau lintasan tertentu dari keadaan awal).
b. Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya
dengan cara membandingkan node terebut atau node akhir dari suatu lintasan
yang dipilih dengan kumpulan tujuan yang diharapkan.
c. Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah pertama.
Contoh:
Travelling Salesman Problem (TSP) Seorang salesman ingin
mengunjungi n kota. Jarak antara tiap-tiap kota sudah diketahui. Kita ingin
mengetahui ruter terpendek dimana setaip kota hanya boleh dikunjungi tepat 1
kali. Misalkan ada 4 kota dengan jarak antara tiap-tiap kota seperti gambar di
bawah ini:

10
Penyelesaian dengan metode Generate and Test

11
2.3.2. Pendakian Bukit (Hill Climbing)
Metode ini hampir sama dengan metode pembangkitan dan pengujian,
hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristic.
Pembangkitan keadaan berikutnya tergantung pada feedback dari prosedur
pengetesan. Tes yang berupa fungsi heuristic ini akan menunjukkan seberapa
baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnya yang
mungkin.
2.3.2.1 Algoritma Simple Hill Climbing
Kerjakan langkah-langkah berikut sampai solusinya ditemukan atau sampai
tidak ada operator baru yang akan diaplikasikan pada keadaan sekarang:
a. Cari operator yang belum pernah digunakan; gunakan operator ini untuk
mendapatkan keadaan yang baru.
b. Evaluasi keadaan baru tersebut :
c. Jika keadaan baru merupakan tujuan, keluar
d. Jika bukan tujuan, namun nilainya lebih baik dari pada keadaan sekarang,
maka jadikan keadaan baru tersebut menjadi keadaan sekarang.
e. Jika keadaan baru tidak lebih baik daripada keadaan sekarang, maka
lanjutkan iterasi.

Pada simple hill climbing, ada 3 masalah yang mungkin:

a. Algoritma akan berhenti kalau mencapai nilai optimum local
b. Urutan penggunaan operator akan sangat berpengaruh pada penemuan
solusi
c. Tidak diijinkan untuk melihat satupun langkah sebelumnya.

Contoh: TSP dengan Simple Hill Climbing

Disini ruang keadaan berisi semua kemungkinan lintasan yang mungkin.
Operator digunakan untuk menukar posisi kota-kota yang bersebelahan. Apabila
ada n kota, dan kita ingin mencari kombinasi l intasan dengan menukar posisi
urutan 2 kota, maka kita akan mendapatkan sebanyak:

12
atau sebanyak 6 kombinasi (lihat gambar dibawah). Fungsi heuristic yang
digunakan adalah panjang lintasan yang terjadi

Gambar 2.6. Kombinasi Fungsi Heuristik

2.3.3. Pencarian Terbaik Pertama (Best-First Search)

Metode ini merupakan kombinasi dari metode depth-first search dan
breadth-first search. Pada metode best-first search, pencarian diperbolehkan
mengunjungi node yang ada di level yang lebih rendah, jika ternyata node pada
level yang lebih tinggi ternyata memiliki nilai heuristic yang lebih buruk.
Fungsi Heuristik yang digunakan merupakan prakiraan (estimasi) cost dari
initial state ke goal state, yang dinyatakan dengan :
f(n) = g(n)+ h(n)
dimana:
f = Fungsi evaluasi
g = cost dari ini tial state ke current state
h = prakiraan cost dari current state ke goal state
Contoh :
Misalkan kita memiliki ruang pencarian seperti pada gambar dibawah.
Node M merupakan keadaan awal dan node T merupakan tujuannya. Biaya edge
yang menghubungkan node M dengan node A adalah biaya yang dikeluarkan
untuk bergerak dari kota M ke kota A. Nilai g diperoleh berdasarkan biaya edge
minimal. Sedangkan nilai h di node A merupakan hasil perkiraan terhadap biaya

13
yang diperlukan dari node A untuk sampai ke tujuan. h(n) bernilai ~ jika sudah
jelas tidak ada hubungan antara node n dengan node tujuan (jalan buntu). Kita
bisa mengurut nilai untuk setiap node.

Gambar 2.7. Nilai Node

2.3.4. Pembangkitan Dan Pengujian (Generate And Test)

Metode ini merupakan penggabungan antara depth-first search dengan
pelacakan mundur (backtracking), yaitu bergerak kebelakang menuju pada suatu
keadaan awal. Algoritma:
a. Bangkitkan suatu kemungkinan solusi (membangkitkan suatu tititk tertentu
atau lintasan tertentu dari keadaan awal).

14
b. Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya
dengan cara membandingkan node terebut atau node akhir dari suatu lintasan
yang dipilih dengan kumpulan tujuan yang diharapkan.
c. Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah pertama.

Sebuah fungsi heuristik mengevaluasi keadaan permasalahan tersendiri dan

menentukan bagaimana diperlukan fungsi ini dalam memecahkan suatu
permasalahan. Sebuah fungsi heuristik adalah sebuah fungsi yang memetakan
keadaan permasalahan, yang mendeskripsikan daya tarik dan digambarkan dalam
sebuah angka (Pearl, 1984).
Fungsi heuristik yang dirancang dengan baik dapat berperan dalam sebuah
bagian yang penting untuk memandu secara efisien proses pencarian menuju ke
sebuah solusi. Tabel 2.1 menunjukkan beberapa fungsi heuristik sederhana untuk
beberapa permasalahan.

Kadang kala sebuah nilai tinggi dari fungsi heuristik mengindikasikan sebuah
posisi yang baik secara relatif (terlihat pada catur dan tic tac toe), di lain waktu
sebuah nilai rendah mengindikasikan sebuah situasi yang menguntungkan (terlihat
pada perjalanan salesman). Program yang menggunakan nilai (value) dari fungsi
dapat mengusahakan minimal atau maksimal secara tepat.

15
 Tujuan dari sebuah fungsi heuristik adalah untuk memandu proses pencarian
tujuan yang menguntungkan dengan menganjurkan jalur yang mana yang diikuti
pertama kali ketika tersedia lebih dari satu tujuan. Setelah proses berlangsung,
akan bisa dihitung sebuah fungsi heuristik yang sempurna dengan cara melakukan
sebuah pencarian yang lengkap dari simpul dalam pertanyaan dan menentukan
apakah fungsi ini menuju ke sebuah solusi yang baik.
Sayangnya, seperti semua kaidah penemuan lainnya, heuristik juga dapat
salah. Heuristik hanyalah panduan informasi untuk menebak langkah berikutnya
yang harus diambil dalam menyelesaikan suatu permasalahan, dan sering
dilakukan berdasarkan eksperimen/percobaan atau secara intuisi. Oleh karena
menggunakan informasi yang terbatas, heuristik jarang dapat memprediksi
tingkah laku yang eksak dari ruang keadaan saat dilakukan pencarian. Heuristik
dapat membimbing algoritma pencarian untuk mendapatkan solusi suboptimal
atau gagal menemukan solusi apapun, karena tidak ada solusi yang dapat menuju
keadaan akhir.
Heuristik dan perancangan algoritma untuk mengimplementasikan pencarian
heuristik telah menjadi inti permasalahan penelitian AI. Game playing dan
pemecahan teorema (theorem solving) adalah dua aplikasi paling tua dari AI,
kedua-duanya memerlukan heuristik untuk memangkas ruang dari solusi yang
mungkin.

16
 BAB II
PENUTUP

3.1. Kesimpulan
Dari pembahasan diatas dapat ditarik kesimpulan yaitu :
a. Breadth-first search (BFS) melakukan proses searching pada semua node
yang berada pada level atau hirarki yang sama terlebih dahulu sebelum
melanjutkan proses searching pada node di level berikutnya.
b. Depth-first search (DFS) adalah proses searching sistematis buta yang
melakukan ekpansi sebuah path (jalur) menuju penyelesaian masalah
sebelum melakukan ekplorasi terhadap path yang lain.
c. Heuristic search adalah suatu istilah yang berasal dari bahasa Yunani
yang berarti menemukan/menyingkap. Heuristik adalah suatu perbuatan
yang membantu kita menemukan jalan dalam pohon pelacakan yang
menuntut kita kepada suatu solusi masalah. Heuristik dapat diartikan
juga sebagai suatu kaidah yang merupakan metoda/prosedur yang
didasarkan kepada pengalaman dan praktek, syarat, trik atau bantuan
lainnya yang membantu mempersempit dan memfokuskan proses
pelacakan kepada suatu tujuan tertentu.

17
 DAFTAR PUSTAKA

Kusumadewi, Sri.2003. Artificial Intelegence ( Teknik dan Aplikasinya).

Yogyakarta, Graha Ilmu.
Nenk, Iecha, ARTFICIAL INTELLEGENCE ALGORITMA PENCARIAN
( Searching Algoritm)
Ramadhani, Aristama. 2008. Menggerakkan Karakter Game Menggunkan
Algoritma Breadth-First Search (BFS) dan Algoritma A* (A Star),
MakalahIF2251-043, Program Studi Teknik Informatika ITB, Bandung.
Riftadi, Mohammad. 2007. Variasi Penggunaan Fungsi Heuristik dalam
Pengaplikasian Algoritma A*, Makalah IF2251, Teknik Informatika ITB,
Bandung.
Suyanto. 2007. Artificial Intelligence Searching, Reasoning, Planning dan
Learning, Bandung, Informatika.
Wibowo, Toto Agung. 2009. Jurnal Perkuliahan AI pada Game Development
(Path finding), Telkom Bandung.
Yusuf, Usup.2011. Best First Search Pengertian Best First Search.

18