TUGAS

KECERDASAN BUATAN

Disusun Oleh :
Nama : NIM :
Efri Anugrahno
( DBC 117 046 )
Edy Pratamajaya ( DBC 117 043 )
Rosa Theresia ( DBC 117 093 )
Ananda Aji Ivan P. ( DBC 117 067 )
Maruli Valentino S. ( DBC 117 047 )

JURUSAN/ PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS PALANGKA RAYA
2019

BAB I
LANDASAN TEORI
 Pencarian Terbimbing (Heuristic Search)
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.
George Poyla (dalam Kristanto. A, 2003) mendefinisikan heuristik sebagai ”studi
tentang sebuah metode dan aturan discovery serta invention” dalam pencarian state
space, heuristik didefinisikan sebagai aturan untuk memilih cabang-cabang dalam
ruang keadaan yang paling tepat untuk mencapai solusi permasalahan yang dapat
diterima .
Pemecahan masalah AI menggunakan heuristik dalam dua situasi dasar
(Setiawan. S, 1993), yaitu :
1.    Permasalahan yang mungkin tidak mempunyai solusi yang pasti disebabkan oleh
ambiguitas (keraguan/ketidakpastian) mendasar dalam pernyataan permasalahan atau
data yang tersedia, contohnya diagnosa kedokteran.
2.    Permasalahan yang boleh jadi memiliki solusi pasti, tetapi biaya komputasinya
untuk mendapatkan solusi tersebut mungkin sangat tinggi. Dalam banyak problema
(misalnya saja catur), pertumbuhan state space adalah secara kombinatorial eksplosif
dengan bayak state yang mungkin meningkat secara eksponensial atau faktorial
dengan kedalaman pencarian. Dalam hal ini, exhaustive, yakni teknik pencarian brute
force seperti pencarian mendalam pertama dan pencarian meluas pertama mungkin
gagal menemukan solusi sehingga heuristik akan menangani kerumitan permasalahan
ini dengan panduan pencarian pada sepanjang lintasan yang memeberi harapan
melewati state. Dengan mengeliminasi state yang tidak memberi harapan dan
turunannya dari ruang tersebut maka algoritma heuristik dapat mengalahkan ledakan
kombinatorial dan menemukan penyelesaian yang dapat diterima.

Pencarian terbimbing (heuristic search) dibutuhkan karena pencarian buta (blind

search) tidak selalu dapat diterapkan dengan baik, hal ini disebabkan waktu aksesnya
yang cukup lama serta besarnya memori yang diperlukan. Dalam pencarian ruang
 keadaan, heuristik dinyatakan sebagai aturan untuk melakukan pemilihan cabang-
cabang dalam ruang keadaan yang paling tepat untuk mencapai solusi permasalahan
yang dapat diterima.
Heuristik dapat digunakan pada beberapa kondisi berikut ini (Siswanto, 2010):
1.      Mengatasi combinatorial explosion.
Ada masalah yang kemungkinan arah penyelesaiannya berkembang pesat (bersifat
faktorial) sehingga menimbulkan combinatorial explosion. Heuristik merupakan cara
untuk menentukan kemungkinan arah penyelesaian masalah secara efisien.
2.      Solusi paling optimal mungkin tidak diperlukan.
Dalam suatu keadaan, mungkin lebih baik mendapatkan solusi yang mendekati
optimal dalam waktu yang singkat daripada solusi yang paling optimal dalam waktu
yang lama.
3.      Pada umumnya hasilnya cukup baik.
Sekalipun tidak optimal, tetapi biasanya mendekati optimal.  Membantu pemahaman
bagi orang yang menyelesaikan persoalan.
4.      Banyak alternatif heuristik yang dapat diterapkan dalam suatu percobaan. Orang
yang menyelesaikan persoalan tersebut akan lebih mengerti persoalannya jika
mencoba heuristik yang diterapkannya.

Salah satu contoh dari heuristik yang baik untuk tujuan umum yang berguna
untuk beragam kombinasi permasalahan adalah the nearest neighbour heuristic, yang
bekerja dengan cara menyeleksi alternatif yang paling tinggi secara lokal pada setiap
langkahnya. Untuk permasalahan perjalanan salesman, prosedur-prosedur yang harus
dilakukan adalah sebagai berikut :
1.      Memilih sebuah kota awal (starting cities)
2.      Melihat kota berikutnya, kemudian melihat semua kota yang belum dikunjungi dan
memilih salah satu kota yang paling dekat dengan kota yang dipilih pada saat itu.
3.      Ulangi langkah 2 sampai semua kota dikunjungi.
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.
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.

BAB II
PEMBAHASAN
2.1 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 Generate and Test:
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 dikkunjungi tepat  1 kal i. Misalkan ada 4
kota dengan jarak antara tiap-tiap kota seperti gambar di bawah ini: 

Penyelesaian dengan metode Generate and Test

2.2       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.
Algoritma Pendakian Bukit (Hill Climbing):
a) Cari operator yang belum pernah digunakan; gunakan operator ini untuk

mendapatkan keadaan yang baru.

b) Kerjakan langkah-langkah berikut sampai solusinya ditemukan atau sampai tidak
ada operator baru yang akan diaplikasikan pada keadaan sekarang : Cari operator
 yang belum digunakan; gunakan operator ini untuk mendapatkan keadaan yang
baru.
c) Evaluasi keadaan baru tersebut : – Jika keadaan baru merupakan tujuan, keluar –

Jika bukan tujuan, namun nilainya lebih baik daripada keadaan sekarang, maka
jadikan keadaan baru tersebut menjadi keadaan sekarang. – Jika keadaan baru
tidak lebih baik daripada keadaan sekarang, maka lanjutkan iterasi.

Hill Climbing dibagi menjadi dua jenis yaitu Simple Hill Climbing (Hill
Climbing sederhana) dan Steepest-Ascent Hill Climbing (Hill Climbing dengan
memilih kemiringan yang paling tajam/ curam ).
1)      Simple Hill Climbing
bekerja dengan cara memilih secara langsung new state yang memiliki
keadaan lebih baik dari pada keadaan sebelumnya  tanpa memperhitungkan keadaan
lain yang lebih “curam”. 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.

Algoritma Simple Hill Climbing:

a.       Evaluasi initial state (keadaan awal). Jika initial state adalah goal state    maka
jadikan state ini sebagai solusi dan keluar dari program. Jika bukan goal state,
lanjutkan proses dengan initial state sebagai current state.
b. Ulangi sampai solusi ditemukan atau sampai tidak ada operator ( aturan
produksi ) baru yang dapat diaplikasikan terhadap current state:
c. Pilih operator yang belum diaplikasikan terhadap current state dan aplikasikan
operator tersebut sehingga menghasilkan new state.
d. Evaluasi new state:
 e. Jika state ini merupakan goal state maka jadikan state ini sebagai solusi dan
keluar dari program.
f. Jika state ini bukan goal state tetapi lebih baik dari current state maka jadikan
state ini sebagai current state baru.
g. Jika state ini tidak lebih baik dari current state maka kembali ke langkah memilih
operator.

2)      Steepest-Ascent Hill Climbing

Steepest-Ascent Hill Climbing lebih menekankan pada aturan produksinya yaitu
Steepest-Ascent Hill Climbing akan mengevaluasi semua state yang berada dibawah
current state dan memilih state dengan keadaan paling “curam”. Pada Steepest-Ascent
Hill Climbing ada 3 masalah yang mungkin yaitu:
a) Local optimum: keadaan semua tetangga lebih buruk atau sama dengan keadaan

dirinya.
b) Plateau : Keadaan semua tetangga sama dengan dirinya.

c) Ridge : Local optimum yang lebih disebabkan karena ketidakmampuan untuk

menggunakan 2 operator sekaligus.

Algoritma Steepest-Ascent Hill Climbing:
a) Evaluasi initial state. Jika initial state adalah goal state maka jadikan state ini
sebagai solusi dan keluar dari program. Jika bukan goal state, lanjutkan proses
dengan initial state sebagai current state.
b) Ulangi sampai solusi ditemukan atau sampai tidak ada perubahan terhadap current

state:
c) Misalkan SUK adalah suatu state yang menjadi suksesor dari current state.

d) Untuk setiap operator yang bisa dilakukan terhadap current state, kerjakan :

e) Aplikasikan semua operator yang ada dan bangkitkan new state.

f) Evaluasi new state. Jika merupakan goal state, jadikan ini sebagai solusi dan

keluar dari program. Jika bukan goal state, bandingkan dengan new state  dengan
 SUK. Jika new state lebih baik dari SUK maka ganti SUK dengan new state. Jika
new state tidak lebih baik dari SUK, tidak perlu diganti.
g) Jika SUK lebih baik dari current state maka ganti current state dengan SUK.

2.1.3     PENCARIAN TERBAIK PERTAMA (Best-First Search)

Metode ini merupakan kombinasi dari metode depth-first search dan breadth-
first search dengan mengambil kelebihan dari kedua teknik tersebut. Hill
climbing tidak diperbolehkan untuk kembali ke node pada lebih rendah meskipun
node tersebut memiliki nilai heuristic lebih baik. 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.
Ada beberapa istilah yang sering digunakan pada metode best-first search,
yaitu:
a. Start node adalah sebuah terminology untuk posisi awal sebuah pencarian.

b. Curret node adalah simpul yang sedang dijalankan dalam algoritma pencarian
jalan terpendek.
c. Suksesor adalah simpul-simpul yang yang akan diperiksa setelah current node

d. Simpul (node) merupakan representasi dari area pencarian.

e. Open list adalah tempat menyimpan data simpul yang mungkin diakses dari

starting node maupun simpul yang sedang dijalankan.

f. Closed list adalah tempat menyimpan data simpul yang juga merupakan bagian
dari jalur terpendek yang telah berhasil didapatkan.
g. Goal node yaitu simpul tujuan.

h. Parent adalah curret node dari suksesor.

Algoritma Best-First Search
Pertama kali, dibangkitkan node A. Kemudian semua suksesor A dibangkitan,
dan dicari harga paling minimal. Pada langkah 2, node D terpilih karena harganya
paling rendah, yakni 1. Langkah 3, semua suksesor D dibangkitkan, kemudian
harganya akan dibandingkan dengan harga node B dan C. Ternyata harga node B
paling kecil dibandingkan harga node C, E, dan F. Sehingga B terpilih dan
selanjutnya akan dibangkitkan semua suksesor B. Demikian seterusnya sampai
ditemukan node tujuan. Ilustrasi algoritma best-first search dapat dilihat pada gambar
dibawah ini.
 Untuk mengimplementasikan algoritma pencarian ini, diperlukan dua buah
senarai, yaitu: OPEN untuk mengelola node-node yang pernah dibangkitkan tetapi
belum dievaluasi dan CLOSE untuk mengelola node-node yang pernah dibangkitkan
dan sudah dievaluasi.

Algoritma selengkapnya adalah sebagai berikut.

a) OPEN berisi initial state dan CLOSED masih kosong.

b) Ulangi sampai goal ditemukan atau sampai tidak ada di dalam OPEN.

c) Ambil simpul terbaik yang ada di OPEN.

d) Jika simpul tersebut sama dengan goal, maka sukses

e) Jika tidak, masukkan simpul tersebut ke dalam CLOSED

f) Bangkitkan semua aksesor dari simpul tersebut

g) Untuk setiap suksesor kerjakan:

h) Jika suksesor tersebut belum pernah dibangkitkan, evaluasi suksesor tersebut,

tambahkan ke OPEN, dan catat parent.

i) Jika suksesor tersebut sudah pernah dibangkitkan, ubah parent-nyajika jalur
melalui parent ini lebih baik daripada jalur melalui parent yang sebelumnya.
Selanjutnya perbarui biaya untuk suksesor tersebut dn nodes lain yang berada di
level bawahnya.

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 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.
 Algoritma yang menggunakan metode best-first search, yaitu:
a.      Algoritma A*
A* adalah algoritma best-first search yang menggabungkan Uniform Cost
Search dan Greedy Best-First Search. Biaya yang diperhitungkan didapat dari biaya
sebenarnya ditambah dengan biaya perkiraan. Dalam notasi matematika dituliskan
sebagai f(n)= g(n) + h(n).  Dengan perhitungan biaya seperti ini, algoritma A*
adalahcomplete dan optimal.
Contoh:
o   Langkah 1: Arena
Berikut adalah contoh simple arena yang akan kita gunakan. Warna hijau
adalah starting point, warna merah adalah goal/end point, dan biru adalah
penghalang. Goal dari aplikasi ini adalah mencari rute dari titik hijau ke merah tanpa
melewati penghalang biru
o   Langkah 2: Movement Cost / Biaya Pergerakan
Kita asumsikan setiap langkah dari hijau adalah legal baik vertikal, horizontal,
maupun diagonal dengan catatan tidak membentur tembok. Setiap langkah yang
diizinkan kita berikan nilai G dimana G adalah cost atau biaya dalam setiap langkah.
Dalam kasus ini kita akan berikan nilai 10 untuk setiap langkah vertikal maupun
horizontal, dan 14 untuk diagonal. Nilai 14 kita dapatkan dari perhitungan pitagoras
dimana 14,1421 = sqrt(sqr(10)+sqr(10)). Hasil data nilai G ini selanjutnya kita
gambarkan sbb :

Selain dari perhitungan tersebut, kita dapat mengalikan dengan konstanta

tertentu untuk memanipulasi biaya, misal : ketika melewati sungai maka G = G * 2. 

o   Langkah 3: Estimated Movement / Estimasi gerakan

 Langkah selanjutnya kita hitung biaya estimasi pergerakan dan kita simbolkan
dengan H. Nilai H ini secara singkat adalah nilai jarak / estimasi biaya dari
pergerakan dari suatu titik terhadap titik finish dengan mengabaikan penghalang yang
ada. Untuk lebih jelasnya silahkan lihat gambar di bawah :

o   Langkah 4 : Scoring / Penilaian

Setelah nilai G dan H kita dapatkan, maka kita berikan skor dari masing-
masing titik yang akan dilalui. Skor kita lambangkan misalnya dengan F dimana nilai
F = G + H. Nilai F selanjutnya kita masukkan dalam setiap titik dari setiap langkah
yang akan dilalui. Untuk lebih jelasnya lihat gambar di bawah :
 Dari setiap nilai tersebut kita ambil keputusan dengan mengambil langkah dengan
nilai F terkecil.

o   Langkah 5 : Looping / Perulangan

 Setelah pergerakan pertama selesai selanjutnya lakukan perulangan dari dari
langkah 1 sampai 4. Untuk lebih jelasnya setiap pergerakan akan digambarkan di
bawah :
 BAB III
KESIMPULAN

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.
 DAFTAR PUSTAKA

FajarRizky :
http://rizkyfajar09.blogspot.com/2014/03/contoh-study-kasus-bfs-dan-algorithm.html
Diakses pada tanggal : 30 oktober 2019

PlayerDoc.Info :
https://docplayer.info/46109924-Metode-pencarian-pelacakan-dengan-heuristik.html
Diakses pada tanggal : 30 oktober 2019