NAMA : Aditya Setiawan

NIM : 172101880
Kelas : C4
Kelompok 9
Tugas Mata Kuliah Kecerdasan Buatan

Kohonen self-organizing map

Self-Organizing Map (SOM) atau sering disebut topology-preserving map merupakan salah
satu teknik dalam Neural Network yang bertujuan untuk melakukan visualisasi data dengan
cara mengurangi dimensi data melalui penggunaan self-organizing neural networks sehingga
manusia dapat mengerti high-dimensional data yang dipetakan dalam bentuk low-
dimensional data.
Judul penelitian tentang self-organizing map : Implementasi Metode Self Organizing Map
(SOM) Dalam Pemilihan Tempat Wisata Di Kabupaten Malang Berbasis GIS.
Link jurnal : http://etheses.uin-malang.ac.id/12554/1/13650130.pdf

Vector quantization
Learning Vector Quantization (LVQ) adalah salah satu metode klasifikasi dari Jaringan
Syaraf Tiruan. LVQ bekerja dengan setiap unit output mempresentasikan sebuah kelas.
Dengan kata lain LVQ adalah metode pengelompokan dimana target/kelasnya setiap
kelompok/jumlah kelompok sudah ditentukan. Tujuan dari algoritma ini adalah untuk
mendekati distribusi kelas vektor untuk meminimalkan kesalahan dalam pengklasifikasian.
Judul penelitian tentang Vector quantization: Aplikasi Jaringan Syaraf Tiruan Menggunakan
Metode Learning Vector Quantization Dalam Pengenalan Pola Huruf Pegon Jawa.
Link Jurnal : http://digilib.uin-suka.ac.id/26719/2/13650014_BAB-I_IV-atau-V_DAFTAR-
PUSTAKA.pdf

Algoritma Minimax
Algoritma Minimax adalah sebuah algoritma yang diterapkan pada permainan berbasis
Artificial Intelligence (Kecerdasan Buatan), seperti catur atau yang lainya. Algoritma
Minimax akan selalu mengecek semua kemungkinan yang ada sampai akhir permainan itu
dilakukan, kemudian pengecekan tersebut akan menghasilkan pohon permainan yang berisi
semua kemungkinan-kemungkinan tersebut. Pada algoritma minimax,pengecekan akan
dilakukan untuk mencari seluruh kemungkinan yang ada bahkan dapat dilakukan sampai
akhir permainan. Pengecekan tersebut akan menghasilkan pohon permainan yang berisi
semua kemungkinan tersebut. Pada algoritma minimax komputer akan menganalisis seluruh
pohon permainan. Dan untuk setiap langkahnya, komputer akan memilih langkah yang
paling membuat lawan mendapatkan keuntungan minimum, dan keuntungan maksimum
bagi komputer itu sendiri. Dalam penentuan keputusan tersebut dibutuhkan suatu nilai atau
bobot yang dapat merepresentasikan kerugian atau keuntungan yang akan diperoleh pada
setiap lagkah, sehingga langka yang memiliki nilai terbesar (keuntungan terbesar dan
kerugian terkecil) akan dipilih.
Judul penelitian tentang Algoritma Minimax: Implementasi Algoritma Minimax Untuk
Artificial Intelegence Pada Permainan Catur Sederhana
Link Jurnal : http://publikasi.dinus.ac.id/index.php/technoc/article/download/933/702

Algoritma Greedy
Metode/Algoritma Greedy merupakan algoritma yang membentuk solusi langkah per langkah
dengan mencari nilai maksimum sementara pada setiap langkahnya. Nilai maksimum
sementara ini dikenal dengan istilah local maximum. Pada kebanyakan kasus, algoritma
greedy tidak akan menghasilkan solusi paling optimal, begitupun algoritma greedy biasanya
memberikan solusi yang mendekati nilai optimum dalam waktu yang cukup cepat.
Judul penelitian tentang Algoritma Greedy : Penerapan Algoritma Greedy dalam Pembuatan
Artificial Intelligence Permainan Reversi.
Link Jurnal :
http://informatika.stei.itb.ac.id/~rinaldi.munir/Stmik/2016-2017/Makalah2017/Makalah-
IF2211-2017-075.pdf

Algoritma Alpha Beta Pruning

Algoritma Alpha Beta Pruning merupakan algoritma pencarian yang digunakan untuk
mengurangi jumlah node melalui proses evaluasi. Sama halnya dengan Algoritma Min-Max,
Algoritma Alpha Beta Pruning merupakan algoritma untuk mencari solusi yang optimal dari
sebuah permasalahan, namun perbedaannya ada pada proses evaluasi yang digunakan untuk
mengurangi jumlah node solusi yang dibentuk pada iterasi sebelumnya. Algoritma Alpha
Beta Pruning memiliki dua nilai, yaitu alpha dan beta. Alpha merupakan nilai maksimum
yang dimiliki oleh pemain, sedangkan nilai beta adalah nilai minimum yang dimiliki oleh
lawannya (NPC). Nilai alpha adalah negatif tak terhingga pada kondisi awal permainan dan
beta adalah positif tak terhingga. Pemilihan node kemungkinan pergerakan langkah akan
selalu diperbarui pada setiap kali pemain selesai memindahkan pionnya. Jika terdapat sebuah
node dengan nilai beta kurang dari sama atau sama dengan alpha, maka node tersebut tidak
akan dipilih untuk perhitungan langkah berikutnya sehingga cabang di bawah pada node itu
akan dipangkas (prune).
Judul penelitian tentang Algoritma Alpha Beta Pruning : Penerapan Algoritma Alpha Beta
Pruning Sebagai Kecerdasan Buatan pada Game Pawn Battle.
Link Jurnal:
https://media.neliti.com/media/publications/137095-ID-penerapan-algoritma-alphabeta-
pruning-se.pdf