Pengantar
Kecerdasan Buatan
9
Ilmu Komputer Informatika
Abstract Kompetensi
Metode Hill Climbing hampir sama dengan metode Memahami konsep penyelesaian
pembangkitan dan pengujian, hanya saja proses masalah dengan algoritma pencarian
pengujian dilakukan dengan menggunakan fungsi dengan metode Beyond Classical
heuristik. Simulated annealing search merupakan suatu Search (Local search algorithms &
optimization problems)
algoritma optimasi yang mensimulasikan proses
annealing pada pembuatan materi yang terdiri dari butir
keristal/logam. Algoritma untuk optimalisasi yang bersifat
generic. Local beam search adalah algoritma pencarian
heuristik yang merupakan optimasi dari pencarian best-
first search yang mengurangi kebutuhan memorinya.
Genetic Algorithm adalah teknik pencarian dalam bidang
komputasi untuk menemukan solusi benar atau
pendekatan untuk masalah optimasi dan pencarian.
Pembahasan
LOCAL SEARCH ALGORITHMS & OPTIMIZATION PROBLEMS
A. HILL CLIMBING SEARCH
Metode Hill Climbing hampir sama dengan metode pembangkitan &
pengujian (Generate and Test), hanya saja proses pengujian dilakukan
dengan menggunakan fungsi heuristik. Pembangkitan keadaan berikutnya
sangat tergantung pada feedback dari prosedur pengetesan. Tes yang
berupa fungsi heuristik ini akan menunjukkan seberapa baiknya nilai
terkaan yang diambil terhadap keadaan-keadaan lainnya yang mungkin.
Hill Climbing adalah proses pengujian yang dilakukan dengan
menggunakan fungsi heuristik. Pembangkitan keadaan berikutnya sangat
tergantung pada feedback dari prosedur pengetesan. Tes yang berupa
fungsi heuristik ini akan menunjukkan seberapa baiknya nilai terkaan yang
diambil terhadap keadaan-keadaan lainnya yang mungkin.
Metode Hill climbing merupakan variasi dari depth-first search.
Dengan metode ini, eksplorasi terhadap keputusan dilakukan dengan cara
depth-first search dengan mencari path yang bertujuan menurunkan cost
untuk menuju kepada goal/keputusan. Yaitu dengan selalu memilih nilai
heuristik terkecil. Dalam metode heuristik Hill Climbing, terdapat dua jenis
Hill Climbing yang sedikit berbeda, yakni Simple Hill Climbing (Hill Climbing
sederhana) dan Steepest-Ascent Hill Climbing (Hill Climbing dengan
memilih kemiringan yang paling tajam / curam).
2
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 jika keadaan baru merupakan
tujuan, keluar. Jika bukan tujuan, namun nilainya lebih baik
daripada keadaan sekarang, maka jadikan keadaan baru
tersebut menjadi keadaan sekarang. Dan jika keadaan baru
tidak lebih baik daripada keadaan sekarang, maka lanjutkan
iterasi.
Pada simple hill climbing ini, ada 3 masalah yang mungkin, yaitu:
1. Algoritma akan berhenti kalau mencapai nilai optimum lokal.
2. Urutan penggunaan operator akan sangat berpengaruh pada
penemuan solusi.
3. Tidak diijinkan untuk melihat satupun langkah sebelumnya.
3
* Tukar 4, 1 (menukar urutan posisi kota ke-4 dengan kota ke-1).
* Tukar 2, 4 (menukar urutan posisi kota ke-2 dengan kota ke-4).
* Tukar 1, 3 (menukar urutan posisi kota ke-1 dengan kota ke-3).
4
berikutnya adalah DCAB (=19). Nilai heuristic DCAB ternyata juga lebih
besar dibanding dengan BCAD, sehingga pencarian dilanjutkan di node
lainnya lagi, yaitu BDAC (=14). Nilai heuristik ini sudah lebih kecil daripada
nilai heuristik node BCAD (14<15), maka sekarang node ini yang akan
diekplorasi. Pencarian pertama ditemukan node DBAC (=21), yang lebih
besar daripada nilai BDAC. Nilai heuristik yang lebih kecil diperoleh pada
node BDCA (=13). Sehingga node BDCA ini akan diekplorasi. Pencarian
pertama sudah mendapatkan node dengan nilai heuristik yang lebih kecil,
yaitu DBCA (=12). Sehingga node ini diekplorasi juga. Dari hasil ekplorasi
dengan pemakaian semua operator, ternyata sudah tidak ada node yang
memiliki nilai heuristik yang lebih kecil dibanding dengan nilai heuristik
DBCA, sehingga sebenarnya node DBCA (=12) inilah lintasan terpendek
yang kita cari (SOLUSI). Misalkan kita tidak menggunakan semua operator,
melainkan kita hanya menggunakan 4 operator pertama saja, yaitu :
* Tukar 1,2 (menukar urutan posisi kota ke'1 dengan kota ke'2).
* Tukar 2, 3 (menukar urutan posisi kota ke-2 dengan kota ke'3).
* Tukar 3,4 (menukar urutan posisi kota ke-3 dengan kota ke'4).
* Tukar 4, 1 (menukar urutan posisi kota ke-4 dengan kota ke'l).
5
Maka pencarian dengan simple hill climbing ini dapat dilihat lintasan
terpendek yang diperoleh adalah B-C-A-D yaitu sebesar 15. Disini kita akan
terjebak pada nilai minimum local yang disebabkan oleh kurangnya
operator yang kita gunakan. Kita tidak dapat memperoleh nilai minimum
globalnya yaitu sebesar 12.
Untuk contoh kedua adalah game Number Puzzle Slider dengan
langkah- langkah menggunakan Simple Hill Climbing:
h(n) adalah nilai total heuristik dari kondisi puzzle. Bernilai 0 untuk
posisi yang benar dan untuk posisi yang salah nilainya adalah jarak
terpendek menuju posisi benar. Proses evaluasi yang dilakukan selalu
mengambil nilai heuristik terkecil seperti pada gambar dibawah.
6
2018 Kecerdasan Buatan Pusat Bahan Ajar dan eLearning
. http://www.mercubuana.ac.id
7
B. SIMULATED ANNEALING SEARCH
Merupakan suatu algoritma optimasi yang mensimulasikan proses
annealing pada pembuatan materi yang terdiri dari butir keristal/logam.
Algoritma unt untuk optimalisasi yang bersifat generic. Berbasiskan
probabilitas dan mekanika statistic,algoritma ini dapat dipakai untmencari
pendekatan terhadap solusi optimum global dari suatu permasalahn.
Masalah yang membutuhkan pendekatan simulated annealing ialah
masalah-masalah optimisasi kombinatorial, dimana ruang pencarian solusi
yang ada terlalu besar, sehingga hampir tidak mungkin ditemukan solusi
eksak terhadap permasalahn itu. Secara umum ada 3 hal pokok pada
simulated annealing, yaitu:
1. Nilai awal; untuk temperature (T0). Nilai T0 biasanya ditetapkan
cukup besar (tidak mendekati 0), karena jika T mendekati 0 maka
gerakan simulated annealing akan sama dengan hill climbing.
Biasanya temperature awal ini ditetapkan sebesar 2 kali panjang
suatu jalur yang dipilih secara acak.
2. Kriteria; yang dipakai untuk memutuskan apakah temperature sistem
seharusnya dikurangi.
3. Berapa besarnya pengurangan temperature dalam setiap waktu
8
aturan-aturan spesifik yang mengarah ke ruang masalah dan
memangkas node yang tidak menguntungkan dari memori yang
berhubungan dengan ruang masalah.
3. Memori dengan kapasitas yang terbatas; adalah memori tempat
menyimpan beam, dimana ketika memori dalam keadaan penuh dan
node akan di tambahkan ke beam, maka node yang nilainya paling
besar yang dihapus, jadi tidak akan melebihi memori yang tersedia.
D. GENETIC ALGORITHM
Genetic Algorithm (atau GA) adalah teknik pencarian dalam bidang
komputasi untuk menemukan solusi benar atau pendekatan untuk masalah
optimasi dan pencarian. Teknik dalam GA didasarkan pada biologi
evolusioner seperti pewarisan, mutasi, seleksi dan crossover. Dalam GA
biasanya ada 2 hal yang harus didefinisikan:
1. Representasi genetis dari domain solusi
2. Fungsi fitness untuk mengevaluasi solusi domain.
9
b. Mendefinisikan nilai fitness, yang merupakan ukuran baik tidaknya
sebuah individu atau baik tidaknya solusi yang didapatkan.
c. Menentukan proses pembangkitan solusi awal. Hal ini biasanya
dilakukan dengan menggunakan pembangkitan acak seperti random
walk.
d. Menentukan proses seleksi yang akan digunakan.
e. Menentukan proses perkawinan silang (cross over) dan mutasi gen
yang akan digunakan
10
Daftar Pustaka
Bowen, Kenneth A, “Prolog and Expert Systems”, McGraw-Hill, Singapore, 1991.
Giarratano, J and G. Riley, “Expert System: Principle and Programming , 4th ed.”,
PWS Kent, USA, 2004.
Luger, George F. and Stubblefield, William A, AI: “Structures and Strategies For
Complex Problem Solving, 2nd edition”, The Benjamin Cumming Pub, California,
1993.
Rich, Elaine and Knight, Kevin, “Artificial Intelligence, 2nd Ed.”, McGraw-Hill,
Singapore, 1991.
11