MODUL PERKULIAHAN

Pengantar
Kecerdasan Buatan

Beyond Classical Search

(bagian 1)

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

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).

Algoritma Simple Hill Climbing

Berikut adalah algoritma dari Simple Hill Climbing:
1. Mulai dari keadaan awal, lakukan pengujian: jika merupakan tujuan,
maka berhenti; dan jika tidak, lanjutkan dengan keadaan sekarang
sebagai keadaan awal.
2. Kerjakan langkah-langkah berikut sampai solusinya ditemukan, atau

2018 Kecerdasan Buatan Pusat Bahan Ajar dan eLearning

. http://www.mercubuana.ac.id

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.

Contoh Penerapan Algoritma Simple Hill Climbing

Salah satu contoh dari penerapan Algoritma Simple Hill Climbing
adalah Traveling Salesman Problem. Disini ruang keadaan berisi semua
kemungkinan lintasan yang mungkin. Operator digunakan untuk menukar
posisi kota-kota yang bersebelahan. Fungsi heuristik yang digunakan
adalah panjang lintasan yang terjadi.
Pada gambar dibawah, operator yang akan kita gunakan adalah
menukar urutan posisi 2 kota dalam suatu lintasan. Apabila ada n kota, dan
kita ingin mencari kombinasi lintasan dengan menukar posisi urutan 2 kota,
Sehingga kalau ada 4 kota, kita bisa memperoleh: 6 kombinasi. Keenam
kombinasi akan dipakai semuanya sebagai operator, 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).
2018 Kecerdasan Buatan Pusat Bahan Ajar dan eLearning
. http://www.mercubuana.ac.id

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).

Pada gambar tersebut terlihat bahwa di keadaan awal, lintasan

terpilih adalah ABCD (=19). Pada level pertama, hill climbing akan
mengunjungi BACD (=17) yang ternyata memiliki nilai heuristik lebih kecil
dibandingkan dengan ABCD (17<19), sehingga BACD menjadi pilihan
selanjutnya dengan operator terpakai Tukar1,2. Pada level kedua, hill
climbing akan mengunjung ABCD. Karena operator Tukar 1, 2 sudah
digunakan oleh BACD, maka dipilih node yang lain yaitu BCAD (=15).
Karena nilai heuristik BCAD lebih kecil dibanding dengan BACD (15<17),
maka node BCAD akan menjadi pilihan selanjutnya dengan operator
Tukar2,3. Kemudian hill climbing akan mengunjungi CBAD (=20). Karena
nilai heuristik CBAD lebih besar jika dibanding dengan BCAD (20>17),
maka dipilih node lain. Pencarian menuju ke node BACD, karena operator
Tukar2,3 sudah pernah digunakan oleh BCAD, maka dipilih node lain.
Kunjungan berikutnya ke node BCDA (=18). Nilai inipun masih lebih besar
dari nilai heuristik BCAD, sehingga dipilih node lain. Node vang dikunjungi

2018 Kecerdasan Buatan Pusat Bahan Ajar dan eLearning

. http://www.mercubuana.ac.id

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).

2018 Kecerdasan Buatan Pusat Bahan Ajar dan eLearning

. http://www.mercubuana.ac.id

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:

Current State Goal State

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.

2018 Kecerdasan Buatan Pusat Bahan Ajar dan eLearning

. http://www.mercubuana.ac.id

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

C. LOCAL BEAM SEARCH

Local beam search adalah algoritma pencarian heuristik yang
merupakan optimasi dari pencarian best-first search yang mengurangi
kebutuhan memorinya. Dalam Beam Search, hanya jumlah solusi parsial
terbaik yang telah ditetapkan yang disimpan sebagai kandidat. Beam
Search membutuhkan tiga komponen sebagai inputnya, yaitu :
1. Masalah yang akan di selesaikan; biasanya di tampilkan dalam
bentuk grafik dan berisi kumpulan node yang tiap satu atau lebih
node mengarah ke goal/hasil.
2. Kumpulan aturan-aturan heuristik untuk pemangkasan; adalah
2018 Kecerdasan Buatan Pusat Bahan Ajar dan eLearning
. http://www.mercubuana.ac.id

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.

Beam Search memiliki keuntungan yang berpotensi mengurangi

perhitungan dan waktu pencarian. Selain itu, pemakaian memori dari
pencarian ini jauh lebih sedikit daripada metode yang mendasari mtode
pencarian ini. Kelemahan utama Beam Search adalah metode pencarian ini
mungkin tidak dapat mencapai tujuan/hasil yang optimal dan bahkan
mungkin tidak mencapai tujuan sama sekali. Pada kenyataannya, algoritma
beam search berakhir untuk dua kasus: node tujuan yang diperlukan
tercapai, atau node tujuan tidak tercapai dan tidak ada node tersisa untuk
dieksplorasi.

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.

Hal-hal yang harus dilakukan untuk menggunakan algoritma genetika:

a. Mendefinisikan individu, dimana individu menyatakan salah satu
solusi (penyelesaian) yang mungkin dari permasalahan yang
diangkat.
2018 Kecerdasan Buatan Pusat Bahan Ajar dan eLearning
. http://www.mercubuana.ac.id

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

2018 Kecerdasan Buatan Pusat Bahan Ajar dan eLearning

. http://www.mercubuana.ac.id

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.

Sri Kusumadewi, “Artificial Intelligence: Teknik dan Aplikasinya”, Graha Ilmu,

Yogyakarta, 2003.

Rich, Elaine and Knight, Kevin, “Artificial Intelligence, 2nd Ed.”, McGraw-Hill,
Singapore, 1991.

Russell, S and Norvig, P. “Artificial Intelligence: A Modern Approach; 3rd Edition.”

Prentice Hall, 2010.

2018 Kecerdasan Buatan Pusat Bahan Ajar dan eLearning

. http://www.mercubuana.ac.id

11