Materi Ai Sesi 04

FAKULTAS TEKNOLOGI INFORMASI
UNIVERSITAS BALE BANDUNG
PERTEMUAN 4
MASALAH, RUANG KEADAAN DAN PENCARIAN
Terdapat banyak metode yang telah diusulkan. Semua
metode yang ada dapat dibedakan ke dalam 2 jenis :
• Pencarian buta / tanpa informasi (blind / un-

informed search)
• Pencarian heuristik / dengan informasi (heuristic
atau informed search)
setiap metode mempunyai karakteristik yang berbeda-

beda dengan kelebihan dan kekurangan masing-masing.
FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

UNIVERSITAS BALE BANDUNG DOSEN : RUSTIYANA, MT.
• Pencarian buta tidak selalu dapat diterapkan
dengan baik, hal ini disebabkan waktu
aksesnya yang cukup lama serta besarnya
memori yang diperlukan.
• Kelemahan ini sebenarnya dapat diatasi jika
ada informasi tambahan dari domain yang
bersangkutan

1 2 3 1 2 3
7 8 4 8 4
6 5 7 6 5
Operator
1. Ubin Kosong digeser ke kiri
2. Ubin Kosong digeser ke Kanan
3. Ubin Kosong digeser ke Bawah
4. Ubin Kosong digeser ke Atas

1 2 3 1 2 3
8 4 7 8 4
7 6 5 6 5
Kiri
Atas
kanan
1 2 3 1 2 3 1 2 3
7 8 4 7 8 4 7 4
6 5 6 5 6 8 5
Informasi ke-1:
Untuk jumlah Ubin yang
1 2 3 1 2 3 menempati posisi yang
benar: jumlah yg lebih
8 4 7 8 4 tinggi adalah yang lebih
diharapkan/lebih baik
7 6 5 6 5
kanan
Kiri Atas
1 2 3 1 2 3 1 2 3
7 8 4 7 8 4 7 4
6 5 6 5 6 8 5
H=6 H=4 H=5
Informasi ke-2:
Untuk jumlah Ubin yang
1 2 3 1 2 3 menempati posisi yang
Salah: jumlah yg lebih
8 4 7 8 4 kecil adalah yang lebih
7 6 5 6 5
kanan
Kiri Atas
1 2 3 1 2 3 1 2 3
7 8 4 7 8 4 7 4
6 5 6 5 6 8 5
H=2 H=4 H=3
Informasi-3:
Menghitung total
1 2 3 1 2 3 gerakan yang
diperlukan untuk
8 4 7 8 4 mencapai tujuan:
jumlah yg lebih kecil
7 6 5 6 5 adalah yang lebih
kanan
Kiri Atas
1 2 3 1 2 3 1 2 3
7 8 4 7 8 4 7 4
6 5 6 5 6 8 5
H=2 H=4 H=4
a) Pembagkitan dan Pengujian (Generate &
Test)
b) Pendakian Bukit (Hill Climbing)
c) Pencarian Terbaik Pertama (best First
Search)
d) Simulated Annealing

• Pada Prinsipnya metode ini merupakan
penggabungan antara defth-first Search
dengan pelacakan mundur (backtracking),
yaitu bergerak ke belakang menuju pada
suatu keadaan awal. Nilai Pengujian berupa
jawaban ‘Ya’ dan ‘Tidak’

Algoritma
1. Bangkitkan suatu kemungkinan solusi
(Membangkitkan suatu titik tertentu dari
keadaan awal)
2. Uji untuk melihat apakah node tersebut benar-
benar merupakan solusinya dengan cara
membandingkan node tersebut atau node
akhir dari lintasan yang terpilih dengan
kumpulan tujuan yg diharapkan.
3. Jika Solusi ditemukan, Keluar. Jika tidak, ulangi
kembali langkah pertama

A 8
B • Seorang salesman
ingin mengunjungi
3 4 setiap kota yang
7 5
ada tepat satu kali
• Setiap Kota hanya
D C boleh dikunjungi
6
tepat satu kali
• Mencari rute
terpendek
8 Bangkitkan solusi
A B solusi yg mungkin
dengan menyusun
7 3 4 5 kota-kota dalam
urutan abjad
D C • A-B-C-D
6 • A-B-D-C
• A-C-B-D
• A-C-D-B
• Dan seterusnya
A B C D
B C D
C D B D C B
D FAKULTASCTEKNOLOGI INFORMASI
D B B C MATA KULIAH : ARTIFICIAL INTELLIGENCE
Panjang Panjang lintasan
Pencarian Ke- Lintasan Lintasan terpilih
lintasan terpilih
1 ABCD 19 ABCD 19
2 ABDC 18 ABDC 18
3 ACBD 12 ACBD 12
4 ACDB 13 ACBD 12
5 ADBC 16 ACBD 12
6 ADCB 18 ACBD 12
7 BACD 17 ACBD 12
8 BADC 21 ACBD 12
9 BCAD 15 ACBD 12
10 BCDA 18 ACBD 12
11 BDAC 14 ACBD 12
12
UNIVERSITAS BDCA
BALE BANDUNG 13 ACBD DOSEN12: RUSTIYANA, MT.
Panjang Panjang lintasan
Pencarian Ke- Lintasan Lintasan terpilih
lintasan terpilih
13 CABD 15 ACBD 12
14 CADB 14 ACBD 12
15 CBAD 20 ACBD 12
16 CBDA 16 ACBD 12
17 CDAB 21 ACBD 12
18 CDBA 18 ACBD 12
19 DABC 20 ACBD 12
20 DACB 15 ACBD 12
21 DBAC 15 ACBD 12
22 DBCA 12 ACBD atau DBCA 12
23 DCAB 17 ACBD atau DBCA 12
24
UNIVERSITAS DCBA
BALE BANDUNG 19 ACBD atau DBCA DOSEN12: RUSTIYANA, MT.
• Metoda ini hampir sama dengan metoda
pembangkitan dan pengujian, hanya saja proses
pengujian dilakukan dengan menggunakan
fungsi heristik.
• Pembangkitan keadaan berikutnya sangat
tergantung pada feedback dari procedur
pengetesan.
• Tes berupa fungsi heuristik ini akan menunjukan
seberapa baiknya nilai terkaan yg diambil
terhadap keadaan-keadaan lainnya yg mungkin

Algoritma
1. Mulai dari keadaan awal, lakukan pengujian:
jika merupakan tujuan, maka berhenti; jika
tidak, lanjutkan dengan keadaan sekarang
sebagai keadaan awal.

Algoritma
2. Kerjakan langkah langkah berikut sampai solusinya
ditemukan atau sampai tidak ada operator baru
yang akan diaplikasikan pada keadaan sekarang:
a) Cari Operator yg belum pernah digunakan; gunakan
operator ini untuk mendapatkan keadan yg baru.
b) Evaluasi keadaan tersebut
1) Jika keadaan baru merupakan tujuan, maka keluar
2) Jika bukan tujuan, namun nilainya lebih baik daripada
sekarang, maka jadikan keadaan baru tersebut menjadi
keadaan sekarang
3) Jika keadaan baru tidak lebih baik daripada keadaan
sekarang, maka lanjutkan iterasi

Catatan:
1. Algoritma akan berhenti jika mencapai nilai
optimum lokal
2. Urutan penggunakan operator akan sangat
berpengaruh pada penemuan solusi
3. Tidak diijinkan untuk melihat satu langkah
sebelumnya

Contoh TSP dengan Simple hill Climbing
• Ruang keadaan berisi semua kemungkinan
lintasan yang mungkin
• Operator digunakan untuk posisi kota-kota
yang bersebelahan
• Fungsi heuristik yang digunakan adalah
panjang lintasan yg terjadi

• Operator yg digunakan adalah menukar
urutan posisi 2 kota dalam suatu lintasan.
Apabila ada N Kota, dan kita ingin mencari
kombinasi dengan menukar posisi urutan 2
kota maka kita akan mendapatkan sebanyak:
n! .
2! (n-2)!

• Sehingga jika 4 kota, kita bisa memperoleh
kombinasi
4! . = 6
2! (4-2)!

• Ke enam kombinasi ini akan kita pakai semua
operator, yaitu:
– Tukar 1,2 (menukar posisi kota ke-1 dengan kota ke-2)
– Tukar 2,4(menukar posisi kota ke-2 dengan kota ke-4)

• Hampir sama dengan Simple Hill climbing,
hanya gerakan pencarian tidak dimulai dari
posisi paling kiri. Gerakan selanjutnya dicari
berdasarkan nilai heuristik terbaik.
• Dalam hal ini urutan penggunaan operator
menentukan penemuan solusi

• Algoritma
1. Mulai dari keadaan awal, lakukan pengujian:jika
merupakan tujuan, maka berhenti; jika tidak, lanjutkan
dengan keadaan sekarang sebagai keadaan awal
2. Kerjakan hingga tujuan tercapai atau hingga iterasi
tidak memberikan perubahan pada keadaan sekarang
1) Tentukan succesor sebagai nilai heuristik terbaik dari
successor-successor
2) Evaluasi keadaan baru tersebut. Jika merupakan tujuan,
keluar. Jika bukan, bandingkan nilai heuristiknya dengan
successor. Jika lebih baik, jadikan nilai heuristik keadaan baru
tersebut sebagai successor. Namun jika lebih baik, nilai
successor tidak berubah
3. Jika Successor lebih baik daripada nilai heuristik
keadaan sekarang, ubah node successor menjadi
keadaan sekarang
• Contoh TSP dengan Steepest-Ascent Hill
Climbing

• Contoh TSP dengan Steepest-Ascent Hill
Climbing

• Contoh 8-Puzzle dengan Steepest-Ascent Hill Climbing
2 3 1 2 3
1 8 4 8 4
7 6 5 7 6 5
Operator
1. Ubin Kosong digeser ke kiri
2. Ubin Kosong digeser ke Kanan
3. Ubin Kosong digeser ke Bawah
4. Ubin Kosong digeser ke Atas

H=5 2 3
1 8 4
7 6 5
H=4 H=6 H=5

2 3 2 3 2 8 3
1 8 4 1 8 4 1 4
7 6 5 7 6 5 7 6 5
Fungsi Heuristik yg
H=5 H=7 digunakan adalah: Jumlah
2 3 1 2 3
Ubin yang menempati
1 8 4 8 4 posisi yang benar
7 6 5 7 6 5
H=6 2 3 H=8 1 2 3 H=6 1 2 3

1 8 4 8 4 7 8 4
UNIVERSITAS BALE7BANDUNG
6 5 7 6 5 6 5
DOSEN : RUSTIYANA, MT.
Terima kasih

Materi Ai Sesi 04

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Materi Ai Sesi 04

Diunggah oleh

Hak Cipta:

Format Tersedia

FAKULTAS TEKNOLOGI INFORMASI

UNIVERSITAS BALE BANDUNG

• Pencarian buta / tanpa informasi (blind / un-

setiap metode mempunyai karakteristik yang berbeda-

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

FAKULTAS TEKNOLOGI INFORMASI MATA KULIAH : ARTIFICIAL INTELLIGENCE

H=4 H=6 H=5

H=6 2 3 H=8 1 2 3 H=6 1 2 3

Anda mungkin juga menyukai