PERTEMUAN KE-7

KECERDASAN BUATAN – HEURISTIC SEARCH

KECERDASAN BUATAN - MINGGU KE-7

ALGORITMA PENCARIAN

KECERDASAN BUATAN - MINGGU KE-7

ALGORITMA PENCARIAN

KECERDASAN BUATAN - MINGGU KE-7

HEURISTIC SEARCH

Pencarian heuristik memanfaatkan

“knowledge” tambahan tentang
masalah yang membantu pencarian
langsung ke jalur yang lebih
menjanjikan.
Fungsi heuristik, melakukan estimasi
seberapa jauh kita dari sebuah tujuan.

KECERDASAN BUATAN - MINGGU KE-7

FUNGSI HEURISTIC

¡ Fungsi Heuristik untuk mengarahkan pencarian ke lintasan yang menjanjikan

¡ Waktu yang dihabiskan untuk menghitung fungsi heuristik akan mendapatkan pencarian yang lebih baik
¡ Fungsi heuristik dapat menyelesaikan permasalahan, dapat mengarahkan pencarian menuju ke node tujuan
¡ Menentukan node mana yang akan diperluas disebut meta-reasoning
¡ Heuristik mungkin tidak selalu terlihat seperti angka dan mungkin melibatkan sejumlah besar knowledge

KECERDASAN BUATAN - MINGGU KE-7

GENERATE AND TEST

Algoritma Generate and Test merupakan algoritma paling sederhana dalam teknik pencarian heuristik. Dalam
Generate and Test, terdapat dua prosedur penting yaitu generate (membangkitkan) yaitu membangkitkan semua solusi
yang mungkin dan test (pengetesan) yaitu menguji solusi yang dibangkitkan tersebut. Algoritma Generate and Test
menggabungkan algoritma DFS dengan pelacakan mundur (backtracking), yaitu bergerak ke belakang menuju state
awal.
Langkah-langkah dari algoritma Generate and Test adalah sebagai berikut :
1. Bangkitkan sebuah solusi yang mungkin
2. Menguji tiap-tiap node yang merupakan solusi dengan cara membandingkan node tersebut dengan node akhir dari
suatu lintasan yang dipilih dengan kumpulan tujuan yang diharapkan.
3. Jika solusi telah ditemukan, maka keluar dari sistem. Jika belum menemukan solusi, maka kembali ke langkah 1.

KECERDASAN BUATAN - MINGGU KE-7

KELEBIHAN DAN KEKURANGAN GAT

Kelebihan dari metode ini adalah sebagai berikut:

¡ Membangkitkan semua kemungkinan sebelum dilakukan
pengujian.

Kekurangan dari metode ini adalah sebagai berikut:

¡ Lamanya waktu yang diperlukan dalam melakukan
pencarian karena harus menentukan semua
kemungkinan terlebih dahulu sebelum melakukan
pengujian.

KECERDASAN BUATAN - MINGGU KE-7

HILL CLIMBING

Hill climbing adalah teknik optimasi untuk menemukan pemecahan masalah dari data input dengan menggunakan
algoritma. Tahapan terbaik yang di gunakan dalam pemecahan permasalahan adalah properti yang penjelasan state
itu sendiri berisi semua informasi yang diperlukan untuk solusi (Russell dan Norvig, 2003).
Algoritma simple hill climbing:
1. Evaluasi state awal, jika state awal sama dengan tujuan, maka proses berhenti. Jika tidak sama dengan tujuan maka
lanjutkan proses dengan membuat state awal sebagai state sekarang.
2. Kerjakan langkah berikut sampai solusi ditemukan atau sampai tidak ada lagi operator baru yang dapat digunakan
dalam state sekarang :

KECERDASAN BUATAN - MINGGU KE-7

VISUALISASI HILL CLIMBING

a. Cari sebuah operator yang belum

pernah digunakan dalam state
sekarang dan gunakan operator
tersebut untuk membentuk state
baru.
b. Evaluasi state baru. i. Jika state baru
adalah tujuan, maka proses berhenti ii.
Jika state baru tersebut bukan tujuan
tetapi state baru lebih baik dari pada
state sekarang, maka buat state baru
menjadi state sekarang. iii. Jika state
baru tidak lebih baik dari pada state
sekarang, maka lanjutkan ke langkah
KECERDASAN BUATAN - MINGGU KE-7
KELEBIHAN & KEKURANGAN HILL CLIMBING

Kelebihan dari metode ini adalah sebagai berikut:

• Metode hill climbing berhenti apabila solusinya sudah di temukan tanpa kita harus membandingkan lagi node-node
yang lainnya.
• Pencarian menggunakan hill climbing prosesnya lebih cepat mendekati tujuannya.
Kekurangan dari metode ini adalah sebagai berikut:
¡ Metode hill climbing node yang akan ditujukan tidak bisa langsung ketujuan tetapi harus melewati level sedikit
demi sedikit demi mendapatkan tujuannya.
¡ Apabila hill climbing sudah mendapatkan solusi maka dia harus mencari solusi yang lain untuk membandingkannya
karena untuk mencari node awal dengan tujuan yang dekat.

KECERDASAN BUATAN - MINGGU KE-7

SIMULATED ANNEALING

Simulated Annealing merupakan metode

pencarian random untuk mengoptimalkan
metode pencarian heuristik yang berpotensi
menimbulkan hasil yang kurang optimal akibat
adanya permasalahan optimum local.
Secara sederhana, analogi Simulated Annealing
adalah metode Hill Climbing yang dilengkapi
dengan fitur inisialisasi ulang di tempat random.

KECERDASAN BUATAN - MINGGU KE-7

KELEBIHAN DAN KEKURANGAN SIMULATED ANNEALING

Kelebihan dari metode ini adalah sebagai berikut:

¡ Pasti menemukan solusi
¡ Waktu relative cepat

Kekurangan dari metode ini adalah sebagai berikut:

¡ Pemilihan secara random pada langkah pertama bisa
sangat mempengaruhi efektivitas langkah selanjutnya

KECERDASAN BUATAN - MINGGU KE-7

BEST FIRST SEARCH

BFS Adalah teknik penelusuran yang menggunakan pengetahuan akan suatu masalah untuk melakukan panduan
pencarian ke arah node tempat dimana solusi berada.
Langkah dari algoritma Breadth First Search adalah sebagai berikut :
¡ Menentukan node asal dan node tujuan.
¡ Pencarian dimulai dari node asal, node yang ada pada setiap tingkat seluruhnya diuji sebelum pindah ketingkat
berikutnya.
¡ Jika node tujuan ditemukan maka berhenti, tapi jika belum ditemukan maka dilanjutkan ke node yang ada di level 1.
Node yang berada dalam level 1 adalah node-node yan bertetangga dengan node asal.
¡ Jika langkah ketiga masih belum sampai ke tujuan, maka pencarian dilakukan ke node di level 2, yaitu node-node
yang bertetangga dengan masing-masing node di level 1. Demikian seterusnya, proses dilanjutkan sampai node
tujuan ditemukan.

KECERDASAN BUATAN - MINGGU KE-7

KELEBIHAN DAN KEKURANGAN BFS

Kelebihan dari metode ini adalah sebagai berikut:

• Mengurangi beban komputasi karena hanya solusi yang memberikan harapan saja yang diuji dan akan berhenti
apabila solusi sudah mendekati yang terbaik. Ini merupakan model yang menyerupai cara manusia mengambil solusi
yang dihasilkan merupakan solusi yang mutlak benar.
¡ Menemukan solusi tanpa harus menguji lebih banyak sampel.

Kekurangan dari metode ini adalah sebagai berikut:

¡ Mungkin terjebak pada local optima

KECERDASAN BUATAN - MINGGU KE-7

GREEDY BEST FIRST SEARCH

Algorithm Greedy Best-First search merupakan jenis algoritma yang menggunakan pendekatan
penyelesaian masalah dengan mencari nilai maksimum sementara pada setiap langkahnya. Tujuan dari
algoritma greedy adalah menentukan rute terpendek berdasarkan biaya perkiraan.

Algoritma dari Greedy Best First Seearch:

¡ Masukkan simpul awal ke dalam Open List
¡ Open berisi simpul awal dan Closed List masih kosong
¡ Masukkan simpul awal ke Closed List dan suksesornya pada Open List.
¡ Ulangi langkah samapi simpul tujuan ditemukan dan tidak ada lagi simpul yang akan dikembangkan.
KECERDASAN BUATAN - MINGGU KE-7
KELEBIHAN DAN KEKURANGAN GREEDY BEST FIRST

Kelebihan dari metode ini adalah:

¡ Lebih cepat menemukan solusi dibandingkan jenis
algoritma lainnya dan aproksimasinya masih layak
dipakai untuk nilai optimum yang diinginkan.

Kekurangan dari metode ini adalah sebagai berikut:

¡ Boros memori.
¡ Dapat terjadi looping tiada henti.

KECERDASAN BUATAN - MINGGU KE-7

A*

Algoritma A* adalah algoritma yang menggabungkan algoritma Dijkstra dan algoritma Greedy Best Fiest Search. Selain
menghitung biaya yang diperlukan untuk berjalan dari simpul satu ke simpul lainnya, algoritma A* juga menggunakan
fungsi heuristic untuk memprioritaskan pemeriksaan simpul-simpul pada arah yang benar, sehingga algoritma A*
mempunyai efisiensi waktu yang baik dengan tidak mengorbankan perhitungan biaya sebenarnya.
Kelebihan dari metode ini adalah sebagai berikut:
¡ Membutuhkan memori yang relatif kecil. karena hanya node-node pada lintasan yang aktif saja yang disimpan.
¡ Menghasilkan solusi yang optimal dibandingkan Greedy Best First Search.
Kelemahan dari metode ini adalah sebagai berikut:
¡ Algoritma akan berhenti kalau mencapai nilai lokal optimum.
¡ Tidak diijinkan untuk melihat satupun langkah sebelumnya.

KECERDASAN BUATAN - MINGGU KE-7

PENERAPAN HEURISTIC SEARCH

Permasalahan Jigsaw Puzzle

• Otak manusia secara sadar
berusaha mencari potongan puzzle
yang mengarah ke solusi.
• Suatu pemilihan potongan puzzle
mungkin mengarah ke solusi yang
diharapkan, mungkin juga tidak -
berdasarkan probabilitas tertentu.
Bentuk akhir diperoleh dari banyak
perulangan iterasi.
KECERDASAN BUATAN - MINGGU KE-7
PENERAPAN HEURISTIC SEARCH

Penerapan Algoritma Greedy Best First Search untuk

Menyelesaikan Permainan Chroma Test
Permainan Chroma test: brain challenge adalah jenis permainan
puzzle yang memiliki misi untuk menyamakan seluruh warna yang
ada dalam permainan tersebut dengan batasan langkah yang
ditentukan. Permainan ini memerlukan pertimbangan terhadap
batasan langkah yang boleh dilakukan. Algoritma Greedy best first
search dapat digunakan untuk menyelesaikan permainan ini
dengan mempertimbangkan nilai heuristik yang dibuat sedemikian
sehingga optimal.

KECERDASAN BUATAN - MINGGU KE-7

PENERAPAN HEURISTIC SEARCH

Penyelesaian Asymmetric Travelling Salesman Problem

dengan Algoritma Hungarian dan Algoritma Cheapest
Insertion Heuristic

¡ Masalah ATSP dapat diselesaikan dengan

KECERDASAN BUATAN - MINGGU KE-7
menggunakan algoritma Hungarian, dimana masalah
ATSP dipandang sebagai masalah Penugasan
(Assignment Problem) dengan n pekerja diisi oleh
satu orang pekerja saja, dan n pekerjaan
diasumsikan sebagai n kota tujuan. ATSP juga dapat
diselesaikan dengan Algoritma Cheapest Insertion
Heuristic (CIH) dengan penelusuran siklus
perjalanan dimulai dengan menghubungkan kota
pertama dan kota terakhir, yang selanjutnya kota-
kota persinggahan di insersi (disisipkan) dengan
mencari rute terpendeknya.
KODING IMPLEMENTASI DFS

Function depth_first_search;
begin
open := [Start];
closed := [ ];
while open ¹ [ ] do
begin
remove leftmost state from open, call it X;
if X is a goal then return SUCCESS
else begin
generate children of X;
put X on closed;
discard remaining children of X if already on open or closed
put remaining children on left end of open
end
end;
return FAIL
end.

KECERDASAN BUATAN - MINGGU KE-7

KODING IMPLEMENTASI BFS

Function best_first_search;
begin
open := [Start];
closed := [ ];
while open ¹ [ ] do
begin
remove leftmost state from open, call it X;
if X is a goal then return SUCCESS
else begin
generate children of X;
assign each child their heuristic value;
put X on closed;
(discard remaining children of X if already on open or closed)
put remaining children on open
sort open by heuristic merit (best leftmost)
end
end;
return FAIL
end.

KECERDASAN BUATAN - MINGGU KE-7

GAME PLAYING

Kenapa mempelajari games pada kecerdasan buatan?

¡ Kriteria menang atau kalah jelas.
¡ Dapat mempelajari permasalahan.
¡ Alasan histori.
¡ Menyenangkan.
¡ Biasanya mempunyai search space yang besar (misalnya game catur mempunyai 35100 nodes dalam search tree
dan 1040 legal states.

KECERDASAN BUATAN - MINGGU KE-7

KARAKTERISTIK PADA GAME

Ciri-ciri umum pada game

¡ 2 pemain
¡ Kesempatan pemain bergantian
¡ Zero-sum: kerugian seorang pemain adalah keuntungan pemain lain
¡ Perfect information: pemain mengetahui semua informasi state dari game
¡ Tidak mengandung probabilistik (seperti dadu)
Contoh: Tic-Tac-Toe, Checkers, Chess, Go, Nim, Othello
Game tidak termasuk Bridge, Solitaire, Backgammon, dan semisalnya

KECERDASAN BUATAN - MINGGU KE-7

BAGAIMANA BERMAIN GAME

Cara bermain game:

¡ Pertimbangkan semua kemungkinan jalan
¡ Berikan nilai pada semua kemungkinan jalan
¡ Jalankan pada kemungkinan yang mempunyai nilai terbaik
¡ Tunggu giliran pihak lawan jalan
¡ Ulangi cara diatas
Key problems:
¡ Representasikan “board” atau “state”
¡ Buatlah next board yang legal
¡ Lakukan evaluasi pada posisi

KECERDASAN BUATAN - MINGGU KE-7

CONTOH GAMES

Berikut ini merupakan beberapa contoh game

menggunakan algoritma penyelesaian yang terdapat pada
kecerdasan buatan:
- Games Tree
- Minimax
- Game Nim
- Tic-Tac-Toe
- Checkers
- Chess
- Go
- Othello
- Etc

KECERDASAN BUATAN - MINGGU KE-7

TERIMA KASIH
Ayuahadinn@gmail.com

KECERDASAN BUATAN - MINGGU KE-7