Kecerdasan Buatan/

Artificial Intelligence

Pertemuan 3
METODE PENCARIAN
(SEARCHING)
 Pokok Bahasan
1. Blind Search
• Breadth First Search (BFS)
• Depth First Search (DFS)
• Uniform Cost Search (UCS)
• Depth Limited Search (DLS)
• Iterative Deepening Search (IDS)
• Bi-Directional Search (BDS)
2. Heuristic Search
• Generate and Test
• Hill Climbing (Simple Hill Climbing dan Steepest-Ascent Hill
Climbing)
• Best First Search (Greedy Best First Search) dan Algoritma A*
• Simulated Annealing
Metode Pelacakan / Pencarian (Searching)

Hal penting dalam menentukan keberhasilan

sistem cerdas adalah kesuksesan dalam
pencarian.

Problem Solving :
Intellegent Agent  Memecahkan Masalah
Problem Solving
• Pilih Jalan yang Mana ?
Problem Solving
Apakah masalah ini bisa dipecahkan?

YES / NO ?
 Intelligent Agent
sensors

?
environment
agent

actuators
• Formulate Goal
• Formulate Problem
•States
•Actions
• Find Solution
Definisi Problem 
• Initial State  Liburan di Romania. Posisi
awal di Arad
• Actions(s)  {a1, a2, a3, ...}
– Input = State  Kota
– Hasil = Beberapa Action
• Result(s,a)  s1  State baru (Kota-kota)
• GoalTest(s)  T/F  Bucharest
• Path Cost Function
Formulate Goal, Formulate Problem, Formulate Solusi
 Pengorganisasian Masalah 
• Tree Search  Struktur Pohon
• Kemungkinan2 solusi dari setiap membentuk ruang
solusi (solution space).
• Ruang solusi diorganisasikan ke dalam struktur pohon.
• Pohon dinamis : pohon yang dibangun selama pencarian
solusi berlangsung, yaitu menyatakan status-status
persoalan pada saat pencarian solusi berlangsung.
• Pencarian solusi dilakukan dengan mengunjungi
(traversal) simpul-simpul di dalam pohon.
Teknik Pencarian dan Jenisnya
Teknik Search menentukan simpul mana yang dibuat lebih dulu dan mana
yang kemudian sampai ditemukannya simpul solusi.
Dari proses search dihasilkan diagram tree, sehingga perlu penjelasan
beberapa terminologi diagram tree seperti berikut :
• Simpul
• Level/Cabang
• Path
• Parent
• Child
• Root
• Leave
• Jumlah Ruang Simpul
• Langkah solusi (Solusi)
Metode Pencarian dan Pelacakan

1. Pencarian Buta (Blind / Uninformed Search)

 tidak ada informasi awal yang digunakan dalam
proses pencarian.
a) Pencarian Melebar Pertama /Breadth-First Search
b) Pencarian Mendalam Pertama (Depth – First Search
c) Uniform Cost Search (UCS)
d) Depth-Limited Search (DLS)
e) Iterative-Deepening Search (IDS)
f) Bi-directional Search (BDS)
Metode Pencarian dan Pelacakan

2. Pencarian Terbimbing (Informed / Heuristics

Search)
 adanya informasi awal yang digunakan dalam
proses pencarian.
a) Generate and Test
b) Pendakian Bukit (Hill Climbing)
c) Pencarian Terbaik Pertama (Best First Search)
d) Tabu Search
e) Simulated Annealing
Perbandingan Uninformed dan Informed

 Uninformed
tidak memanfaatkan informasi tertentu
 Informed
memanfaatkan informasi tertentu
Informasi tertentu tersebut disebut Heuristik
berfungsi untuk mempercepat proses pencarian
Heuristik = Intelligent

6
Pencarian Melebar Pertama (Breadth-First
Search)
• Breadth-first search (BFS) melakukan
proses searching pada semua node yang
berada pada level atau hirarki yang sama
terlebih dahulu sebelum melanjutkan
proses searching pada node di level
berikutnya.
Contoh Breadth First Search
Dari gambar
disamping maka
solusinya adalah:
S–A–B–C–D–
E–F–H–G
Prosesnya sama-
sama lama dengan
Depth First Search
tetapi tingkat
kesalahannya lebih
tinggi.
Contoh Breadth First Search (1)
 Algoritma :
1. Buat suatu variabel Node_List dan
tetapkan sebagai keadaan awal
2. Kerjakan langkah-langkah berikut ini
sampai tujuan tercapai atau node_list
dalam keadaan kosong:
a. Hapus elemen pertama dari
Node_List sebut dengan nama E,
Jika Node_List kosong, keluar.
b. Pada setiap langkah yang aturannya
cocok dengan E, kerjakan:
i. Aplikasikan aturan tersebut untuk
membentuk suatu keadaan baru
ii Jika keadaan awal adalah tujuan
yang diharapkan, sukses dan keluar
Iii Jika Tidak, tambahkan keadaan
awal yang baru tersebut pada akhir
Node_List.
Contoh Breadth First Search (2)
Keuntungan :
- Tidak akan menemui jalan buntu
- Jika ada 1 solusi, maka BFS
akan menemukannya, Dan jika
ada lebih dari 1 solusi, maka
solusi minimum akan ditemukan.
Kelemahan :
- Membutuhkan memori yang
cukup banyak karena
menyimpan semua node dalam
satu pohon
- Membutuhkan waktu yang
cukup lama, karena akan
menguji n level untuk mendapatkan
solusi pada level yang ke (n+1)2
Contoh BFS 1: Kasus Travelling from ARAD To
Bucharest
Penyelesaian Contoh BFS : Kasus 1
Penyelesaian Contoh BFS : Kasus 1
Beberapa Kriteria dalam Strategi BFS
• Completeness
Apakah strategi tersebut menjamin penemuan jika
solusinya memang ada?
• Time complexity
Berapa lama waktu yang diperlukan?
• Space complexity
Berapa banyak memori yang diperlukan?
• Optimality
Apakah startegi tersebut menemukan solusi yang paling
baik jika terdapat beberapa solusi berbeda pada
permaslahan yang ada
Properties of BFS
• Completeness : Yes, if b is finite
• Time Complexity : 1+b+b2+…+bd = 0(bd), i.e.
exponential in d
• Space Complexity : 0(bd), keep every node in
memory
• Optimality : yes (assuming cost = 1 per step)
• Why keep every node in memory ? To avid revisiting
already-visited node, which may easily yield infinite loops
already
Time Complexity of BFS

• If goal node is found d depth d of tree, all nodes

up till that depth of created

d
b m
G

• Thus : O(bd)
Space Complexity of BFS
• Largest number of nodes in Queue is reached on
the level d of the goal node

d
b G m

• Queue contains all and nodes (Thus : 4)

• In general : bd
Contoh Kasus: Menyusun 3 Balok
Solusi Dengan BFS
S0: 1
2 3

S3:

3
S1: S2: 1 1
1 2 3 2 3 2

S8:

S6: 2
S4: S5: S7:
2 2 3 3 1
1 3 1 3 1 2 1 2 3

S9: S10:
3 1
2 2
1 3
Contoh Kasus Permainan 8-Puzzle
Solusi 8-Puzzle dengan BFS
2 1 6
4 8
7 5 3

up r ig h t
dow n le ft

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

le ft r ig h t le ft r ig h t dow n up up dow n

2 6 2 6 2 1 6 2 1 6 2 1 6 1 6 2 1 2 1 6
4 1 8 4 16 8 4 5 8 4 5 8 7 4 8 2 4 8 4 8 6 4 8 3
7 5 3 7 5 3 7 3 7 5 5 3 7 5 3 7 5 3 7 5

dow n

4 2 6
16 8 ... d a n s e te ru s n y a
7 5 3
Depth First Search (DFS)
• Proses pencarian dilakukan pada semua
anaknya sebelum dilakukan pencarian ke
node-node yang selevel.
• Pencarian dimulai dari node akar ke level
yang lebih tinggi. Proses diulangi terus
hingga ditemukan solusi.
Depth First Searching (DFS) 1

• Proses searching mengikuti sebuah jalur

(path) tunggal sampai menemukan goal
atau dead end.
• Apabila proses searching menemukan
dead-end, DFS akan melakukan
penelusuran balik ke node terakhir untuk
melihat apakah node tersebut memiliki
jalur cabang yang belum dieksplorasi.
Depth First Search (DFS) 2

• Apabila cabang ditemukan, DFS akan

melakukan cabang tersebut.
• Apabila sudah tidak ada lagi cabang yang
dapat dieksplorasi, DFS akan kembali ke
node parent dan melakukan proses
searching terhadap cabang yang belum
dieksplorasi dari node parent sampai
menemukan penyelesaian masalah.
Depth First Search (DFS) 3
 Algoritma :
1. Jika keadaan awal merupakan
tujuan, keluar (sukses)
2. Jika tidak, kerjakan langkah-
langkah
berikut ini sampai tercapai
keadaan
sukses atau gagal :
a. Bangkitkan succesor E dari
keadaan awal. Jika tidak ada
succesor, maka akan terjadi
kegagalan.
b. Panggil DFS dengan E sebagai
keadaan awal
c. Jika sukses berikan tanda sukses.
Namun jika tidak, ulangi langkah
Depth First Search (DFS) 4

Keuntungan DFS adalah:

•Pemakaian memori hanya sedikit, berbeda
jauh dengan BFS yang harus menyimpan
semua node yang pernah dibangkitkan.
•Jika solusi yang dicari berada pada level
yang dalam dan paling kiri, maka DFS akan
menemukannya secara cepat.
Depth First Search (DFS) 5

Kelemahan DFS adalah :

•Harus mencari sampai ke temu tujuan
(goal).
Perbandingan BFS dan DFS (Sama2 non
Heuristic Search)

Ilustrasi proses BFS Ilustrasi proses DFS

Kualitasnya dibedakan berdasarkan :

◦ Jumlah ruang simpul
◦ Solusi (Jumlah langkah mencapai Solusi)

Breadth First Search (BFS) Depth First Search (DFS)

• Jumlah ruang simpul relatif • Jumlah ruang simpul relatif
(umumnya) lebih banyak (umumnya) lebih sedikit

• Solusi dijamin optimal • Solusi tidak dijamin optimal

Iterative-Deepening Search (IDS)
• IDS merupakan metode yang
menggabungkan kelebihan BFS (Complete
dan Optimal) dengan kelebihan DFS (space
complexity rendah atau membutuhkan sedikit
memori)
• Tetapi konsekwensinya adalah time
complexitynya menjadi tinggi.
Bi-Directional Search (BDS)

Pencarian dilakukan dari dua arah : pencarian

maju (dari start ke goal) dan pencarian mundur
(dari goal ke start). Ketika dua arah pencarian
telah membangkitkan simpul yang sama, maka
solusi telah ditemukan, yaitu dengan cara
menggabungkan kedua jalur yang bertemu.
Pencarian Heuristik
• Pencarian buta tidak selalu dapat diterapkan dengan
baik, hal ini disebabkan waktu aksesnya yang cukup
lama & besarnya memori yang diperlukan.
Kelemahan ini dapat diatasi jika ada informasi
tambahan dari domain yang bersangkutan.
 Pencarian Heuristik
Ada 4 metode pencarian Heuristik
1.Pembangkitan dan Pengujian (Generate
and Test)
2.Pendakian Bukit (Hill Climbing)
3.Pencarian Terbaik Pertama ( Best First
Search)
4.Simulated Annealing
 Generate And Test
• Merupakan pencarian yang
mengkombinasikan metode Depth-First
Search dengan Backtracking (pelacakan
balik atau mundur) yaitu bergerak ke
belakang menuju pada suatu keadaan
awal.
 Generate And Test
• Algoritma:
1. Bangkitkan suatu kemungkinan solusi (membangkitkan
suatu titik tertentu atau lintasan tertentu dari keadaan
awal).
2. Uji untuk melihat apakah node tersebut benar-benar
merupakan solusinya dengan cara membandingkan
node tersebut atau node akhir dari suatu lintasan yang
dipilih dengan kumpulan tujuan yang diharapkan.
3. Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali
langkah yang pertama.
 Kelemahan Generate And Test
Salah satu kelemahan dari metode generate & test ini adalah perlu membangkitkan
semua kemungkinan sebelum dilakukan pengujian, sehingga membutuhkan waktu yang
cukup besar

Solusi : S-A-D-A-E-F-E-G-B-H-B-I-J-I-K-C-L-N
 Hill Climbing
• Merupakan metode pelacakan yang
mengkombinasikan pelacakan Generate
and Test dengan Backtracking.
• Untuk langkah awal pelacakan dengan
memilih node yang memiliki nilai terbaik
(fungsi heuristik).
 Hill Climbing
• Kelebihan :
- Butuh memori kecil
- Menemukan solusi tanpa harus menguji lebih
banyak lagi
• Kelemahan :
- Mungkin terjebak dalam local optimum
- Perlu menemukan aturan yang tepat
 Algoritma Hill Climbing
Solusi : S-C-B-G-I-G-H = 41
 Contoh Travelling Salesman Problem
Seorang salesman ingin mengunjungi n kota. Jarak antara
tiap-tiap kota sudah diketahui. Ingin diketahui rute
terpendek dimana setiap kota hanya boleh dikunjungi
tepat 1 kali

A 8 B

3 4
7 5

D 6 C
 Contoh Hill Climbing (1)
Solusi – solusi yang mungkin dengan menyusun
kota-kota dalam urutan abjad, misal :
A – B – C – D : dengan panjang lintasan (=19)
A – B – D – C : (=18)
A – C – B – D : (=12) A 8 B
A – C – D – B : (=13)
3 4
dst 5
7

D 6 C
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.
Operator yang akan digunakan adalah menukar urutan posisi
2 kota dalam 1 lintasan. Bila ada n
kota, dan ingin mencari kombinasi lintasan dengan menukar
posisi urutan 2 kota, maka akan
didapat sebanyak :
Keenam kompbinasi ini 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
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
•Keadaan awal, lintasan ABCD (=19).
Level pertama, hill climbing mengunjungi BACD (=17), BACD (=17) <
ABCD (=19), sehingga
BACD menjadi pilihan selanjutnya dengan operator Tukar 1,2

•Level kedua, mengunjungi ABCD, karena operator Tukar 1,2 sudah

dipakai BACD, maka pilih node
lain yaitu BCAD (=15), BCAD (=15) < BACD (=17)

•Level ketiga, mengunjungi CBAD (=20), CBAD (=20) > BCAD (=15),
maka pilih node lain yaitu
BCDA (=18), pilih node lain yaitu DCAB (=17), pilih node lain yaitu
BDAC (=14),
BDAC (=14) < BCAD (=15)
• Level keempat, mengunjungi DBAC (=15), DBAC(=15) >
BDAC (=14), maka pilih node lain yaitu
BADC (=21), pilih node lain yaitu BDCA (=13), BDCA (=13)
< BDAC (=14)

• Level kelima, mengunjungi DBCA (=12), DBCA (=12) <

BDCA (=13)

• Level keenam, mengunjungi BDCA, karena operator

Tukar 1,2 sudah dipakai DBCA, maka pilih node
lain yaitu DCBA, pilih DBAC, pilih ABCD, pilih DACB, pilih
CBDA
Karena sudah tidak ada node yang
memiliki nilai heuristik yang lebih kecil
dibanding nilai heuristik DBCA, maka
node DBCA (=12) adalah lintasan
terpendek yang merupakan (SOLUSI)
b. Metode Steepest Hill Climbing
• Steepest hill climbing hampir sama dengan
simple hill climbing, hanya saja gerakan
pencarian tidak dimulai dari kiri, tetapi
berdasarkan nilai heuristik terbaik.
• Gerakan selanjutnya dicari berdasarkan nilai
heuristik terbaik.
• Dalam hal ini urutan penggunaan operator tidak
menentukan penemuan solusi.
 Algoritma Steepest Hill Climbing
• Mulai dari keadaan awal, lakukan pengujian: jika merupakan tujuan, maka berhenti;
dan jika tidak, lanjutkan dengan keadaan sekarang sebagai keadaan awal.
• Kerjakan hingga tujuan tercapai atau hingga iterasi tidak memberikan perubahan
pada keadaan sekarang.
 Tentukan SUCC sebagai nilai heuristic terbaik dari successor-successor
 Kerjakan untuk tiap operator yang digunakan oleh keadaan sekarang :
 Gunakan operator tersebut dan bentuk keadaan baru.
 Evaluasi keadaan baru tersebut. Jika merupakan tujuan, keluar. Jika bukan,
bandingkan nilai heuristicnya dengan SUCC. Jika lebih baik, jadikan nilai
heuristic keadaan baru tersebut sebagai SUCC, namun jika tidak lebih baik nilai
SUCC tidak berubah.
 Jika SUCC lebih baik daripada nilai heuristic keadaan sekarang, ubah node
SUCC menjadi keadaan sekarang
Contoh TSP :
• Keadaan awal, lintasan ABCD (=19).
• Level pertama, hill climbing memilih nilai heuristik
terbaik yaitu ACBD (=12) sehingga ACBD
menjadi pilihan selanjutnya.
• Level kedua, hill climbing memilih nilai heuristik
terbaik, karena nilai heuristik lebih besar
dibanding
• ACBD, maka hasil yang diperoleh lintasannya
tetap ACBD (=12) sebagai solusi
 Masalah pada Steepest Hill Climbing
• Local optimum: keadaan semua tetangga lebih
buruk atau sama dengan keadaan dirinya.
• Plateau : keadaan semua tetangga sama dengan
keadaan dirinya.
• Ridge : local optimum yang lebih disebabkan
karena :
ketidakmampuan untuk menggunakan 2 operator
sekaligus.
 Best First Search
• Metode best first search merupakan kombinasi dari
metode Depth First Search dan Breadth First Search
dengan mengambil kelebihan dari kedua metode
tersebut.
• Hill climbing tidak diperbolehkan untuk kembali ke node
pada level lebih rendah meskipun node tersebut memiliki
nilai heuristik lebih baik.
• Pada metode best-first search, pencarian diperbolehkan
mengunjungi node yang ada di level yang lebih rendah,
jika ternyata node pada lebih yang lebih tinggi ternyata
memiliki nilai heuristik yang lebih buruk
 Best First Search
Untuk mengimplementasikan metode ini,
dibutuhkan 2 antrian yang berisi node-node, yaitu :
•OPEN : berisi node-node yang sudah
dibangkitkan, sudah memiliki fungsi heuristik
namun belum diuji. Umumnya berupa antrian
berprioritas yang berisi elemen-elemen dengan
nilai heuristik tertinggi.
•CLOSED : berisi node-node yang sudah diuji.
 Algoritma Best-First Search
•  Algoritma:
•  Tempatkan node awal A pada antrian OPEN.
•  Kerjakan langkah-langkah berikut hingga tujuan ditemukan
atau antrian OPEN sudah kosong:
•  Ambil node terbaik dari OPEN;
•  Bangkitkan semua successornya;

•  Untuk tiap-tiap successor kerjakan:

•  Jika node tersebut belum pernah dibangkitkan sebelumnya,

evaluasi node tersebut dan masukkan ke OPEN;
•  Jika node tersebut sudah pernah dibangkitkan sebelumnya,
ubah parent jika lintasan baru lebih menjanjikan. Hapus node
tersebut dari antrian OPEN.
Best First Search
 Best-First Search
Solusi :  S
 B, A, C
 B, L, M, H, I, D, E
 L, F, G, K, J, N, O, P
Misal kasus 8-puzzle. Ada 4 operator yang
dapat digunakan untuk menggerakkan dari
satu keadaan ke keadaan yang baru

1. Ubin kosong digeser ke kiri

2. Ubin kosong digeser ke kanan
3.Ubin kosong digeser ke atas
4.Ubin kosong digeser ke bawah
 KASUS 8 PUZZLE
Keadaan Awal Tujuan

1 2 3 1 2 3

7 8 4 8 4

6 5 7 6 5
Langkah awal
TUJUAN
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

Langkah awal kasus 8 puzzle

Pada langkah awal dari permainan puzzle di
atas hanya ada 3 operator yang bisa digunakan,
yaitu ubin kosong digeser ke kiri, ke kanan dan
ke atas. Apabila digunakan pencarian buta, kita
tidak perlu mengetahui operasi apa yang sedang
dikerjakan (sembarang operasi bisa digunakan)
Pada pencarian heuristik perlu diberikan
informasi khusus, yaitu :
♦ Untuk jumlah ubin yang menempati posisi
yang benar Jumlah yang lebih tinggi adalah
yang lebih diharapkan (lebih baik)
• Untuk jumlah ubin yang menempati posisi yang benar
Jumlah yang lebih tinggi adalah yang lebih diharapkan
(lebih baik)
Tujuan
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
h=6 h=4 h=5
 TUJUAN
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
h=6 h=4 h=5
Dari 3 operator yang digunakan diperoleh hasil pergeseran ubin
kosong ke kiri bernilai 6 (h=6) , pergeseran kosong ke kanan bernilai
4 (h=4) dan pergeseran ubin kosong ke atas bernilai 5 (h=5), sehingga
langkah selanjutnya yang harus dilakukan adalah menggeser ubin
kosong ke kiri
 ♦ Untuk jumlah ubin yang menempati posisi yang salah
Jumlah yang lebih kecil adalah yang diharapkan
(lebih baik)
TUJUAN
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
h=2 h=4 h=3
 TUJUAN
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
h=2 h=4 h=3

Nilai terbaik diperoleh dengan menggeser ubin kosong ke kiri

(h=2) karena nilai ini yang paling kecil diantara nilai lainnya (4
dan 3), sehingga langkah selanjutnya adalah menggeser ubin
kosong ke kiri
♦ Menghitung total gerakan yang diperlukan untuk mencapai
tujuan  Jumlah yang lebih kecil adalah yang diharapkan
(lebih baik)
TUJUAN
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

h=2 h=4 h=3

 TUJUAN
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

h=2 h=4 h=3

♦ Nilai terbaik adalah 2 (h=2) yang diperoleh dengan menggeser ubin

kosong ke kiri, nilai ini paling kecil dibanding dengan nilai lainnya(4),
sehingga menggeser ubin kosong ke kiri adalah langkah yang harus
dilakukan selanjutnya
 Tugas
• Buatlah Makalah sistem cerdas yang proses
pemecahan masalah memanfaatkan metode
pencarian buta atau pencarian heuristik pada
kasus : Menara Hanoi, Sodoku dan Kanibal
 Simulated Annealing
• Ide dasar simulated annealing terbentuk dari pemrosesan logam.
• Annealing (memanaskan kemudian mendinginkan) dalam
pemrosesan logam ini adalah suatu proses bagaimana membuat
bentuk cair berangsur-angsur menjadi bentuk yang lebih padat
seiring dengan penurunan temperatur.
 Simulated Annealing
• Simulated annealing biasanya digunakan
untuk penyelesaian masalah yang mana
perubahan keadaan dari suatu kondisi ke
kondisi yang lainnya membutuhkan ruang
yang sangat luas, misalkan perubahan gerakan
dengan menggunakan permutasi pada
masalah Travelling Salesman Problem.
• Pada simulated annealing, ada 3 parameter
yang sangat menentukan, yaitu: tetangga,
gain, temperatur, pembangkitan bilangan
random.
 Simulated Annealing
Ada 3 hal pokok pada Simulated Annealling, yaitu :
a. Nilai awal untuk temperatur (T0).
Nilai T0 biasanya ditetapkan cukup besar (tidak mendekati nol), karena
jika T mendekati 0 maka gerakan simulated annealing akan sama
dengan hill climbing. Biasanya temperatur awal ini ditetapkan sebesar
2 kali panjang suatu jalur yang dipilih secara acak.
b. Kriteria yang digunakan untuk memutuskan apakah temperatur
sistem seharusnya dikurangi.
c. Berapa besarnya pengurangan temperatur dalam setiap waktu
Selesai