& PENCARIAN
MATERI KULIAH
KECERDASAN BUATAN
Pokok Bahasan
Input: Output:
MASALAH SOLUSI
Knowledge Inference
Base Engine
Permainan Catur
Keadaan awal :
Aturan-aturan untuk melakukan gerakan
secara legal
IF
Bidak putih pada Kotak(e,2),
And Kotak(E,3) Kosong,
And Kotak(E,4) Kosong
Then
Gerakkan bidak dari (E,2) ke (E,4)
Tujuan yang ingin dicapai adalah posisi pada papan catur yang
menunjukkan kemenangan seseorang terhadap lawannya.
Kemenangan ini ditandai dengan posisi Raja yang sudah tidak
dapat bergerak lagi.
Ruang Keadaan
Graph Keadaan
Pohon Pelacakan
Pohon AND/OR
Kasus …
Graph Keadaan
A 3 4 F 1 G
B
4 E
6 7
2 T
M C
8 H 6
5 3
I J
4
D 2
Lintasan dari M ke T:
M-A-B-C-E-T
M-A-B-C-E-H-T
M-D-C-E-T
M-D-C-E-H-T
Lintasan yang menemui jalan buntu (tidak
sampai ke T):
M-A-B-C-E-F-G
M-A-B-C-E-I-J
M-D-C-E-F-G
M-D-C-E-I-J
M-D-I-J
Pohon Pelacakan
M Level-0
A D Level-1
B I C Level-2
C J E Level-3
Buntu
E F I H T Level-4
Tujuan
F I H T G J T Level-5
Buntu Buntu
Tujuan
Tujuan
G J
T Level-6
Buntu Buntu
Tujuan
Pohon AND/OR
M M
(a) (b)
M Level-0
A B C E D C E Level-1
H H Level-2
T T T T
Contoh: Masalah Teko Air
Ada 2 buah teko masing-masing berkapasitas 4 galon (teko A) dan 3
galon (teko B).
Tidak ada tanda yang menunjukkan batas ukuran pada kedua teko
tersebut.
Ada sebuah pompa air yang akan digunakan untuk mengisikan air pada
kedua teko tersebut.
Permasalahannya: Bagaimanakah kita dapat mengisikan tepat 2 galon
air ke dalam teko yang berkapasitas 4 galon?
Air
Air
tak terbatas
tak terbatas
4 galon
(teko A) 3 galon
(teko B)
Penyelesaian …
Identifikasi ruang keadaan:
Permasalahan ini dapat direpresentasikan dengan 2
bilangan integer, yaitu x dan y:
x = air yang diisikan pada teko 4 galon (teko A);
y = air yang diisikan pada teko 3 galon (teko B);
Ruang keadaan: (x,y) sedemikian hingga x{0,1,2,3,4} dan
y{0,1,2,3}.
Keadaan awal & tujuan:
Keadaan awal, kedua teko dalam keadaan kosong: (0,0);
Tujuan, keadaan dimana pada teko 4 galon berisi tepat 2
galon air: (2,n) untuk sembarang n.
Keadaan Awal Tujuan
(0,0)
(4,0) (0,3)
0 0 2
0 3 9
3 0 2
3 3 7
4 2 5
0 2 9
2 0 solusi
Contoh: Petani, Sayur, dan Kambing
Seorang petani akan menyeberangkan seekor
kambing, seekor serigala, dan sayur-sayuran
dengan sebuah boat yang melalui sungai.
Boat hanya bisa memuat petani dan satu
penumpang yang lain (kambing, serigala atau
sayur-sayuran).
Jika ditinggalkan oleh petani tersebut, maka
sayur-sayuran akan dimakan oleh kambing, dan
kambing akan dimakan oleh serigala.
Penyelesaian …
Identifikasi ruang keadaan
Permasalahan ini dapat dilambangkan dengan
(JumlahKambing, JumlahSerigala, JumlahSayuran,
JumlahBoat).
Sebagai contoh: Daerah asal (0,1,1,1) berarti pada daerah
asal tidak ada kambing, ada serigala, ada sayuran, dan
ada boat.
Keadaan Awal
Daerah asal: (1,1,1,1)
Daerah seberang: (0,0,0,0)
Tujuan
Daerah asal: (0,0,0,0)
Daerah seberang: (1,1,1,1)
Aturan-aturan
Aturan
Aturan
ke-
1. Kambing menyeberang
2. Sayuran menyeberang
3. Serigala menyeberang
4. Kambing kembali
5. Sayuran kembali
6. Serigala kembali
7. Boat kembali
Salah satu solusi:
Daerah
Daerah Asal Aturan yang dipakai
Seberang
(1,1,1,1) (0,0,0,0) 1
(0,1,1,0) (1,0,0,1) 7
(0,1,1,1) (1,0,0,0) 3
(0,0,1,0) (1,1,0,1) 4
(1,0,1,1) (0,1,0,0) 2
(1,0,0,0) (0,1,1,1) 7
(1,0,0,1) (0,1,1,0) 1
B C D
E F G H I J K L M
Keuntungan:
Tidak akan menemui jalan buntu.
Jika ada satu solusi, maka breadth-first search
akan menemukannya. Dan jika ada lebih dari satu
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)
Depth-First Search
C
DEPTH FIRST
(Pelacakan Pertama Mendalam)
1
2 8 11
9 12
3 5 14
10 13 15 16
4 6 7
3
Keuntungan
Membutuhkan memori yang relatif kecil, karena
hanya node-node pada lintasan yang aktif saja
yang disimpan.
Secara kebetulan, metode depth-first search akan
menemukan solusi tanpa harus menguji labih
banyak lagi dalam ruang keadaan.
Kelemahan
Memungkinkan tidak ditemukannya tujuan yang
diharapkan.
Hanya akan mendapatkan 1 solusi pada setiap
pencarian.
Perbandingan BFS dan DFS
(Sama-sama non heuristik search)
1 2 3 1 2 3
7 8 4 8 4
6 5 7 6 5
Operator
Ubin kosong geser ke kanan
Ubin kosong geser ke kiri
Ubin kosong geser ke atas
Ubin kosong geser ke bawah
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
Nilai heuristik …
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
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
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=4
Generate & Test
Pada prinsipnya metode ini merupakan penggabungan antara
depth-first search dengan pelacakan mundur (backtracking),
yaitu bergerak ke belakang menuju pada suatu keadaan awal.
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.
Kasus: Traveling Salesman Problem (TSP).
A 8 B
3 4
7 5
D 6 C
Generate & test akan membangkitkan semua solusi
yang mungkin:
A – B – C – D
A – B – D – C
A – C – B – D
A – C – D – B, dll
A B C D
B C D
C D B D C B
D C D B B C
Alur pencarian
Panjang
Pencarian Panjang
Lintasan Lintasan terpilih Lintasan
ke- 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. BDCA 13 ACBD 12
Panjang
Pencarian Panjang
Lintasan Lintasan terpilih Lintasan
ke- 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. DACD 15 ACBD 12
21. DBAC 15 ACBD 12
22. DBCA 12 ACBD atau DBCA 12
23. DCAB 17 ACBD atau DBCA 12
24. DCBA 19 ACBD atau DBCA 12
Salah satu kelemahan dari metode generate & test
ini adalah perlu membangkitkan semua
kemungkinan sebelum dilakukan pengujian,
sehingga membutuhkan waktu yang cukup besar
dalam pencariannya.
Pendakian Bukit (Hill Climbing)
Metode ini hampir sama dengan metode
pembangkitan & pengujian, hanya saja proses
pengujian dilakukan dengan menggunakan fungsi
heuristik.
Pembangkitan keadaan berikutnya sangat
tergantung pada feedback dari prosedur
pengetesan.
Tes yang berupa fungsi heuristic ini akan
menunjukkan seberapa baiknya nilai terkaan yang
diambil terhadap keadaan-keadaan lainnya yang
mungkin.
Simple Hill Climbing
Algoritma
Mulai dari keadaan awal, lakukan pengujian: jika merupakan tujuan,
maka berhenti; dan jika tidak, lanjutkan dengan keadaan sekarang
sebagai keadaan awal.
Kerjakan langkah-langkah berikut sampai solusinya ditemukan, atau
sampai tidak ada operator baru yang akan diaplikasikan pada
keadaan sekarang:
Cari operator yang belum pernah digunakan; gunakan operator ini untuk
mendapatkan keadaan yang baru.
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.
Jika keadaan baru tidak lebih baik daripada keadaan sekarang, maka
lanjutkan iterasi.
Kasus: TSP
Operator Tukar kota ke-i dengan kota ke-j (Tk i,j)
Untuk 4 kota:
Tk 1,2 : tukar kota ke-1 dengan kota ke-2.
Tk 1,3 : tukar kota ke-1 dengan kota ke-3.
Tk 1,4 : tukar kota ke-1 dengan kota ke-4.
Tk 2,3 : tukar kota ke-2 dengan kota ke-3.
Tk 2,4 : tukar kota ke-2 dengan kota ke-4.
Tk 3,4 : tukar kota ke-3 dengan kota ke-4.
Untuk N kota, akan ada operator sebanyak:
N!
2!( N 2)!
(19) ABCD
ABCD
Tk 1,2 Tk 1,3
Tk 2,3 Tk 3,4 Tk 4,1 Tk 2,4
(17) BACD
BACD ACBD
ACBD ABDC
ABDC DBCA
DBCA ABDC
ABDC CBAD
CBAD
Tk 1,2
Tk 4,1
(15) Tk 2,3 Tk 3,4 Tk 2,4 Tk 1,3
ABCD
ABCD BCAD
BCAD BADC
BADC DACB
DACB BDCA
BDCA CABD
CABD
(19) ABCD
ABCD
Tk 1,2
Tk 3,4 Tk 4,1
Tk 2,3
(17) BACD
BACD ACBD
ACBD ABDC
ABDC DBCA
DBCA
Tk 3,4
Tk 1,2 Tk 2,3
Tk 4,1
(15)
ABCD
ABCD BCAD
BCAD BADC
BADC DACB
DACB
Tk 3,4
Tk 1,2 Tk 2,3
(17) Tk 4,1 (17)
(20) (18)
CBAD
CBAD BACD
BACD BCDA
BCDA DCAB
DCAB
Pada simple hill climbing, ada 3 masalah
yang mungkin:
Algoritma akan berhenti kalau mencapai nilai
optimum local.
Urutan penggunaan operator akan sangat
berprngaruh pada penemuan solusi.
Tidak diijinkan untuk melihat satupun langkah
sebelumnya.
Steepest Ascent Hill Climbing
Steepest-ascent hill climbing sebenarnya hampir sama
dengan simple hill climbing, hanya saja gerakan
pencarian tidak dimulai dari posisi paling kiri.
Gerakan selanjutnya dicari berdasarkan nilai heuristik
terbaik.
Dalam hal ini urutan penggunaan operator tidak
menentukan penemuan solusi.
Algoritma
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 heuristiknya 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.
Kasus: TSP
(19) ABCD
ABCD
Tk 1,2 Tk 1,3
Tk Tk Tk 2,4
Tk 2,3
(17) (12) (18) 3,4 4,1 (12) (18) (20)
BACD
BACD ACBD
ACBD ABDC
ABDC DBCA
DBCA ADCB
ADCB CBAD
CBAD
B C D
3 5 7
A [C,F,B,E]
B C D
3 5
E F
2 4
A [G,F,B,E,H]
B C D
3
G H E F
5 1 2 4
Tabu Search
Tabu Search merupakan suatu metode optimasi yang
menggunakan short-term memory untuk menjaga agar proses
pencarian tidak terjebak pada nilai optimum lokal.
Metode ini menggunakan Tabu List untuk menyimpan
sekumpulan solusi yang baru saja dievaluasi.
Selama proses optimasi, pada setiap iterasi, solusi yang akan
dievaluasi akan dicocokkan terlebih dahulu dengan isi Tabu List
untuk melihat apakah solusi tersebut sudah ada pada Tabu List.
Apabila solusi tersebut sudah ada pada Tabu List, maka solusi
tersebut tidak akan dievaluasi lagi pada iterasi berikutnya.
Apabila sudah tidak ada lagi solusi yang tidak menjadi anggota
Tabu List, maka nilai terbaik yang baru saja diperoleh
merupakan solusi yang sebenarnya.
Algoritma:
Tetapkan:
X = Matriks input berukuran nxm.
MaxItr = maksimum iterasi.
S = bangkitkan solusi secara random.
GlobalMin = FCost(S).
Best = S.
TabuList = [].
Kerjakan dari k=1 sampai MaxItr:
BestSoFar = FCost(S).
BestMove = S.
Kerjakan dari i=1 sampai (n-1):
Kerjakan dari j=i sampai n:
L = Tukar(S[i],S[j]).
Cost = FCost(L).
Jika (L TabuList) atau (Cost < GlobalMin), kerjakan:
Jika (Cost < BestSoFar), kerjakan
BestSoFar = Cost.
BestMove = L.
S = BestMove.
Tambahkan S ke TabuList.
Jika BestSoFar < GlobalMin, kerjakan:
GlobalMin = BestSoFar.
Best = BestMove.
Contoh …
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 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.
Algoritma
Evaluasi keadaan awal. Jika keadaan awal merupakan tujuan, maka
pencarian berhasil dan KELUAR. Jika tidak demikian, lanjutkan dengan
menetapkan keadaan awal sebagai kondisi sekarang.
Inisialisasi BEST_SO_FAR untuk keadaan sekarang.
Inisialisasi T sesuai dengan annealing schedule.
Kerjakan hingga solusi ditemukan atau sudah tidak ada operator baru
lagi akan diaplikasikan ke kondisi sekarang.
Gunakan operator yang belum pernah digunakan tersebut untuk
menghasilkan kondisi baru.
Evaluasi kondisi yang baru dengan menghitung:
E = nilai sekarang – nilai keadaan baru.
Jika kondisi baru merupakan tujuan, maka pencarian berhasil dan KELUAR.
Jika bukan tujuan, namun memiliki nilai yang lebih baik daripada kondisi
sekarang, maka tetapkan kondisi baru sebagai kondisi sekarang. Demikian
pula tetapkan BEST_SO_FAR untuk kondisi yang baru tadi.
Jika nilai kondisi baru tidak lebih baik dari kondisi sekarang, maka tetapkan
kondisi baru sebagai kondisi sekarang dengan probabilitas:
Langkah ini biasanya dikerjakan dengan membangkitkan suatu bilangan
random r pada range [0 1]. Jika r < p’, maka perubahan kondisi baru menjadi
kondisi sekarang diperbolehkan. Namun jika tidak demikian, maka tidak akan
dikerjakan apapun.
Perbaiki T sesuai dengan annealing scheduling.
BEST_SO_FAR adalah jawaban yang dimaksudkan.
Secara umum ada 3 hal pokok pada
simulated annealing, 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.
Pseudocode
Knowledge
Manusia PROLOG
Pemberian knowledge diharapkan bisa membuat komputer menjadi
intelligent (cerdas) seperti layaknya manusia