INTELEGENSI BUATAN. Pertemuan 2,3 Problem, Space, Search. M. Miftakul Amin, M. Eng. website :
|
|
- Ari Kurniawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 INTELEGENSI BUATAN Pertemuan 2,3 Problem, Space, Search M. Miftakul Amin, M. Eng. website : Jurusan Teknik Komputer Jurusan Teknik Komputer Politeknik Negeri Sriwijaya Palembang 2014
2 Tujuan Mahasiswa mampu merepresentasikan masalah dalam ruang keadaan dan melakukan memahami berbagai metode pencarian.
3 Pokok Bahasan Mendefinisikan Masalah dalam Ruang Keadaan Representasi Ruang Keadaan Metode Pencarian & Pelacakan
4 Artificial Intelligence ARTIFICIAL INTELLIGENCE Input: MASALAH Knowledge Base Inference Engine Output: SOLUSI
5 Permainan Catur Keadaan awal :
6 Aturan-aturan untuk melakukan gerakan secara legal
7 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)
8 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.
9 Ruang Keadaan suatu ruang yang berisi semua keadaan yang suatu ruang yang berisi semua keadaan yang mungkin
10 Penyelesaian masalah secara umum Mendefinisikan suatu ruang keadaan; Menetapkan satu atau lebih keadaan awal; Menetapkan satu atau lebih tujuan; Menetapkan kumpulan aturan.
11 Representasi Ruang Keadaan Graph Keadaan Pohon Pelacakan Pohon AND/OR Kasus
12 Graph Keadaan M 4 5 A 3 4 F 1 G B E C T 8 H 6 3 D 2 I 4 J
13 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
14 Pohon Pelacakan M Level-0 A D Level-1 e B I C Level-2 C J Buntu E Level-3 E F I H T Level-4 F G Buntu I J Buntu H T Tujuan T Tujuan G Buntu J Buntu T Tujuan Tujuan Level-5 Level-6
15 Pohon AND/OR M M arc yang terletak antara busur berarti AND A B C A B C (a) (b)
16 M Level-0 A B C E D C E Level-1 H T T H T T Level-2
17 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. t 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? 4 galon (teko A) 3 galon (teko B) Air tak terbatas
18 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.
19 Keadaan Awal Tujuan (0,0) (1,0) (2,0) (3,0) (4,0) (0,1) (1,1) (2,1) (3,1) (4,1) (0,2) (1,2) (2,2) (3,2) (4,2) (0,3) (1,3) (2,3) (3,3) (4,3)
20 Aturan-aturan Aturan ke- Jika 1. (x,y) (4,y) x < 4 Isi teko A. 2. (x,y) y < 3 (x,3) Isi teko B. Maka 3. (x,y) (x-d,y) dy) x > 0 Tuangkan sebagian air keluar dari teko A. 4. (x,y) y > 0 (x,y-d) Tuangkan sebagian air keluar dari teko B. 5. (x,y) x > 0 6. (x,y) y > 0 (0,y) Kosongkan teko A dengan membuang airnya ke tanah. (x,0) Kosongkan teko B dengan membuang airnya ke tanah.
21 7. (x,y) x+y 4 dan y > 0 (4,y-(4-x)) Tuangkan air dari teko B ke teko A sampai teko A penuh. 8. (x,y) (x-(3-y),3) x+y 3 dan x > 0 Tuangkan air dari teko A ke teko B sampai teko B penuh. 9. (x,y) x+y 4 dan y > (x,y) x+y 3 dan x > 0 (x+y,0) Tuangkan seluruh air dari teko B ke teko A. (0,x+y) Tuangkan seluruh air dari teko A ke teko B. 11. (0,2) (2,0) Tuangkan 2 galon air dari teko B ke teko A. 12. (2,y) (0,y) Kosongkan 2 galon air di teko A dengan membuang airnya ke tanah.
22 Representasi ruang keadaan dengan pohon pelacakan. (0,0) (4,0) (0,3) (4,3) (0,0) (1,3) (4,3) (0,0) (3,0)
23 Salah satu solusi: Isi Teko A (gallon) Isi Teko B (gallon) Aturan yang dipakai solusi
24 Contoh: Petani, Sayur, dan Kambing Seorang gpetani 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) sayuran). Jika ditinggalkan oleh petani tersebut, maka sayur-sayuran akan dimakan oleh kambing, dan kambing akan dimakan oleh serigala.
25 Penyelesaian Identifikasi ruang keadaan Permasalahan ini dapat dilambangkan dengan (JumlahKambing, JumlahSerigala, l 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 Daerahasal:(1111) asal: (1,1,1,1) Daerah seberang: (0,0,0,0) Tujuan Daerah asal: (0000) (0,0,0,0) Daerah seberang: (1,1,1,1)
26 Aturan-aturan Aturan ke- Aturan 1. Kambing menyeberang 2. Sayuran menyeberang 3. Serigala menyeberang 4. Kambing kembali 5. Sayuran kembali 6. Serigala kembali 7. Boat kembali
27 Salah satu solusi: Daerah Asal Daerah Seberang Aturan yang dipakai (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 (1011) (1,0,1,1) (0100) (0,1,0,0) 2 (1,0,0,0) (0,1,1,1) 7 (1001) (1,0,0,1) (0110) (0,1,1,0) 1 (0,0,0,0) (1,1,1,1) solusi
28 Metode Pencarian & pelacakan Pencarian Buta (Blind Search) Breadth-First Search Depth-First Search Pencarian Terbimbing (Heuristics Search) Generate & Test Hill Climbing Best-First Search Tabu Search Simulated Annealing
29 Breadth-First Search Pada metode Breadth-First Search, semua node pada level n akan dikunjungi terlebih dahulu sebelum mengunjungi node-node pada level n+1. Pencarian dimulai dari node akar terus ke level ke-1 dari kiri ke kanan, kemudian berpindah ke level berikutnya demikian pula dari kiri ke kanan hingga ditemukannya solusi
30 A B C D E F G H I J K L M
31 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)
32 Depth-First Search Pada Depth-First Search, proses pencarian akan dilakukan pada semua anaknya sebelum dilakukan pencarian ke node-node yang selevel. Pencarian dimulai dari node akar ke level yang lebih tinggi. Proses ini diulangi terus hingga ditemukannya solusi
33 A B C
34 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.
35 Pencarian Heuristik Kasus 8-puzzle Keadaan Awal Tujuan
36 Operator Ubin kosong ggeser ke kanan Ubin kosong geser ke kiri Ubin kosong geser ke atas Ubin kosong geser ke bawah Langkah awal Tujuan kiri 6 5 kanan atas
37 Nilai heuristik Untuk jumlah ubin yang menempati posisi yang benar jumlah yang lebih tinggi adalah yang lebih diharapkan (lebih baik) Tujuan kiri 6 5 kanan atas h=6 h=4 h=5
38 Untuk jumlah ubin yang menempati posisi yang salah jumlah yang lebih kecil adalah yang diharapkan (lebih baik). Tujuan kiri 6 5 kanan atas h=2 h=4 h=3
39 Menghitung total gerakan yang diperlukan untuk mencapai tujuan jumlah yang lebih kecil adalah yang diharapkan (lebih baik). Tujuan kiri 6 5 kanan atas h=2 h=4 h=4
40 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 t t atau lintasan tertentu t t 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.
41 Kasus: Traveling Salesman Problem (TSP). 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 D 6 C
42 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
43 Alur pencarian Pencarian ke- Lintasan Panjang Lintasan Lintasan terpilih Panjang Lintasan terpilih 1. ABCD 19 ABCD ABDC 18 ABDC ACBD 12 ACBD ACDB 13 ACBD ADBC 16 ACBD ADCB 18 ACBD BACD 17 ACBD BADC 21 ACBD BCAD 15 ACBD BCDA 18 ACBD BDAC 14 ACBD BDCA 13 ACBD 12
44 Pencarian ke- Lintasan Panjang Lintasan Lintasan terpilih Panjang Lintasan terpilih 13. CABD 15 ACBD CADB 14 ACBD CBAD 20 ACBD CBDA 16 ACBD CDAB 21 ACBD CDBA 18 ACBD DABC 20 ACBD DACD 15 ACBD DBAC 15 ACBD DBCA 12 ACBD atau DBCA DCAB 17 ACBD atau DBCA DCBA 19 ACBD atau DBCA 12
45 Salah satu kelemahan dari metode generate & test ini i adalah perlu membangkitkan k semua kemungkinan sebelum dilakukan pengujian, sehingga membutuhkan waktu yang cukup besar dalam pencariannya.
46 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.
47 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.
48 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: 2! ( N! N 2 )!
49 (19) ABCD Tk 1,2 Tk 1,3 Tk 2,3 Tk 3,4 Tk 4,1 Tk 2,4 (17) BACD ACBD ABDC DBCA ABDC Tk 1,2 (15) Tk 2,3 Tk 3,4 Tk 4,1 Tk 2,4 Tk 1,3 ABCD BCAD BADC DACB BDCA CABD CBAD Tk 1,2 Tk 2,3 Tk 3,4 Tk 4,1 Tk 2,4 Tk 1,3 (20) (18) (19) (14) CBAD BACD BCDA DCAB BDAC ACBD Tk 1,2 Tk 2,3 Tk 3,4 Tk 4,1 Tk 2,4 Tk 1,3 (15) (21) (13) DBAC BADC BDCA CDAB BCAD ADBC Tk 1,2 Tk 2,3 Tk 3,4 Tk 4,1 Tk 2,4 Tk 1,3 (12) DBCA BCDA BDAC BDAC CBAD ADCB Tk 1,2 Tk 2,3 Tk 3,4 Tk 4,1 Tk 2,4 Tk 1,3 (19) (15) (13) (15) (16) BDCA DCBA DBAC ACDB DACB CBDA
50 Apabila hanya digunakan 4 operator saja: (19) ABCD (17) Tk 1,2 Tk 2,3 Tk 3,4 Tk 4,1 BACD ACBD ABDC DBCA Tk 3,4 Tk 1,2 Tk 2,3 Tk 4,1 (15) ABCD BCAD BADC DACB Tk 3,4 Tk 1,2 Tk 2,3 (20) (17) (18) Tk 4,1 (17) CBAD BACD BCDA DCAB
51 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.
52 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.
53 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 t 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.
54 Kasus: TSP (17) BACD (19) ABCD Tk 1,2 Tk 1,3 Tk 2,3 Tk Tk Tk 2,4 (12) (18) 3,4 4,1 (12) (18) (20) ACBD ABDC DBCA ADCB CBAD Tk 1,2 Tk Tk Tk 2,4 Tk 1,3 (15) Tk 2,3 (19) (13) 3,4 4,1(19) (16) (15) CABD ABCD ACDB DCBA ADBC BCAD
55 Pada steepest-ascent hill climbing ini, ada 3 masalah yang mungkin, yaitu: 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 k untuk menggunakan 2 operator sekaligus.
56 Best-First Search Metode best-first search ini merupakan kombinasi dari metode depth-first search dan metode breadth-first search dengan mengambil kelebihan dari kedua metode tersebut. Apabila pada pencarian dengan metode hill climbing tidak diperbolehkan dpeboe utu untuk kembali ke node odepadaeeyageb level yang lebih rendah meskipun node pada level yang lebih rendah tersebut memiliki nilai heuristik yang lebih baik, lain halnya dengan metode best-first search ini. 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.
57 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.
58 A A Antrian OPEN [A] [D,C,B] B C D A B C D 3 5 E F 2 4 A [C,F,B,E] [G,F,B,E,H] B C D 3 G H E F
59 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.
60 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):
61 Kerjakan dari j=i sampai n: L = Tukar(S[i],S[j]). 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, lmi kerjakan: k GlobalMin = BestSoFar. Best = BestMove. Contoh
62 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.
63 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 E = nilai i sekarang nilai i 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: E / T p' = e 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 SO adalah jawaban yang dimaksudkan.
64 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.
65 Pseudocode Function PjgJalur(L,X,Y): real; Panjang = 0; For i=1 to(nc-1) do Panjang = Panjang + ((XL(i+1) XL(i)) 2 + (YL(i+1) YL(i)) 2 ); PjgJalur = Panjang;
66 Function T0(MTemp:integer): real; LMax = 0; For i=1 to MTemp do LA = ambil jalur sembarang Len = PjgJalur(LA) If Len > LMax then LMax = Len T0 = 2*LMax
67 Function JalurBaru(L): arraync; Bangkitkan 2 bilangan random N1 dan N2 antara 1 sampai NC dengan N1 < N2 Depan = L(1) sampai L(N1-1); 1); Tengah = L(N1) sampai L(N2); Belakang = L(N2+1) sampai L(NC); Bangkitkan bilangan random r. If r < 0,5 then DepanBaru = Depan. TengahBaru(1..NT) = Tengah(NT..1); dengan NT=N2- N1+1. BelakangBaru = Belakang. Lbaru = [DepanBaru TengahBaru BelakangBaru]
68 else Sementara = [Depan Belakang]; dengan M elemen. Bangkitkan bilangan random r dengan nilai antara 1 sampai M. DepanBaru = Sementara(1..r). TengahBaru = Tengah. BelakangBaru = Sementara(r+1..M). Lbaru = [DepanBaru TengahBaru BelakangBaru] JalurBaru = LBaru
69 Procedure SimulatedAnneal (MTemp:integer; NC:integer; X,Y:real; MItr:integer; MSukses:integer; dect:real); T = T0(MTemp); L = [1 2 3 NC]; MaxIterasi = MItr*NC; MaxSukses = MSukses*NC; JalurTerpendek = L; PjgJalurTerpendek = PjgJalur(L); Sukses = 1; While Sukses > 0 Sukses = 0; MinPjgJalur = PjgJalur(L); For i=1 to MaxIterasi do Jalur = JalurBaru(L); Pjg = PjgJalur(Jalur); l
70 If Pjg < MinPjgJalur then MinPjgJalur = Pjg; Lbaru = Jalur; Sukses = Sukses +1; If MinPjgJalur < PjgJalurTerpendek then PjgJalurTerpendek = MinPjgJalur; JalurTerpendek = Lbaru; If Sukses = MaxSukses then BREAK; else Bangkitkan bilangan random r; If r < e -(Pjg-MinPjgJalur)/T then Lbaru=Jalur; L = Lbaru; T = dect * T;
71 Kasus: TSP Operator Ada beberapa operator yang bisa digunakan. Berikut ini adalah salah satu contoh operator untuk menentukan jalur. Misalkan jumlah kota yang akan dikunjungi adalah NC. Kota-kota disimpan pada larik L. Bangkitkan 2 bilangan random antara 1 sampai NC, misalkan kedua bilangan itu adalah N1 dan N2 dengan N1 < N2. Depan = L(1) sampai L(N1-1). Tengah = L(N1) sampai L(N2). Belakang = L(N2+1) sampai L(NC). Bangkitkan bilangan random r, apabila r < 0,5; maka: DepanBaru = Depan. TengahBaru = Tengah dengan urutan dibalik. BelakangBaru B = Belakang. Lbaru = [DepanBaru TengahBaru BelakangBaru] Jika r 0,5; maka kerjakan: Sementara = [Depan Belakang], misalkan memiliki M elemen. Bangkitkan bilangan random r dengan nilai antara 1 sampai M. DepanBaru = Sementara(1:r). TengahBaru = Tengah. BelakangBaru = Sementara(r+1:M). Lbaru = [DepanBaru TengahBaru BelakangBaru]
72 Misalkan jalur yang ada adalah: L = [ ] NC=12 Bangkitkan bilangan random, misal: N1=4 dan N2=10. Didapatkan: Depan = [4 3 6]. Tengah = [ ]. Belakang = [12 10]. Bangkitkan bilangan random r, apabila r < 0,5; maka: DepanBaru = [4 3 6]. TengahBaru = [ ]. BelakangBaru = [12 10]. Lbaru = [ ] Jika r 0,5; maka kerjakan: Sementara = [ ], M=5. Bangkitkan bilangan random r, misal r=2. DepanBaru = [4 3]. TengahBaru = [ ]. BelakangBaru = [ ]. Lbaru = [ ] Contoh
Metode Pencarian & Pelacakan dengan Heuristik
Metode Pencarian & Pelacakan dengan Heuristik Pencarian Buta (Blind Search) Breadth-First Search Depth-First Search Pencarian Terbimbing (Heuristics Search) Generate & Test Hill Climbing Best-First Search
Lebih terperinciPencarian. Kecerdasan Buatan Pertemuan 3 Yudianto Sujana
Pencarian Kecerdasan Buatan Pertemuan 3 Yudianto Sujana Metode Pencarian dan Pelacakan Hal penting dalam menentukan keberhasilan sistem cerdas adalah kesuksesan dalam pencarian. Pencarian = suatu proses
Lebih terperinciKECERDASAN BUATAN METODE HEURISTIK / HEURISTIC SEARCH ERWIEN TJIPTA WIJAYA, ST., M.KOM
KECERDASAN BUATAN METODE HEURISTIK / HEURISTIC SEARCH ERWIEN TJIPTA WIJAYA, ST., M.KOM KERANGKA MASALAH Generate And Test Hill Climbing Best First Search PENCARIAN HEURISTIK Kelemahan blind search : 1.
Lebih terperincimemberikan output berupa solusi kumpulan pengetahuan yang ada.
MASALAH DAN METODE PEMECAHAN MASALAH (Minggu 2) Pendahuluan Sistem yang menggunakan kecerdasan buatan akan memberikan output berupa solusi dari suatu masalah berdasarkan kumpulan pengetahuan yang ada.
Lebih terperinciMASALAH, RUANG KEADAAN & PENCARIAN
MASALAH, RUANG KEADAAN & PENCARIAN 1 Pokok Bahasan Mendefinisikan Masalah dalam Ruang Keadaan Representasi Ruang Keadaan Metode Pencarian & Pelacakan 2 Artificial Intelligence ARTIFICIAL INTELLIGENCE Input:
Lebih terperinciSistem Kecerdasan Buatan. Masalah, Ruang Masalah dan Pencarian Solusi. Masalah. Masalah Sebagai Ruang Keadaan 10/7/2015
Sistem Kecerdasan Buatan Masalah, Ruang Masalah dan Pencarian Solusi Bahan Bacaan : Sri Kusumadewi, Artificial Intelligence. Russel, Artificial Intelligence Modern Approach 2 bagian utama kecerdasan buatan
Lebih terperinciMASALAH, RUANG KEADAAN. Kecerdasan Buatan
MASALAH, RUANG KEADAAN Kecerdasan Buatan Pokok Bahasan Mendefinisikan Masalah dalam Ruang Keadaan Representasi Ruang Keadaan Artificial Intelligence ARTIFICIAL INTELLIGENCE Input: MASALAH Knowledge Base
Lebih terperinciBAB III METODE PELACAKAN/PENCARIAN
BAB III METODE PELACAKAN/PENCARIAN Hal penting dalam menentukan keberhasilan sistem cerdas adalah kesuksesan dalam pencarian. Pencarian = suatu proses mencari solusi dari suatu permasalahan melalui sekumpulan,
Lebih terperinciBAB IV TEKNIK PELACAKAN
BAB IV TEKNIK PELACAKAN A. Teknik Pelacakan Pelacakan adalah teknik untuk pencarian :sesuatu. Didalam pencarian ada dua kemungkinan hasil yang didapat yaitu menemukan dan tidak menemukan. Sehingga pencarian
Lebih terperinciMasalah, Ruang Keadaan, Pencarian. Kecerdasan Buatan Pertemuan 2 Yudianto Sujana
Masalah, Ruang Keadaan, Pencarian Kecerdasan Buatan Pertemuan 2 Yudianto Sujana Sistem AI Komputer Input Masalah Pertanyaan Basis Pengetahuan Motor Inferensi Output Jawaban Solusi Masalah Untuk membangun
Lebih terperinciCase Study : Search Algorithm
Case Study : Search Algorithm INF-303 Kecerdasan Buatan Jurusan Informatika FMIPA UNSYIAH Irvanizam Zamanhuri, M.Sc Dr. Taufiq A. Gani, M.EngSc Website: http://informatika.unsyiah.ac.id/irvanizam Contoh
Lebih terperinciTeknik Pencarian Heuristik
Teknik Pencarian Heuristik Generate and Test Hill Climbing Best First Search Problem Reduction Constraint Satisfaction Means End Analysis Referensi Sri Kusumadewi - bab 2 Rich & Knight bab 3 Teknik Pencarian
Lebih terperinciMETODE PENCARIAN DAN PELACAKAN
METODE PENCARIAN DAN PELACAKAN SISTEM INTELEGENSIA Pertemuan 4 Diema Hernyka S, M.Kom Materi Bahasan Metode Pencarian & Pelacakan 1. Pencarian buta (blind search) a. Pencarian melebar pertama (Breadth
Lebih terperinciMasalah, Ruang Masalah dan Pencarian
Masalah, Ruang Masalah dan Pencarian Review : Sistem yang menggunakan AI Komputer Input Masalah Pertanyaan dll Basis Pengetahuan Motor Inferensi Output Jawaban Solusi Untuk membangun sistem yang mampu
Lebih terperinciKECERDASAN BUATAN. Simple Hill Climbing. Disusun Oleh:
KECERDASAN BUATAN Simple Hill Climbing Disusun Oleh: 1. Lutvi Maulida Al H. (081112006) 2. Nurul Fauziah (081112021) 3. Anggraeni Susanti (081112055) 4. Syahrul Bahar Hamdani (081211232012) Departemen
Lebih terperinciBAB II MASALAH DAN RUANG MASALAH. Gambar 2.1 sistem yang menggunakan kecerdasan buatan
BAB II MASALAH DAN RUANG MASALAH 2.1 MASALAH DAN METODE PEMECAHAN MASALAH Sistem yang menggunakan kecerdasan buatan akan memberikan output berupa solusi dari suatu masalah berdasarkan kumpulan pengetahuan
Lebih terperinciPendakian Bukit (Hill Climbing)
Pendakian Bukit (Hill Climbing) Metde ini hampir sama dengan metde pembangkitan & pengujian, hanya saja prses pengujian dilakukan dengan menggunakan fungsi heuristik. Pembangkitan keadaan berikutnya sangat
Lebih terperinciHEURISTIC SEARCH. Irvanizam Zamanhuri, M.Sc Dr. Taufiq A. Gani, M.EngSc
HEURISTIC SEARCH Irvanizam Zamanhuri, M.Sc Dr. Taufiq A. Gani, M.EngSc Jurusan Informatika Universitas Syiah Kuala http://informatika.unsyiah.ac.id/irvanizam Travelling Salesmen Problem Seorang salesman
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA Pada bab ini akan dibahas landasan teori, penelitian terdahulu, kerangka berpikir, dan hipotesis yang mendasari penyelesaian Traveling Salesman Problem dalam menentukan lintasan
Lebih terperinciAPLIKASI SIMULATED ANNEALING UNTUK PENENTUAN TATA LETAK MESIN
APLIKASI SIMULATED ANNEALING UNTUK PENENTUAN TATA LETAK MESIN Sri Kusumadewi, Hari Purnomo Teknik Informatika, Teknik Industri Universitas Islam Indonesia Jl. Kaliurang Km 14,5 Yogyakarta cicie@fti.uii.ac.id,
Lebih terperinciMasalah, Ruang Keadaan dan Pencarian 4/7/2016. fakultas ilmu komputer program studi informatika
ب س م ا ه لل الر ح ن الر ح ي السالم عليكم ورحمة هللا وبركاته fakultas ilmu komputer program studi informatika Masalah, Ruang Keadaan dan Pencarian Ruang Masalah / Keadaan Suatu ruang yang berisi semua
Lebih terperinciPENCARIAN RUTE TERPENDEK ARENA KONTES ROBOT PEMADAM API INDONESIA (KRPAI) MENGGUNAKAN ALGORITMA HILL CLIMBING
ABSTRAK PENCARIAN RUTE TERPENDEK ARENA KONTES ROBOT PEMADAM API INDONESIA (KRPAI) MENGGUNAKAN ALGORITMA HILL CLIMBING Pamor Gunoto Dosen Tetap Program Studi Teknik Elektro Universitas Riau Kepulauan (UNRIKA)
Lebih terperinciPENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN ALGORITMA SIMPLE HILL CLIMBING
PENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN ALGORITMA SIMPLE HILL CLIMBING Dinda Novitasari 1, Arista Welasari 2, W. Lisa Yunita 3, Nur Alfiyah 4, dan Chasandra P. 5 Program Studi Informatika, PTIIK,
Lebih terperinciHEURISTIC SEARCH UTHIE
HEURISTIC SEARCH Pendahuluan Pencarian buta biasanya tidak efisien karena waktu akses memori yang dibutuhkan cukup besar. Untuk mengatasi hal ini maka perlu ditambahkan suatu informasi pada domain yang
Lebih terperinciBAB III REPRESENTASI RUANG KEADAAN ( STATE SPACE) keadaan baru yang akan dicapai dengan menggunakan operator. Node-node dalam graph
BAB III REPRESENASI RUANG KEADAAN ( SAE SPACE) A. Graph Keadaan Graph terdiri dari node-node yang menunjukkan keadaab yaitu keadaan awal dan keadaan baru yang akan dicapai dengan menggunakan operator.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan sehari hari, selalu dilakukan perjalanan dari satu titik atau lokasi ke lokasi yang lain dengan mempertimbangkan efisiensi waktu dan biaya sehingga
Lebih terperinciMASALAH, RUANG KEADAAN
MASALAH, RUANG KEADAAN PENDAHULUAN Sistem yang menggunakna kecerdasan buatan mencoba untuk memberikan output berupa solusi dari suatu masalah berdasarkan kumpulan pengetahuan yang ada. Input yang diberikan
Lebih terperinciKECERDASAN BUATAN MASALAH, RUANG KEADAAN DAN PENCARIAN ERWIEN TJIPTA WIJAYA, ST., M.KOM
KECERDASAN BUATAN MASALAH, RUANG KEADAAN DAN PENCARIAN ERWIEN TJIPTA WIJAYA, ST., M.KOM KERANGKA MASALAH Masalah Ruang Keadaan Pencarian DEFINISI MASALAH Sistem yang menggunakan kecerdasan buatan akan
Lebih terperinciSISTEM PENENTUAN LINTASAN TERPENDEK TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA SIMPLE HILL CLIMBING
SISTEM PENENTUAN LINTASAN TERPENDEK TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA SIMPLE HILL CLIMBING Abdul Mukthi Chifdhi 1, Dwi Puspitasari 2 Teknik Informatika, Teknologi Informasi, Politeknik Negeri
Lebih terperinciUpdate 2012 DESAIN DAN ANALISIS ALGORITMA SEARCHING
SEARCHING MENDEFINISIKAN MASALAH SEBAGAI SUATU RUANG KEADAAN Secara umum, untuk mendeskripsikan suatu permasalahan dengan baik harus: 1 Mendefinisikan suatu ruang keadaan. 2 Menerapkan satu atau lebih
Lebih terperinciMasalah, Ruang Masalah dan Pencarian
Masalah, Ruang Masalah dan Pencarian Definisi Masalah dan Ruang Masalah Metode Pencarian Buta Breadth First Search Depth First Search Referensi Luger & Stubblefield - bab 3 Sri Kusumadewi - bab 2 Rich
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Defenisi Graf Graf G didefenisikan sebagai pasangan himpunan (V,E), ditulis dengan notasi G = (V,E), yang dalam hal ini V adalah himpunan tidak kosong dari simpul-simpul
Lebih terperinciContoh 4/7/ HEURISTIC METHOD. Pencarian Heuristik
07/04/2016 3. HEURISTI METHO KEERASAN BUATAN Pertemuan : 05-06 INFORMATIKA FASILKOM UNIVERSITAS IGM Pencarian Heuristik Kelemahan blind search : Waktu akses lama Memori yang dibutuhkan besar Ruang masalah
Lebih terperinciSISTEM INTELEGENSIA. Pertemuan 3 Diema HS, M. Kom
SISTEM INTELEGENSIA Pertemuan 3 Diema HS, M. Kom MASALAH DAN RUANG KEADAAN, 1. Definisi Masalah dan Ruang Masalah 2. Cara Merepresentasikan Ruang Masalah MASALAH? Untuk Mendefinisikan Suatu Masalah: a.
Lebih terperinciArtificial Intelegence/ P_3 EKA YUNIAR
Artificial Intelegence/ P_3 EKA YUNIAR Pokok Bahasan Teknik Pencarian Heuristik Generate And Test Hill Climbing Best First Searching Problem Reduction Constrait Satisfaction Means End Analysis Teknik Pencarian
Lebih terperinciARTIFICIAL INTELLIGENCE
ARTIFICIAL INTELLIGENCE Team teaching: Sri Winiarti, Andri Pranolo, dan Anna Hendri SJ Andri Pranolo W : apranolo.tif.uad.ac.id M : 081392554050 E : andri.pranolo@tif.uad.ac.id Informatics Engineering,
Lebih terperinciSearch Strategy. Search Strategy
Search Strategy Search Strategy Salah satu hal penting dalam menentukan keberhasilan sistem cerdas adalah kesuksesan dalam pencarian (search) Pada dasarnya ada 2 Teknik pencarian : 1. Metode Buta (Uninformed
Lebih terperinciALGORITMA PENCARIAN (1)
ALGORITMA PENCARIAN (1) Permasalahan, Ruang Keadaan, Pencarian Farah Zakiyah Rahmanti Diperbarui 2016 Overview Deskripsi Permasalahan dalam Kecerdasan Buatan Definisi Permasalahan Pencarian Breadth First
Lebih terperinciKecerdasan Buatan Penyelesaian Masalah dengan Pencarian
Kecerdasan Buatan Pertemuan 02 Penyelesaian Masalah dengan Pencarian Kelas 10-S1TI-03, 04, 05 Husni Lunix96@gmail.com http://komputasi.wordpress.com S1 Teknik Informatika, STMIK AMIKOM, 2012 Outline Pendahuluan
Lebih terperinciLAMPIRAN 1. Proses Pembuatan Kopi Tanpa Ampas. Green Bean Kopi Tempur. Jadi. Digiling. Diseduh. Jadi. Hasil Seduhan Kopi Tempur. Disaring.
LAMPIRAN 1. Proses Pembuatan Kopi Tanpa Ampas Dis ang rai Green Bean Kopi Tempur Jadi Mesin Penyangrai Digiling Hasil Sangrai Biji Kopi Tempur Jadi Mesin Penggiling Diseduh Bubuk Kopi Tempur Jadi Kompor
Lebih terperinciALGORITMA PENCARIAN (HEURISTIC)
ALGORITMA PENCARIAN (HEURISTIC) Farah Zakiyah Rahmanti, M.T Diperbarui 2016 Overview Pengertian Pencarian Heuristik Generate and Test Hill Climbing Best First Searching Latihan Pencarian Heuristik Merupakan
Lebih terperinciKecerdasan Buatan. Penyelesaian Masalah dengan Pencarian... Pertemuan 02. Husni
Kecerdasan Buatan Pertemuan 02 Penyelesaian Masalah dengan Pencarian... Husni Lunix96@gmail.com http://komputasi.wordpress.com S1 Teknik Informatika, STMIK AMIKOM, 2013 Outline Konsep Pencarian Pencarian
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Graf 2.1.1 Defenisi Graf Graf G adalah pasangan (V(G),E(G)) dengan (V(G)) adalah himpunan tidak kosong dan berhingga dari objek-objek yang disebut titik, (E(G)) adalah himpunan
Lebih terperinciPencarian Rute Terpendek pada Tempat Wisata di Kota Bogor Menggunakan Metode Heuristik
Pencarian Rute Terpendek pada Tempat Wisata di Kota Bogor Menggunakan Metode Heuristik Irwansyah Saputra Jurusan Ilmu Komputer, STMIK Nusa Mandiri Jakarta Irwansyah9205@gmail.com Abstrak: Pencarian rute
Lebih terperinciANALISA KEBUTUHAN WAKTU PADA PROSES PENYELESAIAN TRAVELING SALESMAN PROBLEM
ANALISA KEBUTUHAN WAKTU PADA PROSES PENYELESAIAN TRAVELING SALESMAN PROBLEM Hari Murti 1, R. Soelistijadi 2, Sugiyamto 3 Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Stikubank
Lebih terperinciCombinatorics. Aturan Jumlah. Teknik Menghitung (Kombinatorik) Contoh
Combinatorics Teknik Menghitung (Kombinatorik) Penjumlahan Perkalian Kombinasi Adalah cabang dari matematika diskrit tentang cara mengetahui ukuran himpunan terbatas tanpa harus melakukan perhitungan setiap
Lebih terperinciArtificial Intelegence/ P_2. Eka Yuniar
Artificial Intelegence/ P_2 Eka Yuniar Pokok Bahasan Definisi Masalah Ruang Masalah Metode Pencarian BFS dan DFS Problem/ Masalah Masalah dalam kecerdasan buatan adalah masalah yang dapat dikonversi ke
Lebih terperinci7. LAMPIRAN Formula Adonan Arem-Arem 1 kilogram beras 3 liter santan Kara yang diencerkan 1 sachet royco rasa daging ayam Daun pandan
7. LAMPIRAN 7.1. Formula Arem-Arem, untuk 5 arem-arem (Lampiran 1) 7.1.1. Formula Isian Daging Ayam 25 gram bawang merah 5 gram bawang putih 5 gram cabai merah 5 gram daging ayam 1 gram gula pasir 1 sendok
Lebih terperinciPENYELESAIAN MASALAH 8 PUZZLE DENGAN ALGORITMA HILL CLIMBING STEPEST ASCENT LOGLIST HEURISTIK BERBASIS JAVA
Seminar Nasional Teknologi Informasi dan Komunikasi 2012 (SENTIKA 2012) ISSN: 209-915 PENYELESAIAN MASALAH PUZZLE DENGAN ALGORITMA HILL CLIMBING STEPEST ASCENT LOGLIST HEURISTIK BERBASIS JAVA Azizah Zakiah
Lebih terperinciTATA LETAK DENGAN BANTUAN KOMPUTER. Tataletak Fasilitas dengan Bantuan Komputer
TATA LETAK DENGAN BANTUAN KOMPUTER 1 KEUNTUNGAN PENGGUNAAN KOMPUTER DALAM PENYELESAIAN MASALAH TATA LETAK 1. Perhitungan dapat dilakukan lebih cepat. 2. Mampu menyelesaikan masalah yang kompleks. 3. Proses
Lebih terperinciAPLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 1 (2015), hal 25 32. APLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM Edi Samana, Bayu Prihandono, Evi Noviani
Lebih terperinciSebelumnya... Best-First Search Greedy Search A* Search, karena boros memory, dimunculkan variannya (sekilas): IDA* SMA* D* (DWA*) RBFS Beam
Sebelumnya... Best-First Search Greedy Search A* Search, karena boros memory, dimunculkan variannya (sekilas): IDA* SMA* D* (DWA*) RBFS Beam Kecerdasan Buatan Pertemuan 04 Variasi A* dan Hill Climbing
Lebih terperinciI. KECERDASAN BUATAN Pengampu : Idhawati Hestiningsih
I. KECERDASAN BUATAN Pengampu : Idhawati Hestiningsih DEFINISI Kecerdasan buatan (Artificial Intelligence) : Bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan
Lebih terperinci03/03/2015. Agenda Teknik Dasar Pencarian Teknik Pemecahan Masalah Strategi Pencarian Mendalam Pencarian Heuristik
Prio Handoko, S. Kom., M.T.I. Program Studi Teknik Informatika Universitas Pembangunan Jaya Jl. oulevard - intaro Jaya Sektor VII Tangerang Selatan anten 154 Kompetensi asar Mahasiswa mendapatkan pemahaman
Lebih terperinciTEKNIK PENCARIAN HEURISTIK (HEURISTIC SEARCHING)
TEKNIK PENCRIN HEURISTIK (HEURISTIC SERCHING) Teknik pencarian heuristik (heuristic searching) merupakan suatu strategi untuk melakukan proses pencarian ruang keadaan (state space) suatu problema secara
Lebih terperinciHal penting dalam menentukan keberhasilan sistem cerdas adalah kesuksesan dalam pencarian.
Hal penting dalam menentukan keberhasilan sistem cerdas adalah kesuksesan dalam pencarian. 3 Teknik Search menentukan simpul mana yang dibuat lebih dulu dan mana yang kemudian sampai ditemukannya simpul
Lebih terperinciBAB 2 LANDASAN TEORI
17 BAB 2 LANDASAN TEORI 2.1 Permasalahan Optimasi Optimasi adalah proses memaksimasi atau meminimasi suatu fungsi tujuan dengan tetap memperhatikan pembatas yang ada. Optimasi memegang peranan penting
Lebih terperinciMasalah, Ruang Keadaan dan Pencarian 4/7/2016. fakultas ilmu komputer program studi informatika
ب س م ا ه لل الر ح ن الر ح ي السالم عليكم ورحمة هللا وبركاته fakultas ilmu komputer program studi informatika Masalah, Ruang Keadaan dan Pencarian Ruang Masalah / Keadaan Suatu ruang yang berisi semua
Lebih terperinciBab 2 2. Teknik Pencarian
Bab 2 2. Teknik Pencarian Bab ini membahas bagaimana membuat ruang masalah untuk suatu masalah tertentu. Sebagian masalah mempunyai ruang masalah yang dapat diprediksi, sebagian lainnya tidak. 1.1 Pendefinisian
Lebih terperinciI. PENGANTAR KECERDASAN BUATAN
I. PENGANTAR KECERDASAN BUATAN 1 DEFINISI Kecerdasan buatan (Artificial Intelligence) : Bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan pekerjaan seperti dan
Lebih terperinciBAB II LANDASAN TEORI. Menurut Schroeder (2000) Penjadwalan dapat didefinisikan sebagai suatu
BAB II LANDASAN TEORI 2.1 Penjadwalan Menurut Schroeder (2000) Penjadwalan dapat didefinisikan sebagai suatu petunjuk atau indikasi apa saja yang harus dilakukan, dengan siapa, dan dengan peralatan apa
Lebih terperinciKATA PENGANTAR. DAFTAR TABEL.. xviii. 1.1 Latar Belakang Masalah 1
DAFTAR ISI Halaman HALAMANJUDUL LEMBAR PENGESAHAN PEMBIMBING LEMBAR PERNYATAAN KEASLIAN HASIL TUGAS AKHIR LEMBAR PENGESAHAN PENGUJI HALAMAN PERSEMBAHAN HALAMAN MOTTO KATA PENGANTAR ABSTRAKSI DAFTAR ISI
Lebih terperinciLESSON 6 : INFORMED SEARCH Part II
LESSON 6 : INFORMED SEARCH Part II 3.3 Itterative deepening A* search 3.3.1 Algoritma IDA* Itterative deepening search atau IDA* serupa dengan iterative deepening depth first, namun dengan modifikasi sebagai
Lebih terperinciTEKNIK PENYELESAIAN MASALAH BERDASARKAN AI
TEKNIK PENYELESAIAN MASALAH BERDASARKAN AI 1. Definisikan masalah dengan tepat 2. Analisa masalahnya 3. Representasikan task knowledge 4. Pilih dan gunakan representasi dan teknik reasoning Untuk mendefinisikan
Lebih terperinciPenerapan Metode Best First Search Pada Permainan Tic Tac Toe
Penerapan Metode Best First Search Pada Permainan Tic Tac Toe Harvei Desmon Hutahaean STMIK Pelita Nusantara, Jl. Iskandar Muda No. 1 Medan, Sumatera Utara, Indonesia http : // www.penusa.ac.id, Email:
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Kecerdasan Buatan Kecerdasan buatan atau artificial intelligence merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti
Lebih terperinciALGORITMA PENCARIAN. 1. Iterative-Deepening Depth-First Search (IDS) Nama : Gede Noverdi Indra Wirawan Nim : Kelas : VI A
Nama : Gede Noverdi Indra Wirawan Nim : 0915051050 Kelas : VI A ALGORITMA PENCARIAN Algoritma pencarian (searching algorithm) adalah algoritma yang menerima sebuah argumen kunci dan dengan langkah-langkah
Lebih terperinciUNIVERSITAS GUNADARMA
QUIZ PENGANTAR KECERDASAN BUATAN Kelompok : Hasbi Nur Haqi (50407406) (Ketua) M. Isramuddin (50407572) Septo Aditiyo (50407796) Yusup Bachtiar (50407929) Kelas : 4IA03 UNIVERSITAS GUNADARMA 2010 Soal dan
Lebih terperinciUJI KECOCOKAN ( MATCHING TEST
7. LAMPIRAN Lampiran 1.Worksheet, Scoresheet dan Hasil Seleksi Panelis Terlatih WORKSHEET UJI KECOCOKAN (MATCHING TEST) Jenis Uji Sensori : kecocokan Tanggal Pengujian : Jenis Sampel : larutan rasa dasar
Lebih terperinciAI sebagai Masalah Pelacakan. Lesson 2
AI sebagai Masalah Pelacakan Lesson 2 Teknik Pencarian Pendahuluan Setelah permasalahan direpresentasikan dalam bentuk state-space, maka selanjutnya dilakukan pencarian (searching) di dalam state-space
Lebih terperinciPENYELESAIAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN METODE SIMPLE HILL CLIMBING
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 0, No. (2015), hal 17 180. PENYELESAIAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN METODE SIMPLE HILL CLIMBING Kristina Karunianti Nana, Bayu Prihandono,
Lebih terperinciPerangkat Lunak Simulasi Langkah Kuda Dalam Permainan Catur
Perangkat Lunak Simulasi Langkah Kuda Dalam Permainan Catur Hartono 1) Liva Junter 2) STMIK IBBI Medan Jl. Sei Deli No. 18 Medan, Telp. 061-4567111 Fax. 061-4527548 Email: hartonoibbi@gmail.com 1 Abstrak
Lebih terperinci7. LAMPIRAN Perhitungan. Perhitungan jumlah fortifikan yang ditambahkan : AKG zat besi wanita = 18 mg/hari
7. LAMPIRAN 7.1. Perhitungan Perhitungan jumlah fortifikan yang ditambahkan : AKG zat besi wanita = 18 mg/hari 20 % AKG = 20% x 18 mg/hari = 3,6 mg/hari Jumlah kandungan zat besi dalam fortifikan kedelai
Lebih terperinciRuang Pencarian PERTEMUAN 3
Ruang Pencarian PERTEMUAN 3 TUJUAN INSTRUKSIONAL Mahasiswa dapat mendeskripsikan sebuah permasalahan secara formal Mahasiswa dapat merancang ruang pencarian dari sebuah permasalahan AGEN YANG MEMILIKI
Lebih terperinciBAB 2 LANDASAN TEORI
8 BAB 2 LANDASAN TEORI Pada bab ini akan dibahas beberapa konsep dasar dan beberapa definisi yang akan digunakan sebagai landasan berpikir dalam melakukan penelitian ini sehingga mempermudah penulis untuk
Lebih terperinciSSSS, Problem Solving. State Space Search. Erick Pranata. Edisi I
SSSS, Problem Solving State Space Search Erick Pranata Edisi I 19/04/2013 Definisi Merupakan sebuah teknik dalam kecerdasan buatan yang dapat digunakan untuk mencari langkah-langkah yang perlu ditempuh
Lebih terperinciBAB II TINJAUAN PUSTAKA. ditentukan oleh pemilik kos sedangkan lama waktu penyewaan ditentukan sendiri
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Studi Tentang Kos-kos Kos merupakan salah satu tempat penyedia jasa penginapan atau tempat tinggal sementara yang terdiri dari beberapa kamar dan setiap
Lebih terperinciSEARCHING. Blind Search & Heuristic Search
SEARCHING Blind Search & Heuristic Search PENDAHULUAN Banyak cara yang digunakan untuk membangun sistem yang dapat menyelesaikan masalah-masalah di AI. Teknik penyelesaian masalah yang dapat dipakai untuk
Lebih terperinciPerancangan Kriptografi Block Cipher 64 Bit Berbasis pada Pola Terasering Artikel Ilmiah
Perancangan Kriptografi Block Cipher 64 Bit Berbasis pada Pola Terasering Artikel Ilmiah Peneliti : Onie Dhestya Nanda Hartien (672012058) Prof. Ir. Danny Manongga, M.Sc., Ph.D. Program Studi Teknik Informatika
Lebih terperinciBAB 2 LANDASAN TEORI Visualisasi
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan tentang landasan dari konsep dan teori yang digunakan untuk mendukung pembuatan aplikasi yang dibuat. Landasan teori serta konsep yang akan dijelaskan
Lebih terperinciPERBANDINGAN METODE PENCARIAN DEPTH-FIRST SEARCH, BREADTH-FIRST SEARCH DAN BEST-FIRST SEARCH PADA PERMAINAN 8-PUZZLE
e-journal Teknik Elektro dan Komputer (2014) ISSN: 2301-8402 1 PERBANDINGAN METODE PENCARIAN DEPTH-FIRST SEARCH, BREADTH-FIRST SEARCH DAN BEST-FIRST SEARCH PADA PERMAINAN 8-PUZZLE Oleh: Arie S. M. Lumenta
Lebih terperinciPENGEMBANGAN MEDIA PEMBELAJARAN SISTEM PELACAKAN PADA MATA KULIAH KECERDASAN BUATAN BERBASIS MULTIMEDIA
PENGEMBANGAN MEDIA PEMBELAJARAN SISTEM PELACAKAN PADA MATA KULIAH KECERDASAN BUATAN BERBASIS MULTIMEDIA Dedi Nugraha, Sri Winiarti Program Studi Teknik Informatika Universitas Ahmad Dahlan Jl. Prof. Dr.
Lebih terperinciPENGEMBANGAN MEDIA PEMBELAJARAN SISTEM PELACAKAN PADA MATA KULIAH KECERDASAN BUATAN BERBASIS MULTIMEDIA
PENGEMBANGAN MEDIA PEMBELAJARAN SISTEM PELACAKAN PADA MATA KULIAH KECERDASAN BUATAN BERBASIS MULTIMEDIA 1 Dedi Nugraha (07018313), 2 Sri Winiarti (0516127501) 1,2 Program Studi Teknik Informatika Universitas
Lebih terperinciPENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN METODE TABU SEARCH
Buletin Ilmiah Mat. Stat. Dan Terapannya (Bimaster) Volume 04, No. 1 (2015), hal 17 24. PENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN METODE TABU SEARCH Fatmawati, Bayu Prihandono, Evi Noviani INTISARI
Lebih terperinciSTEGANOGRAFI PADA MULTIPLE IMAGES 24 BITS
STEGANOGRAFI PADA MULTIPLE IMAGES 24 BITS Nova Hadi Lestriandoko 1), Dian Andriana 2), Sandra Yuwana 3), Nuryani 4) Pusat Penelitian Informatika, Lembaga Ilmu Pengetahuan Indonesia ryan@informatika.lipi.go.id
Lebih terperinciANALISIS ALGORITMA ANT SYSTEM (AS) PADA KASUS TRAVELLING SALESMAN PROBLEM (TSP)
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 04, No. 3 (2015), hal 201 210. ANALISIS ALGORITMA ANT SYSTEM (AS) PADA KASUS TRAVELLING SALESMAN PROBLEM (TSP) Cindy Cipta Sari, Bayu Prihandono,
Lebih terperinciKecerdasan Buatan (Artificial Intelligence) Muhammad Dahria
Kecerdasan Buatan (Artificial Intelligence) Muhammad Dahria Abstrak Kecerdasan Buatan (Artificial Intelligence) merupakan salah satu bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer)
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Salah satu permasalahan optimasi kombinatorial yang terkenal dan sering dibahas adalah traveling salesman problem. Sejak diperkenalkan oleh William Rowan Hamilton
Lebih terperinciAplikasi dan Analisis Algoritma BFS dan DFS dalam Menemukan Solusi pada Kasus Water Jug
Aplikasi dan Analisis Algoritma BFS dan DFS dalam Menemukan Solusi pada Kasus Water Jug Rizkydaya Aditya Putra NIM : 13506037 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika, Institut
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciAI sebagai Masalah Pelacakan. Lesson 2
AI sebagai Masalah Pelacakan Lesson 2 Pendahuluan Semua Bidang AI adalah Pelacakan Game Ruang masalah (problem spaces) Setiap masalah adalah pohon virtual dari seluruh solusi yang mungkin (berhasil atau
Lebih terperinciANALISA ALGORITMA GENETIKA DALAM TRAVELLING SALESMAN PROBLEM SIMETRI. Lindawati Syam M.P.Siallagan 1 S.Novani 2
ANALISA ALGORITMA GENETIKA DALAM TRAVELLING SALESMAN PROBLEM SIMETRI Lindawati Syam M.P.Siallagan 1 S.Novani 2 Jurusan Teknik Informatika, FT, Jl. Dipati Ukur Bandung ABSTRAK Masalah Travelling Salesman
Lebih terperinciPENERAPAN METODE STEEPEST ASCENT HILL CLIMBING PADA MODEL PENCARIAN RUTE TERDEKAT FASILITAS PELAYANAN DARURAT DI KOTA BOGOR BERBASIS ANDROID
PENERAPAN METODE STEEPEST ASCENT HILL CLIMBING PADA MODEL PENCARIAN RUTE TERDEKAT FASILITAS PELAYANAN DARURAT DI KOTA BOGOR BERBASIS ANDROID Lipian Alfha Zemma, Herfina, Arie Qur ania Program Studi Ilmu
Lebih terperinciKUISIONER. 2. Apakah anda pernah mengkonsumsi Jelly (dalam kemasan cup dan siap dikonsumsi) a) Ya, alasannya
7. LAMPIRAN Lampiran 1. Lembar Kuisioner Pendahuluan KUISIONER Nama : Umur : Jenis kelamin : Waktu pelaksanaan: 1. Apa yang anda ketahui tentang Jelly? 2. Apakah anda pernah mengkonsumsi Jelly (dalam kemasan
Lebih terperinciContoh. Teknik Menghitungdan Kombinatorial. Contoh. Combinatorics
Contoh Teknik Menghitungdan Kombinatorial Berapa banyak pelat nomor bisa dibuat dengan mengunakan 3 huruf dan 3 angka? Berapa banyak pelat nomor bisa dibuat dengan menggunakan 3 huruf dan 3 angka tapi
Lebih terperinciBAB II PEMECAHAN MASALAH DENGAN AI
BAB II PEMECAHAN MASALAH DENGAN AI A. Representasi Masalah Seperti telah diketahui pada sistemyang menggunakan kecerdasan buatan akan mencoba memberikan output berupa solusi suatu masalah berdasarkan kumpulan
Lebih terperinciMetode Searching. Blind/Un-informed Search. Heuristic/Informed Search. Breadth-First Search (BFS) Depth-First Search (DFS) Hill Climbing A*
SEARCHING Russel and Norvig. 2003. Artificial Intelligence: a Modern Approach. Prentice Hall. Suyanto, Artificial Intelligence. 2005. Bandung:Informatika Program Studi Ilmu Komputer FPMIPA UPI RNI IK460(Kecerdasan
Lebih terperinciPemanfaatan Pohon dalam Realisasi Algoritma Backtracking untuk Memecahkan N-Queens Problem
Pemanfaatan Pohon dalam Realisasi Algoritma Backtracking untuk Memecahkan N-Queens Problem Halida Astatin (13507049) Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi
Lebih terperinciAplikasi Teori Peluang dalam Permainan Poker
Aplikasi Teori Peluang dalam Permainan Poker Rien Nisa and 13510098 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia
Lebih terperinciSTUDI PERBANDINGAN ALGORITMA CHEAPEST INSERTION HEURISTIC DAN ANT COLONY SYSTEM DALAM PEMECAHAN TRAVELLING SALESMAN PROBLEM
Seminar Nasional Aplikasi Teknologi Informasi (SNATI ) ISSN: `1907-5022 Yogyakarta, 19 Juni STUDI PERBANDINGAN ALGORITMA CHEAPEST INSERTION HEURISTIC DAN ANT COLONY SYSTEM DALAM PEMECAHAN TRAVELLING SALESMAN
Lebih terperinci