Metode Pencarian & Pelacakan dengan Heuristik

Ukuran: px
Mulai penontonan dengan halaman:

Download "Metode Pencarian & Pelacakan dengan Heuristik"

Transkripsi

1

2 Metode Pencarian & Pelacakan dengan Heuristik

3 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

4 Kasus 8-puzzle Keadaan Awal Tujuan

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 kiri 6 5 kanan atas

6 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

7 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

8 MMenghitung 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

9 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.

10 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

11 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

12 Alur pencarian Pencarian ke- Lintasan Panjan g Lintasa n 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

13 Pencaria n ke- Lintasa n Panjang Lintasa n 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

14 Salah satu kelemahan dari metode generate & test ini adalah perlu membangkitkan semua kemungkinan sebelum dilakukan pengujian, sehingga membutuhkan waktu yang cukup besar dalam pencariannya.

15 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.

16 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.

17 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)!

18 (19) ABCD Tk 1,2 Tk 2,3 Tk 3,4 Tk 4,1 (17) BACD ACBD ABDC DBCA 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 Tk 1,3 Tk 2,4 ABDC 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

19 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

20 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.

21 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.

22 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 successorsuccessor. 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.

23 (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

24 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 untuk menggunakan 2 operator sekaligus.

25 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 untuk kembali ke node pada 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.

26 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.

27 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

28 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.

29 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):

30 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

31 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.

32 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: 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 adalah jawaban yang dimaksudkan.

33 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.

34 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;

35 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

36 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); 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]

37 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

38 Procedure SimulatedAnneal (MTemp:integer; NC:integer; X,Y:real; MItr:integer; MSukses:integer; dect:real); T = T0(MTemp); L = [ 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);

39 If Pjg < MinPjgJalur then else MinPjgJalur = Pjg; Lbaru = Jalur; Sukses = Sukses +1; If MinPjgJalur < PjgJalurTerpendek then PjgJalurTerpendek = MinPjgJalur; JalurTerpendek = Lbaru; If Sukses = MaxSukses then BREAK; Bangkitkan bilangan random r; If r < e -(Pjg-MinPjgJalur)/T then Lbaru=Jalur; L = Lbaru; T = dect * T;

40 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 = 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]

41 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

INTELEGENSI BUATAN. Pertemuan 2,3 Problem, Space, Search. M. Miftakul Amin, M. Eng. website :

INTELEGENSI BUATAN. Pertemuan 2,3 Problem, Space, Search. M. Miftakul Amin, M. Eng. website : INTELEGENSI BUATAN Pertemuan 2,3 Problem, Space, Search M. Miftakul Amin, M. Eng. e-mail: mmiftakulamin@gmail.com website : http://mafisamin.web.ugm.ac.id Jurusan Teknik Komputer Jurusan Teknik Komputer

Lebih terperinci

KECERDASAN BUATAN METODE HEURISTIK / HEURISTIC SEARCH ERWIEN TJIPTA WIJAYA, ST., M.KOM

KECERDASAN 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 terperinci

Pencarian. Kecerdasan Buatan Pertemuan 3 Yudianto Sujana

Pencarian. 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 terperinci

BAB III METODE PELACAKAN/PENCARIAN

BAB 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 terperinci

BAB IV TEKNIK PELACAKAN

BAB 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 terperinci

METODE PENCARIAN DAN PELACAKAN

METODE 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 terperinci

HEURISTIC SEARCH. Irvanizam Zamanhuri, M.Sc Dr. Taufiq A. Gani, M.EngSc

HEURISTIC 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 terperinci

Teknik Pencarian Heuristik

Teknik 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 terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 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 terperinci

Pendakian Bukit (Hill Climbing)

Pendakian 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 terperinci

KECERDASAN BUATAN. Simple Hill Climbing. Disusun Oleh:

KECERDASAN 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 terperinci

memberikan output berupa solusi kumpulan pengetahuan yang ada.

memberikan 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

Case Study : Search Algorithm

Case 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 terperinci

PENCARIAN RUTE TERPENDEK ARENA KONTES ROBOT PEMADAM API INDONESIA (KRPAI) MENGGUNAKAN ALGORITMA HILL CLIMBING

PENCARIAN 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 terperinci

HEURISTIC SEARCH UTHIE

HEURISTIC 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 terperinci

APLIKASI SIMULATED ANNEALING UNTUK PENENTUAN TATA LETAK MESIN

APLIKASI 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 terperinci

PENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN ALGORITMA SIMPLE HILL CLIMBING

PENYELESAIAN 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 terperinci

SISTEM PENENTUAN LINTASAN TERPENDEK TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA SIMPLE HILL CLIMBING

SISTEM 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 terperinci

Masalah, Ruang Keadaan dan Pencarian 4/7/2016. fakultas ilmu komputer program studi informatika

Masalah, 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 terperinci

BAB II LANDASAN TEORI

BAB 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 terperinci

Artificial Intelegence/ P_3 EKA YUNIAR

Artificial 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 terperinci

Contoh 4/7/ HEURISTIC METHOD. Pencarian Heuristik

Contoh 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 terperinci

Pencarian Rute Terpendek pada Tempat Wisata di Kota Bogor Menggunakan Metode Heuristik

Pencarian 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 terperinci

LAMPIRAN 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. 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

Combinatorics. Aturan Jumlah. Teknik Menghitung (Kombinatorik) Contoh

Combinatorics. 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 terperinci

Search Strategy. Search Strategy

Search 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 terperinci

Sistem 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. 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 terperinci

ALGORITMA PENCARIAN (HEURISTIC)

ALGORITMA 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 terperinci

TATA LETAK DENGAN BANTUAN KOMPUTER. Tataletak Fasilitas dengan Bantuan Komputer

TATA 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 terperinci

7. LAMPIRAN Formula Adonan Arem-Arem 1 kilogram beras 3 liter santan Kara yang diencerkan 1 sachet royco rasa daging ayam Daun pandan

7. 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 terperinci

PENYELESAIAN MASALAH 8 PUZZLE DENGAN ALGORITMA HILL CLIMBING STEPEST ASCENT LOGLIST HEURISTIK BERBASIS JAVA

PENYELESAIAN 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

APLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM

APLIKASI 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 terperinci

Kecerdasan Buatan. Penyelesaian Masalah dengan Pencarian... Pertemuan 02. Husni

Kecerdasan 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 terperinci

UJI KECOCOKAN ( MATCHING TEST

UJI 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 terperinci

ANALISA KEBUTUHAN WAKTU PADA PROSES PENYELESAIAN TRAVELING SALESMAN PROBLEM

ANALISA 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 terperinci

BAB II LANDASAN TEORI. Menurut Schroeder (2000) Penjadwalan dapat didefinisikan sebagai suatu

BAB 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 terperinci

7. LAMPIRAN Perhitungan. Perhitungan jumlah fortifikan yang ditambahkan : AKG zat besi wanita = 18 mg/hari

7. 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 terperinci

Kecerdasan Buatan Penyelesaian Masalah dengan Pencarian

Kecerdasan 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 terperinci

KATA PENGANTAR. DAFTAR TABEL.. xviii. 1.1 Latar Belakang Masalah 1

KATA 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 terperinci

SEARCHING. Blind Search & Heuristic Search

SEARCHING. 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 terperinci

Contoh. Teknik Menghitungdan Kombinatorial. Contoh. Combinatorics

Contoh. 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 terperinci

LESSON 6 : INFORMED SEARCH Part II

LESSON 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 terperinci

Masalah, Ruang Masalah dan Pencarian

Masalah, 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 terperinci

Update 2012 DESAIN DAN ANALISIS ALGORITMA SEARCHING

Update 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 terperinci

STEGANOGRAFI PADA MULTIPLE IMAGES 24 BITS

STEGANOGRAFI 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 terperinci

BAB II TINJAUAN PUSTAKA. ditentukan oleh pemilik kos sedangkan lama waktu penyewaan ditentukan sendiri

BAB 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 terperinci

Sebelumnya... 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 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 terperinci

ALGORITMA PENCARIAN. 1. Iterative-Deepening Depth-First Search (IDS) Nama : Gede Noverdi Indra Wirawan Nim : Kelas : VI A

ALGORITMA 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 terperinci

7. LAMPIRAN. Lampiran 1. Hasil Analisa Data Karakteristik fisik nugget ikan nila

7. LAMPIRAN. Lampiran 1. Hasil Analisa Data Karakteristik fisik nugget ikan nila 7. LAMPIRAN Lampiran 1. Hasil Analisa Data Karakteristik fisik nugget ikan nila 43 44 Karakteristik kimia nugget ikan nila 45 46 47 Karakteristik sensori nugget ikan nila 48 49 Lampiran 2. Worksheet Uji

Lebih terperinci

KUISIONER. 2. Apakah anda pernah mengkonsumsi Jelly (dalam kemasan cup dan siap dikonsumsi) a) Ya, alasannya

KUISIONER. 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 terperinci

MASALAH, RUANG KEADAAN & PENCARIAN

MASALAH, 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 terperinci

ALGORITMA PENCARIAN (1)

ALGORITMA 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 terperinci

Perancangan Kriptografi Block Cipher 64 Bit Berbasis pada Pola Terasering Artikel Ilmiah

Perancangan 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 terperinci

Pertemuan-07 INFORMATIKA FASILKOM UNIVERSITAS IGM

Pertemuan-07 INFORMATIKA FASILKOM UNIVERSITAS IGM 07/04/2016 3. HEURISTIC METHOD Algoritma yang menggunakan Metode Best-First Search, yaitu: 1 Literatur Review KECERDASAN BUATAN Pertemuan-07 INFORMATIKA FASILKOM UNIVERSITAS IGM a. Greedy Best-First Greedy

Lebih terperinci

BAB 2 LANDASAN TEORI Visualisasi

BAB 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 terperinci

PENERAPAN 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 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 terperinci

Aplikasi Teori Peluang dalam Permainan Poker

Aplikasi 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 terperinci

Sudaryatno Sudirham. Permutasi dan Kombinasi

Sudaryatno Sudirham. Permutasi dan Kombinasi Sudaryato Sudrham Permutas da Kombas Permutas Permutas adalah bayakya peelompoka sejumlah tertetu kompoe ya dambl dar sejumlah kompoe ya terseda; dalam setap kelompok uruta kompoe dperhatka Msalka terseda

Lebih terperinci

Artikel Ilmiah. Diajukan Kepada Fakultas Teknologi Informasi Untuk Memperoleh Gelar Sarjana Komputer

Artikel Ilmiah. Diajukan Kepada Fakultas Teknologi Informasi Untuk Memperoleh Gelar Sarjana Komputer Analisis Iterated Cipher Berdasarkan Avalanche Effect Pada Rancangan Skema Transposisi (P-Box) dan S-Box Crypton (Suatu Tinjauan Optimasi Putaran pada Block Cipher) Artikel Ilmiah Diajukan Kepada Fakultas

Lebih terperinci

03/03/2015. Agenda Teknik Dasar Pencarian Teknik Pemecahan Masalah Strategi Pencarian Mendalam Pencarian Heuristik

03/03/2015. 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Permainan (game) merupakan bidang usaha manusia terhadap kecerdasan buatan, salah satunya adalah sliding puzzle. Permainan ini merupakan permainan yang dapat melatih

Lebih terperinci

Kecerdasan Buatan. Pertemuan 03. Pencarian Branch & Bound dan Heuristik (Informed)

Kecerdasan Buatan. Pertemuan 03. Pencarian Branch & Bound dan Heuristik (Informed) Kecerdasan Buatan Pertemuan 03 Pencarian Branch & Bound dan Heuristik (Informed) Husni Lunix96@gmail.com http://www.facebook.com/lunix96 http://komputasi.wordpress.com S1 Teknik Informatika, STMIK AMIKOM,

Lebih terperinci

AI sebagai Masalah Pelacakan. Lesson 2

AI 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 terperinci

ANALISA 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 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 terperinci

Hal penting dalam menentukan keberhasilan sistem cerdas adalah kesuksesan dalam pencarian.

Hal 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 terperinci

Penerapan Metode Best First Search Pada Permainan Tic Tac Toe

Penerapan 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 terperinci

Penggunaan Teori Kombinatorial dalam CAPTCHA

Penggunaan Teori Kombinatorial dalam CAPTCHA Penggunaan Teori Kombinatorial dalam CAPTCHA Gilbran Imami, 13509072 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia

Lebih terperinci

BAB I PENDAHULUAN. generasi pertama pada tahun 1972 dikenal dengan game konsol yang dikeluarkan

BAB I PENDAHULUAN. generasi pertama pada tahun 1972 dikenal dengan game konsol yang dikeluarkan BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan game dari masa ke masa dibagi menjadi 9 generasi, dari generasi pertama pada tahun 1972 dikenal dengan game konsol yang dikeluarkan oleh perusahaan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

Implementasi S-Box AES Dan Komparasi Rancangan Permutation Box (P-Box) Dalam Skema Super Enkripsi. Artikel Ilmiah

Implementasi S-Box AES Dan Komparasi Rancangan Permutation Box (P-Box) Dalam Skema Super Enkripsi. Artikel Ilmiah Implementasi S-Box AES Dan Komparasi Rancangan Permutation Box (P-Box) Dalam Skema Super Enkripsi Artikel Ilmiah Peneliti : Orlando Walaiya (682012043) Alz Danny Wowor, S.Si., M.Cs. Program Studi Sistem

Lebih terperinci

PENERAPAN SOCIALLY OPTIMAL CHOICE FUNCTION DALAM STRATEGI DOMINAN LINA YASMINA MAHBUBAH

PENERAPAN SOCIALLY OPTIMAL CHOICE FUNCTION DALAM STRATEGI DOMINAN LINA YASMINA MAHBUBAH PENERAPAN SOCIALLY OPTIMAL CHOICE FUNCTION DALAM STRATEGI DOMINAN LINA YASMINA MAHBUBAH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013 PERNYATAAN

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 12 BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah penjadwalan secara umum adalah aktifitas penugasan yang berhubungan dengan sejumlah kendala, sejumlah kejadian yang dapat terjadi pada suatu periode waktu

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA 2.1 Graf 2.1.1 Definisi Graf Graf adalah pasangan himpunan (V, E), dan ditulis dengan notasi G = (V, E), V adalah himpunan tidak kosong dari verteks-verteks {v 1, v 2,, v n } yang

Lebih terperinci

7. LAMPIRAN Lampiran 1. Proses Pembuatan Torakur. a b c d

7. LAMPIRAN Lampiran 1. Proses Pembuatan Torakur. a b c d 7. LAMPIRAN Lampiran 1. Proses Pembuatan Torakur a b c d h g Keterangan: a) tomat Tomdari segar, b) pemotongan menjadi 4 bagian, c) perendaman dengan, larutan garam, d) perendaman dengan CaCl, e) pemasakan

Lebih terperinci

PENYELESAIAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN METODE SIMPLE HILL CLIMBING

PENYELESAIAN 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 terperinci

Lampiran 1. Worksheet Uji Ranking Hedonik Konsentrasi Rumput Laut. Worksheet Uji Ranking Hedonik ABCD 11 BCDA 12 CDAB 13 DABC 14 ACBD 15

Lampiran 1. Worksheet Uji Ranking Hedonik Konsentrasi Rumput Laut. Worksheet Uji Ranking Hedonik ABCD 11 BCDA 12 CDAB 13 DABC 14 ACBD 15 7. LAMPIRAN Lampiran 1. Worksheet Uji Ranking Hedonik Konsentrasi Rumput Laut Tanggal uji : Jenis sampel : Nugget Lele Rumput Laut Worksheet Uji Ranking Hedonik Identifikasi sampel Nugget Lele Rumput Laut

Lebih terperinci

Metode Searching. Blind/Un-informed Search. Heuristic/Informed Search. Breadth-First Search (BFS) Depth-First Search (DFS) Hill Climbing A*

Metode 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

ANALISIS ALGORITMA ANT SYSTEM (AS) PADA KASUS TRAVELLING SALESMAN PROBLEM (TSP)

ANALISIS 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 terperinci

Pengembangan Teknik Pencarian Optimal Menggunakan Algoritma Generate and Test dengan Diagram Precedence (GTPRE)

Pengembangan Teknik Pencarian Optimal Menggunakan Algoritma Generate and Test dengan Diagram Precedence (GTPRE) Pengembangan Teknik Pencarian Optimal Menggunakan Algoritma Generate and Test dengan Diagram Precedence (GTPRE) Development of Optimal Search Using Generate and Test Algorithm with Precedence Diagram (GTPRE)

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang

BAB I PENDAHULUAN 1.1. Latar Belakang 1 BAB I PENDAHULUAN 1.1. Latar Belakang Perkembangan dunia usaha mengalami persaingan yang begitu ketat dan peningkatan permintaan pelayanan lebih dari pelanggan. Dalam memenangkan persaingan tersebut

Lebih terperinci

BAB IV ANALISIS MASALAH

BAB IV ANALISIS MASALAH BAB IV ANALISIS MASALAH 4.1 Tampilan Program Persoalan TSP yang dibahas pada tugas akhir ini memiliki kompleksitas atau ruang solusi yang jauh lebih besar dari TSP biasa yakni TSP asimetris dan simetris.

Lebih terperinci

Modul Bahan Ajar KECERDASAN BUATAN

Modul Bahan Ajar KECERDASAN BUATAN Modul Bahan Ajar KECERDASAN BUATAN DIAN EKA RATNAWATI, S.Si.M.Kom DEWI YANTI LILIANA,S.Kom,M.Kom REKYAN REGASARI MP, ST.MT LAILIL MUFLIKHAH, S.Kom.M.Sc PROGRAM TEKNOLOGI INFORMASI DAN ILMU KOMPUTER UNIVERSITAS

Lebih terperinci

I. KECERDASAN BUATAN Pengampu : Idhawati Hestiningsih

I. 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 terperinci

Kecerdasan Buatan Pendahuluan kecerdasan tiruan Artificial Intelligence kecerdasan buatan

Kecerdasan Buatan Pendahuluan kecerdasan tiruan Artificial Intelligence kecerdasan buatan 1 Kecerdasan Buatan Tujuan : 1. Mengenal konsep dasar kecerdasan buatan, teknologi, dan area penerapan kecerdasan buatan. 2. Mampu merancang suatu sistem cerdas (intelligent system) dengan menggunakan

Lebih terperinci

Artificial Intelegence/ P_2. Eka Yuniar

Artificial 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 terperinci

Perbandingan Algoritma Brute Force dan Breadth First Search dalam Permainan Onet

Perbandingan Algoritma Brute Force dan Breadth First Search dalam Permainan Onet Perbandingan Algoritma Brute Force dan Breadth First Search dalam Permainan Onet Dininta Annisa / 13513066 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung,

Lebih terperinci

PERBANDINGAN METODE PENCARIAN DEPTH-FIRST SEARCH, BREADTH-FIRST SEARCH DAN BEST-FIRST SEARCH PADA PERMAINAN 8-PUZZLE

PERBANDINGAN 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 terperinci

KECERDASAN 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 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 terperinci

PENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN METODE TABU SEARCH

PENYELESAIAN 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 terperinci

TEKNIK PENCARIAN HEURISTIK (HEURISTIC SEARCHING)

TEKNIK 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 terperinci

ALGORITMA PENCARIAN SIMPUL SOLUSI DALAM GRAF

ALGORITMA PENCARIAN SIMPUL SOLUSI DALAM GRAF ALGORITMA PENCARIAN SIMPUL SOLUSI DALAM GRAF Anthony Rahmat Sunaryo NIM: 3506009 Jurusan Teknik Informatika ITB, Bandung email : if6009@students.if.itb.ac.id Abstract -- Makalah ini membahas tentang analsis

Lebih terperinci

BAB III. Metode Penelitian

BAB III. Metode Penelitian BAB III Metode Penelitian 3.1 Diagram Alir Penelitian Secara umum diagram alir algoritma genetika dalam penelitian ini terlihat pada Gambar 3.1. pada Algoritma genetik memberikan suatu pilihan bagi penentuan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

Algoritma Branch & Bound untuk Optimasi Pengiriman Surat antar Himpunan di ITB

Algoritma Branch & Bound untuk Optimasi Pengiriman Surat antar Himpunan di ITB Algoritma Branch & Bound untuk Optimasi Pengiriman Surat antar Himpunan di ITB Mohamad Ray Rizaldy - 13505073 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi

Lebih terperinci

Aplikasi 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 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 terperinci

PROTOTIPE IMPLEMENATSI ALGORITHMA HILLCLIMBING UNTUK MEMBUAT JADWAL PRODUKSI GARMENT DI PT XX

PROTOTIPE IMPLEMENATSI ALGORITHMA HILLCLIMBING UNTUK MEMBUAT JADWAL PRODUKSI GARMENT DI PT XX PROTOTIPE IMPLEMENATSI ALGORITHMA HILLCLIMBING UNTUK MEMBUAT JADWAL PRODUKSI GARMENT DI PT XX Heribertus Himawan1), Dwi Setyawan2) 1), 2) Teknik Informatika Udinus Semarang Jl Nakula I No 5-11, Semarang

Lebih terperinci