Metode Pencarian & Pelacakan dengan Heuristik
|
|
- Sukarno Pranoto
- 7 tahun lalu
- Tontonan:
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. e-mail: mmiftakulamin@gmail.com website : http://mafisamin.web.ugm.ac.id Jurusan Teknik Komputer Jurusan Teknik Komputer
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinci7. 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 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 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 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 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 terperinciPertemuan-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 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 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 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 terperinciSudaryatno 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 terperinciArtikel 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 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 terperinciBAB 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 terperinciKecerdasan 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 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 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 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 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 terperinciPenggunaan 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 terperinciBAB 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 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 terperinciImplementasi 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 terperinciPENERAPAN 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 terperinciBAB 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 terperinciBAB 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 terperinci7. 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 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 terperinciLampiran 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 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 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 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 terperinciPengembangan 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 terperinciBAB 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 terperinciBAB 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 terperinciModul 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 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 terperinciKecerdasan 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 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 terperinciPerbandingan 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 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 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 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 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 terperinciALGORITMA 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 terperinciBAB 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 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 terperinciAlgoritma 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 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 terperinciPROTOTIPE 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