BAB 4 HASIL DAN PEMBAHASAN

Transkripsi

1 BAB 4 HASIL DAN PEMBAHASAN 4. Hasil Percobaan dilakukan dengan menggunakan novelty search,, dan gabungan keduanya. Percobaan dibagi menjadi 2 bagian di mana terdapat perbedaan fitur yang diterima pada node input. Percobaan dilakukan dengan perbedaan fitur pada node input berupa:. Input posisi musuh berdasarkan jarak dan posisi radial musuh terhadap posisi robot peneliti. 2. Input posisi musuh berdasarkan posisi musuh pada koordinat kartesius. Terdapat 6 metode yang digunakan pada masing-masing percobaan, yaitu:. % 2. 7% dan 3% 3. 5% dan 5% 4. 3% dan 7% 5. % 6. Random Pada percobaan pertama, input posisi robot musuh pada ANN berdasarkan pada jarak dan posisi radial musuh terhadap posisi robot peneliti. Hasil percobaan yang didapatkan adalah sebagai berikut: 45

2 , 3 3, 7 5, 5 Random Gambar 5: Grafik Hasil Percobaan (Nilai Objektif Tertinggi) , 3 3, 7 5, 5 Random Gambar 6: Grafik Hasil Percobaan (Rata-Rata Nilai Objektif) Pada percobaan kedua, input posisi musuh pada ANN berdasarkan pada koordinat kartesius robot musuh. Hasil percobaan yang didapatkan adalah sebagai berikut:

3 , 3 3, 7 5, 5 Random Gambar 7: Grafik Hasil Percobaan 2 (Nilai Objektif Tertinggi) , 3 3, 7 5, 5 Random Gambar 8: Grafik Hasil Percobaan 2 (Rata-Rata Nilai Objektif) Gambar 5 dan Gambar 7 menunjukkan individu-individu yang memiliki nilai objektif tertinggi pada tiap generasi pada masing-masing percobaan. Gambar 6 dan Gambar 8 menunjukkan rata-rata nilai objektif individu yang dihasilkan pada tiap generasi pada tiap percobaan. Pada setiap percobaan terdapat 6 metode yang diterapkan.

4 48 Pada gambar 5, dapat dilihat bahwa pada percobaan, metode yang menghasilkan individu dengan nilai objektif tertinggi dapat diurutkan sebagai berikut:. 7% dan novelty 3% ( %) 2. 3% dan novelty 7% ( %) 3. 5% dan novelty 5% ( %) 4. (73.86 %) 5. (64.92 %) 6. Random (52.2 %) Pada gambar 7, dapat dilihat bahwa pada percobaan 2, metode yang menghasilkan individu dengan nilai objektif tertinggi dapat diurutkan sebagai berikut:. 7% dan novelty 3% (72.82 %) 2. ( %) 3. 5% dan novelty 5% (62.54 %) 4. 3% dan novelty 7% ( %) 5. (57.34 %) 6. Random (5.486 %) Pada gambar 6, dapat dilihat bahwa pada percobaan, metode yang menghasilkan rata-rata nilai objektif tertinggi dapat diurutkan sebagai berikut:. 7% dan novelty 3% (2.98 %) 2. 5% dan novelty 5% (2.369 %) 3. (9.723 %)

5 % dan novelty 7% (7.2 %) 5. (2.727 %) 6. Random (.597 %) Pada gambar 8, dapat dilihat bahwa pada percobaan 2, metode yang menghasilkan rata-rata nilai objektif tertinggi dapat diurutkan sebagai berikut:. (5.6 %) 2. 7% dan novelty 3% (4.96 %) 3. 5% dan novelty 5% (3.52 %) 4. 3% dan novelty 7% (3.74 %) 5. (2.97 %) 6. Random (.65 %) Node input pada neural network dapat dianggap sebagai sekumpulan vektor fitur yang digunakan untuk merepresentasikan kondisi lingkungan dari robot untuk digunakan dalam membentuk perilaku robot. Percobaan dan percobaan 2 memiliki perbedaan pada cara mengenali posisi musuh di mana percobaan mengenali posisi musuh berdasarkan jarak dan posisi radial musuh terhadap posisi robot peneliti, sedangkan percobaan 2 mengenali posisi musuh berdasarkan posisi musuh pada koordinat kartesius. Perbedaan node input pada kedua percobaan dapat dianggap sebagai suatu konstruksi fitur, karena posisi musuh pada koordinat kartesius dapat dihitung berdasarkan jarak dan posisi radial musuh terhadap robot peneliti dan sebaliknya jarak dan posisi radial musuh dapat dihitung berdasarkan koordinat kartesius musuh. Kedua percobaan ini dilakukan untuk mengamati pengaruh perubahan fitur yang digunakan oleh ANN terhadap kemampuan metode, novelty

6 5 search, dan penggabungannya dalam menghasilkan robot pada permainan robocode Best Best 2 Average Average Gambar 9: Nilai Objektif Tertinggi dan Rata-Rata Nilai Objektif Best Best 2 Average Average Gambar 2: Nilai Objektif Tertinggi dan Rata-Rata Nilai Objektif

7 Best Best 2 Average Average Gambar 2: Nilai Objektif Tertinggi dan Rata-Rata Nilai Objektif 7% & 3% Best Best 2 Average Average Gambar 22: Nilai Objektif Tertinggi dan Rata-Rata Nilai Objektif 3% & 7%

8 Best Best 2 Average Average Gambar 23: Nilai Objektif Tertinggi dan Rata-Rata Nilai Objektif 5% & 5% Best Best 2 Average Average Gambar 24: Nilai Objektif Tertinggi dan Rata-Rata Nilai Objektif Random Gambar 9 Gambar 24 menunjukkan perbandingan antara nilai objektif tertinggi dan rata-rata nilai objektif yang dihasilkan oleh percobaan dan

9 53 percobaan 2 pada masing-masing metode. Pada setiap metode, ternyata percobaan yang menggunakan jarak dan posisi radial robot musuh terhadap robot peneliti sebagai input menghasilkan robot yang memiliki nilai objektif lebih tinggi dibandingkan percobaan 2. Tabel : Nilai Objektif Tertinggi Robot Metode 7% & 3% Percobaan Percobaan 2 3% & 7% 5% & 5% Random % % % % % 52.2 % % % % % % % Tabel 2: Rata-Rata Nilai Objektif Robot Metode 7% & 3% Percobaan Percobaan 2 3% & 7% 5% & 5% Random % % 2.98 % 7.2 % %.597 % 5.6 % 2.97 % 4.96 % 3.74 % 3.52 %.65 % Nilai objektif tertinggi robot dan rata-rata nilai objektif robot yang dihasilkan pada percobaan dan percobaan 2 untuk setiap metode dirangkum dalam Tabel dan Tabel Pembahasan Analisa data hasil percobaan dilakukan dengan membandingkan nilai objektif dari robot yang dihasilkan. Nilai objektif dinyatakan sebagai

10 54 perbandingan antara skor robot peneliti dengan jumlah skor robot peneliti dan musuh. Nilai objektif yang tinggi menunjukkan bahwa robot dapat memaksimalkan skor yang didapatnya sekaligus meminimalkan skor yang didapat oleh musuh. Semakin tinggi nilai objektif yang dapat dihasilkan oleh robot pada suatu metode, semakin baik metode tersebut. Berdasarkan Gambar 5 dan Gambar 7, penggabungan metode dan novelty search dengan komposisi 7% dan novelty 3% menghasilkan robot dengan nilai objektif yang tertinggi. Pada percobaan, rata-rata tertinggi diperolah dengan menggunakan metode 7% dan novelty 3%. Pada percobaan 2, rata-rata tertinggi diperolah dengan menggunakan metode. Berdasarkan hasil pengurutan rata-rata nilai objektif untuk semua metode dapat terlihat bahwa terdapat kecenderungan di mana rata-rata nilai objektif yang dihasilkan oleh metode dengan persentase novelty yang tinggi memiliki nilai objektif yang lebih rendah dibandingkan dengan metode yang menggunakan persentase yang tinggi. Hal ini terjadi karena sifat novelty search yang selalu mencari keterbaruan tanpa mempedulikan nilai objektif yang dihasilkan. Berdasarkan hasil percobaan, dapat dilihat pada Gambar 5 Gambar 8 bahwa penggunaan novelty search sendiri ternyata menghasilkan robot dengan kemampuan terendah kedua setelah random search. Penggunaan novelty search untuk permasalahan pembuatan NPC pada robocode ternyata tidak menghasilkan robot yang lebih baik dibandingkan dengan penggunaan. Ketidakmampuan novelty search menemukan penyelesaian yang lebih optimal dibandingkan dengan yang menggunakan objective search

11 55 disebabkan karena karakter dari permasalahan pembuatan NPC pada robocode sendiri. Pada pembuatan NPC robocode, dibutuhkan suatu pengontrol NPC yang dapat dengan tepat menghasilkan pergerakan NPC, dalam menghindari dan menembak musuh. Penggunaan novelty search yang hanya mencari keterbaruan ternyata tidak dapat menghasilkan robot yang dapat menghindari tembakan musuh dan menembak musuh secara akurat. Pencarian keterbaruan memungkinkan terdapat keanekaragaman individu pada suatu generasi, akan tetapi tidak terdapat optimalisasi ke arah lokal optimal yang dilakukan oleh fungsi objektif. Meskipun penggunaan novelty search murni tidak menghasilkan robot yang baik (memiliki nilai objektif yang tinggi), akan tetapi penggunaan novelty search dalam persentase kecil ternyata dapat membantu untuk menghasilkan solusi NPC robocode yang lebih baik daripada penggunaan saja ataupun novelty search saja. Penggabungan dan novelty search dengan persentase novelty search yang rendah dapat menghasilkan robot yang memiliki nilai objektif yang lebih tinggi dibandingkan metode saja. search mirip dengan teknik pemeliharaan keanekaragaman yang biasa digunakan pada algoritma genetik. Akan tetapi teknik pemeliharaan keanekaragaman biasanya masih dituntun arahnya oleh fungsi objektif (Lehman, 27). Dengan adanya fungsi novelty yang tidak mempedulikan objektif dari permasalahan dan hanya mempedulikan keterbaruan sifat individu, maka terdapat sifat di mana pencarian akan diarahkan ke pencarian sifat baru. Pencarian sifat baru ini akan mengakibatkan adanya pemeliharaan keanekaragaman yang berdasarkan pada keterbaruan perilaku, bukan berdasarkan pada objektif permasalahan. Adanya pemeliharaan keanekaragaman pada penggabungan

12 56 metode dan novelty search menyebabkan metode hasil penggabungan tersebut lebih baik dibandingkan saja yang tidak memiliki teknik pemeliharaan keanekaragaman. Semua metode pada hasil percobaan memiliki nilai objektif tertinggi dan rata-rata nilai objektif yang lebih tinggi daripada percobaan 2 pada metode yang sama. Perbandingan antara nilai objektif tertinggi dan rata-rata nilai objektif untuk setiap metode dapat dilihat pada Gambar 9 Gambar 24. Meskipun terdapat perbedaan urutan robot terbaik yang dihasilkan, akan tetapi baik pada percobaan ataupun percobaan 2, robot dengan nilai objektif terbaik tetap dihasilkan oleh penggabungan antara dan novelty search dengan persentase 7% dan novelty search 3%. Hal ini menunjukkan bahwa penggabungan dan novelty search dapat menaikkan nilai objektif yang dihasilkan oleh robot yang dievolusi. Dalam percobaan, dilakukan juga random search di mana nilai fitness dari suatu robot diacak. Beradasarkan nilai fitness tersebut, generasi berikutnya diturunkan. Dari data hasil percobaan, dapat dilihat bahwa novelty search tidak sama dengan random search. search ternyata dapat menghasilkan NPC yang lebih baik dibandingkan dengan random search dengan selisih nilai objektif pada robot terbaik masing-masing metode sebesar 2.72% pada percobaan dan 6.548% pada percobaan 2. Lehman & Stanley (2) juga menyimpulkan bahwa novelty search tidak sama dengan random search melalui penelitiannya dengan menggunakan permasalahan maze navigation.