Pertemuan 4 Mata Kuliah : Kecerdasan Buatan Pencarian & Pelacakan Heuristik Pertemuan 4 Mata Kuliah : Kecerdasan Buatan

Pencarian Heuristik (Heuristic Search) Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian, namum dengan kemungkinan mengorbankan kelengkapan (completeness). Fungsi heuristik digunakan untuk mengevaluasi keadaan keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.

Fungsi Heuristik Kasus 8-puzzle Ada 4 operator yang dapat digunakan untuk menggerakkan dari satu keadaan (state) ke keadaan yang baru. Geser ubin kosong ke kiri Geser ubin kosong ke kanan Geser ubin kosong ke atas Geser ubin kosong ke bawah

Metode Pencarian Heuristik A. Pembangkit & Pengujian (Generate and Test) B. Pembangkitan Bukit (Hill Climbing) C. Pencarian terbaik Pertama (Best First Search) D. Alpha Beta Prunning,Means-End-Anlysis,Constraint Satisfaction, Simulated Anealing, dll

Pembangkitan & Pengujian (Generate and Test) Penggabungan antara depth-first search dengan pelacakan mundur (backtracking), yaitu bergerak ke belakang menuju pada suatu keadaan awal. Nilai Pengujian berupa jawaban “ya” atau “tidak”

Pembangkitan & Pengujian (Generate and Test) Algoritma : 1. Bangkitkan suatu kemungkinan solusi (membangkitkan suatu tititk tertentu atau lintasan tertentu dari keadaan awal). 2. Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengan cara membandingkan node terebut atau node akhir dari suatu lintasan yang dipilih dengan kumpulan tujuan yang diharapkan. 3. Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah pertama.

Pembangkitan & Pengujian (Generate and Test) Contoh : “Travelling Salesman Problem (TSP)” Seorang salesman ingin mengunjungi n kota. Jarak antara tiap-tiap kota sudah diketahui. Kita ingin mengetahui ruter terpendek dimana setaip kota hanya boleh dikkunjungi tepat 1 kali. Misalkan ada 4 kota dengan jarak antara tiap-tiap kota.

Pembangkitan & Pengujian (Generate and Test)

B. Pendakian Bukit (Hill Climbing) Metode ini hampir sama dengan metode pembangkitan dan pengujian, hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristic. Pembangkitan keadaan berikutnya 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.

B. Pendakian Bukit (Hill Climbing) - Metode Simple Hill Climbing Ruang keadaan berisi semua kemungkinan lintasan yang mungkin. Operator digunakan untuk menukar posisi kota-kota yang bersebelahan. Fungsi heuristik yang digunakan adalah panjang lintasan yang terjadi. Operator yang akan digunakan adalah menukar urutan posisi 2 kota dalam 1 lintasan. Bila ada n kota, dan ingin mencari kombinasi lintasan dengan menukar posisi urutan 2 kota, maka akan didapat sebanyak :

B. Pendakian Bukit (Hill Climbing) - Metode Simple Hill Climbing Algoritma: 1. Initial State 2. Goal State 3. Evaluasi keadaan awal, jika tujuan berhenti, jika tidak lanjut dengan keadaan sekarang sebagai keadaan awal 4. Kerjakan langkah berikut sampai solusi ditemukan atau tidak ada lagi operator baru sebagai keadaan sekarang :

B. Pendakian Bukit (Hill Climbing) - Metode Simple Hill Climbing Cari operator yang belum pernah digunakan. Gunakan operator untuk keadaan yang baru. Evaluasi keadaan sekarang: Jika keadaan tujuan , keluar. Jika bukan tujuan, namun nilainya lebih baik dari sekarang, maka jadikan keadaan tersebut sebagai keadaaan sekarang Jika keadaan baru tidak lebih baik daripada keadaan sekarang, maka llanjutkan iterasi.

B. Pendakian Bukit (Hill Climbing) - Metode Simple Hill Climbing Contoh TSP Disini ruang keadaan berisi semua kemungkinan lintasan yang mungkin. Operator digunakan untuk menukar posisi kota-kota yang bersebelahan. Apabila ada n kota, dan kita ingin mencari kombinasi lintasan dengan menukar posisi urutan 2 kota, maka kita akan mendapatkan sebanyak : n atau atau sebanyak 6 kombinasi (lihat gambar di bawah). Fungsi heuristic yang digunakan adalah panjang lintasan yang terjadi.

B. Pendakian Bukit (Hill Climbing) - Metode Simple Hill Climbing

Metode steepest – ascent hill climbing Steepest – ascent hill climbing hampir sama dengan simple – ascent hill climbing, hanya saja gerakan pencarian tidak dimulai dari kiri, tetapi berdasarkan nilai heuristik terbaik. Gerakan pencarian selanjutnya berdasar nilai heuristik terbaik

Keadaan awal, lintasan ABCD (=19). Level pertama, hill climbing memilih nilai heuristik terbaik yaitu ACBD (=12) sehingga ACBD menjadi pilihan selanjutnya. Level kedua, hill climbing memilih nilai heuristik terbaik, karena nilai heuristik lebih besar dibanding ACBD, maka hasil yang diperoleh lintasannya tetap ACBD (=12)

Metode steepest – ascent hill climbing Algoritma: Initial State Goal State Evaluasi keadaan awal, jika tujuan berhenti jika tidak lanjut dengan keadaan sekarang sebagai keadaan awal Kerjakan hingga tujuan tercapai atau hingga iterasi tidak memberi perubahan sekarang :

Metode steepest – ascent hill climbing Tentukan SUCC sebagai nilai heuristik terbaik dari successor-successor Kerjakan tiap operator yang digunakan oleh keadaan sekarang. Gunakan operator tersebut dan bentuk keadan baru Evaluasi keadaan baru. Jika tujuan keluar, jika bukan bandingkan nilai heuristiknya dengan SUCC. Jika lebih baik jadikan nilai heuristik keadaan baru ter sebut sebagai SUCC. Jika tidak, nilai SUCC tidak berubah. Jika SUCC lebih baik dari nilai heuristik keadaan sekarang, ubah SUCC menjadi keadaan sekarang.

PENCARIAN TERBAIK PERTAMA (Best-First Search) Metode ini merupakan kombinasi dari metode depth-first search dan breadth-first search. Pada metode best-first search, pencarian diperbolehkan mengunjungi node yang ada di level yang lebih rendah, jika ternyata node pada level yang lebih tinggi ternyata memiliki nilai heuristic yang lebih buruk. Fungsi Heuristik yang digunakan merupakan prakiraan (estimasi) cost dari initial state ke goal state, yang dinyatakan dengan : f’(n) = g(n) + h’(n) dimana f’ = Fungsi evaluasi g = cost dari initial state ke current state h’ = prakiraan cost dari current state ke goal state

Contoh : Misalkan kita memiliki ruang pencarian seperti pada gambar di bawah. Node M merupakan keadaan awal dan node T merupakan tujuannya. Biaya edge yang menghubungkan node M dengannode A adalah biaya yang dikeluarkan untuk bergerak dari kota M ke kota A. Nilai g diperoleh berdasarkan biaya edge minimal. Sedangkan nilai h’ di node A merupakan hasil perkiraan terhadap biaya yang diperlukan dari node A untuk sampai ke tujuan. h’(n) bernilai ~ jika sudah jelas tidak ada hubungan antara node n dengan node tujuan (jalan buntu). Kita bisa merunut nilai untuk setiap node.

end rev. ....