Strategi - strategi Pencarian

Oleh: Rina Dewi IS, S.Kom

Strategi - strategi Pencarian Uninformed

Strategi pencarian Uninformed hanya menggunakan informasi yang tersedia pada definisi masalah. Macam-macam strategi pencarian uninformed:
Depth-first search Breadth-first search Uniform-cost search Depth-limited search Iterative deepening search

Depth-First Search (DFS) = Pencarian Mendalam Pertama

Pencarian dilakukan pada satu node dalam setiap level dari yang paling kiri. Jika pada level yang paling dalam, solusi belum ditemukan, maka pencarian dilanjutkan pada node sebelah kanan. Node yang kiri dapat dihapus dari memori. Jika pada level yang paling dalam tidak ditemukan solusi, maka pencarian dilanjutkan pada level sebelumnya. Demikian seterusnya sampai ditemukan solusi. Jika solusi ditemukan maka tidak diperlukan proses backtracking (penelusuran balik untuk mendapatkan jalur yang dinginkan).

Kelebihan DFS adalah:

Pemakaian memori hanya sedikit, berbeda jauh dengan BFS yang harus menyimpan semua node yang pernah dibangkitkan. Jika solusi yang dicari berada pada level yang dalam dan paling kiri, maka DFS akan menemukannya secara cepat.

Kelemahan DFS adalah:

Jika pohon yang dibangkitkan mempunyai level yang dalam (tak terhingga), maka tidak ada jaminan untuk menemukan solusi (Tidak Complete). Jika terdapat lebih dari satu solusi yang sama tetapi berada pada level yang berbeda, maka pada DFS tidak ada jaminan untuk menemukan solusi yang paling baik (Tidak Optimal).

Algoritma:
Buat sebuah antrian, inisialisasi node pertama dengan root dari tree Bila node pertama, jika<>GOAL, node dihapus diganti dengan anak-anaknya Bila node pertama=GOAL, selesai

Gambar Penelusuran Depth First Search untuk Water Jug Problem.

Breadth-First Search (BFS) = Pencarian Melebar Pertama

Pencarian dilakukan pada semua node dalam setiap level secara berurutan dari kiri ke kanan. Jika pada satu level belum ditemukan solusi, maka pencarian dilanjutkan pada level berikutnya. Demikian seterusnya sampai ditemukan solusi. Dengan strategi ini, maka dapat dijamin bahwa solusi yang ditemukan adalah yang paling baik (Optimal). Tetapi BFS harus menyimpan semua node yang pernah dibangkitkan. Hal ini harus dilakukan untuk penelusuran balik jika solusi sudah ditemukan. Pembangkitan suksesor dari suatu node bergantung pada urutan dari Aturan Produksi yang dibuat

Algoritma BFS

Gambar Pohon Breadth First Search untuk Water Jug Problem.

Uniform Cost Search (UCS)

Metode UCS ini merupakan perbaikan dari metode BFS. Prioritas node yang dieksplorasi adalah node yang memberikan path cost terendah. Contoh implementasi pada antrian berdasarkan biaya. Metode ini akan ekivalen dengan BFS jika biaya per langkah sama.

Depth-Limited Search (DLS)

Metode DLS hampir sama dengan metode DFS tetapi dengan batasan kedalaman, jika kedalaman terlalu kecil, maka DLS tidak complete Implementasi:

Iterative Deepening Search (IDS)

Metode yang menggabungkan keuntungan BFS (complete dan optimal) dengan keuntungan DFS (space complexity rendah). Tetapi dengan konsekuensi time complexity menjadi tinggi.

PENCARIAN HEURISTIK

HEURISTIK
Berasal dari bahasa Yunani: heuriskein Artinya to discover atau menemukan Pencarian Heuristik adalah sebuah teknik pencarian yang berusaha memperbaiki efisiensi proses pencarian dengan cara mengorbankan ketidaklengkapan (Completeness)

HEURISTIK
Fungsi Heuristik adalah fungsi yang melakukan pemetaan (mapping) dari diskripsi keadaan masalah ke pengukur kebutuhan, umumnya direpresentasikan berupa angka. George Polya mendefinisikan heuristik sebagai studi metode dan aturan penemuan

HEURISTIK
Dalam proses search ruang keadaan (state space), heuristik dinyatakan sebagai aturan untuk melakukan pemilihan cabang dalam ruang keadaan yang paling dapat diharapkan mencapai pemecahan masalah yang dapat diterima.

AI menggunakan heuristik dalam situasi:

Persoalan yang mungkin memiliki solusi eksak, namun biaya perhitungan untuk menemukan solusi tersebut sangat tinggi dalam kebanyaan persoalan, ruang keadaan bertambah secara luar biasa seiring jumlah. Contoh: Permainan Catur Persoalan yang mungkin tidak memiliki solusi eksak karena ambiquitas (keraguan/ketidakpastian) mendasar dalam pernyataan persoalan atau data yg tersedia. Contoh: Diagnosa medis

Pencarian Heuristik
Generating and Test / Bangkit dan Uji Hill Climbing / Panjat Bukit Best First Search Beam Search Problem Reduction Constraint Satisfaction Means End Analysis Simulated Annealing

Generate and Test

Metode Generate-and-Test adalah metode yang paling sederhana dalam pencarian heuristic. Jika pembangkitan possible solution dikerjakan secara sistematis, maka prosedur akan mencari solusinya, jika ada. Tetapi jika ruang masalahnya sangat luas, mungkin memerlukan waktu yang sangat lama.

Generate and Test

Algoritma Generate-and-Test adalah prosedur DFS karena solusi harus dibangkitkan secara lengkap sebelum dilakukan test. Algoritma ini berbentuk sistematis, pencarian sederhana yang mendalam dari ruang permasalahan.

Generate and Test

Generate & test juga dapat dilakukan dengan pembangkitan solusi secara acak, tetapi tidak ada jaminan solusinya akan ditemukan. Bentuk ini dikenal sebagai algoritma Musium Inggris (British Museum algorithm)

Algoritma Generate and Test

Hasilkan penyelesaian yang mungkin. Untuk beberapa masalah berarti hasilkan titik khusus untuk masalah tsb. Untuk yang lain berarti hasilkan lintasan dari keadaan awal. Ujilah apakah itu merupakan penyelesaian yang nyata dg membandingkan titik yang dipilih atau titik ujung dari lintasan yang dipilih untuk menentukan kedaan tujuan yg bisa diterima Jika penyelesaian didapatkan, keluar. Jika penyelesaian belum ditemukan, ulangi langkah pertama sampai ditemukan penyelesaian jika ada.

Hill Climbing (Panjat Bukit)

Hill Climbing berbeda Generate-and-Test, yaitu pada feedback dari prosedur test untuk membantu pembangkit menentukan yang langsung dipindahkan dalam ruang pencarian. Dalam prosedur Generate & test , respon fungsi pengujian hanya ya atau tidak. Tapi jika pengujian ditambahkan dengan aturan fungsi-fungsi yang menyediakan estimasi dari bagaimana mendekati state yang diberikan ke state tujuan, prosedur pembangkit dapat mengeksplorasi ini sebagaimana ditunjukkan di bawah.

Hill Climbing (Panjat Bukit)

HC sering digunakan jika terdapat fungsi heuristic yang baik untuk mengevaluasi state. Sebagai contoh, anda berada di sebuah kota yang tidak dikenal, tanpa peta dan anda ingin menuju ke pusat kota. Cara sederhana adalah gedung yang tinggi. Fungsi heuristics-nya adalah jarak antara lokasi sekarang dengan gedung yang tinggi dan state yang diperlukan adalah jarak yang terpendek.

Algoritma Hill Climbing (Panjat Bukit)

Evaluasi keadaan awal. Jika merupakan tujuan, maka kembalikan nilainya dan keluar. Sebaliknya lanjutkan dengan keadaan awal sebagai keadaan kini/ sekarang. Kalang sampai penyelesaian didapatkan atau sampai tidak ada operator kiri baru untuk dipakaikan dalam keadaan kini.

Algoritma Hill Climbing (Panjat Bukit)

Kata kunci yang membedakan dengan algoritma generate and test adalah fungsi evaluasi untuk memasukkan pengetahuan tugas khusus kedalam proses kontrol.

Best First Search = Pencarian terbaik Pertama

Merupakan metode yang membangkitkan suksesor dengan mempertimbangkan harga (didapat dari fungsi heuristik tertentu) dari setiap node, bukan dari aturan baku seperti DFS maupun BFS.

Best First Search

Untuk mengimplementasikan algoritma pencarian ini, diperlukan dua buah senarai, yaitu: OPEN untuk mengelola node-node yang pernah dibangkitkan tetapi belum dievaluasi CLOSE untuk mengelola node-node yang pernah dibangkitkan dan sudah dievaluasi.

Algoritma Best First Search

Node terdekat dengan keadaan tujuan Isu-isunya: - Cari penyelesaian secara cepat - Jangan selalu mencari penyelesaian terbaik, karena itu mengevaluasi pilihan terbaik segera, tidak pilihan jangka panjang. - Dapat ke sasaran yang tidak sesuai untuk permulaan yang salah. Perluas sebuah node yang sudah pasti node akhir

Contoh Best First Search

Keterangan:
Pertama kali, dibangkitkan node A. Kemudian semua suksesor A dibangkitan, dan dicari harga paling minimal. Pada langkah 2, node D terpilih karena harganya paling rendah, yakni 1. Langkah 3, semua suksesor D dibangkitkan, kemudian harganya akan dibandingkan dengan harga node B dan C. Ternyata harga node B paling kecil dibandingkan harga node C, E, dan F. Sehingga B terpilih dan selanjutnya akan dibangkitkan semua suksesor B. Demikian seterusnya sampai ditemukan node Tujuan.

Keuntungan dan Kelemahan

CONTOH
Permasalahan TSP

TUGAS
Pencarian Solusi dengan Pohon Pencarian