Dokumen ini membahas tentang searching sebagai salah satu cara untuk memecahkan masalah dalam sistem kecerdasan buatan. Terdapat berbagai jenis searching yang dibedakan menjadi searching tidak terarah (uninformed search) dan terarah (informed search). Contoh searching tidak terarah adalah breadth-first search, uniform cost search, dan depth-first search, sedangkan contoh searching terarah adalah hill climbing, best first search, generate and test, dan simulated annealing.

1. Problem Solving
Searching
Eddy Tungadi, ST, MT

2. 2
Pendahuluan
• Hubungan searching dengan AI ?
– Sistem AI, khususnya problem-solving agent (salah satu jenis
goal-based agent), diharapkan dapat memecahkan suatu
masalah secara autonomous. Salah satu cara untuk
melakukannya, adalah dengan mencari langkah-langkah yang
dapat mengantarkannya ke solusi menggunakan algoritma
search.
• Pencarian solusi hanya bisa dilakukan setelah agent
mengetahui apa yang dihadapinya, apa yang dicarinya
perlu problem definition.
• Secara kasar, simple problem-solving agent :
Percept Problem definition Search for solution Action.

3. 3
Problem Definition
• Problem definition (single-state problems) dapat
dinyatakan dalam : contoh : lihat papan.
– Initial state :
• Keadaan/state awal.
– Operator :
• Aksi yang mungkin dilakukan agent. Aksi tersebut-lah yg. mampu
memindahkan agent dari satu state ke state lain yang masih berada
dalam state space-nya (himpunan seluruh state yang dapat dicapai dari
initial state melalui serangkaian aksi, merupakan gabungan antara
initial state dng. state-state yg. dihasilkan oleh operator yg. ada).
– Goal test :
• Menentukan apakah goal space telah tercapai atau belum.
• Solusi : path yg. menghubungkan intial state dng. goal state.

4. 4
Problem Definition
– Path cost function (g):
• Menentukan path mana (dlm. hal ini dapat dianggap juga rangkaian
aksi) mana yg. lebih preferable.
• Problem definition utk. multiple-state problems hampir
sama dng. problem definition utk. single-state
problems, hanya saja state yg. ada berubah menjadi set
of state. Beberapa perubahan:
– Initial state menjadi : Initial state set.
– State space menjadi : State set space.
– Path menghubungkan set of states satu ke set of states lain.
– Solusi : path yg. menghubungkan initial state set ke set of
goal states.

5. 5
Searching
• Secara garis besar, searching dibedakan
menjadi:
– Uninformed search (blind search).
• Tidak ada informasi mengenai jarak/cost dari current state
ke goal state.
– Informed search. (heuristic search)
• Ada informasi mengenai jarak/cost dari current state ke
goal state.

6. • Hal yg. perlu diperhatikan dlm. searching :
– Completeness: jk. solusi ada, apakah pasti akan
ditemukan ?
– Optimallity: jk. ada > 1 solusi, apakah selalu solusi
terbaik yg. diperoleh ?
– Time Complexity: waktu yg. dibutuhkan utk.
mendpt. solusi.
– Space complexity: memory yg. dibutuhkan utk.
melakukan searching.
6

7. 7
Searching
• Contoh uninformed search :
– Breadth-first search (BFS).
– Uniform cost search.
– Depth-first search (DFS).
– Depth-limited search.
– Iterative deepening search (IDS).
– Bidirectional search.

8. 8
Breadth-First Search (BFS)
• Semua node solusi pada level n akan dikunjungi
terlebih dahulu sebelum level n+1
• Pencarian mulai dari akar kemudian ke level 1 mulai
dari kiri ke kanan
• Complete (Jika ada satu solusi maka Bredth-First
Search akan menemukannya)
• Membutuhkan memori yang cukup banyak
• Struktur data : queue.
• Optimal (jk. kedalaman node = path cost).

9. 9
Uniform Cost Search
• Utk. mengatasi agar search tetap optimal meskipun
kedalaman node != path cost. Node diurutkan & di-
expand berdasarkan path cost-nya. Akan = BFS jk.
semua node n memiliki path cost(n)= depth(n).
• Complete.
• Optimal (jk semua path cost non-decreasing/tidak ada
yg. negatif), lihat contoh di papan.

10. 10
Depth-First Search (DFS)
• Proses pencarian dilakukan pada semua anaknya
sebelum dilakukan pencarian ke node-node yang
selevel
• Struktur data : stack.
• Tidak complete (bisa solusi ada, tapi stuck di inf. loop).
• Tidak optimal (bisa solusi yg. lebih baik ada, tapi yg.
keambil yg. kurang baik).
• Keuntungan : Memori relatif kecil, Secara kebetulan
akan menemukan solusi tanpa harus meguji lebih
banyak lagi

11. 11
Depth-Limited Search
• Sama dng. DFS, hanya saja depth yg. akan di-expand
dibatasi. Hal ini utk. menghindari inf. loop/pencarian
yg. tdk. optimal krn. mencari terlalu dalam.
• Complete (batas depth >= depth(solusi) / Tidak
complete (bisa solusi ada, tapi > batas depth).
• Tidak optimal (bisa ada > 1 solusi pd. depth < batas
depth, tapi yg. keambil solusi yg. kurang baik).

12. 12
Iterative Deepening Search (IDS)
• Gabungan antara BFS & DFS. Pencarian dilakukan per
level. Utk. tiap level, dilakukan DFS dng. level tersebut
sebagai batas depth.
• Mengatasi kesulitan mencari batas depth pd. depth
limited search.
• Complete.
• Optimal.

13. 13
Bidirectional Search
• Pencarian dilakukan 2 arah, dari root & dari goal.
Solusi berhasil ditemukan ketika path dari root & goal
bertemu.
• Complete.
• Optimal.

14. 14
Constraint Satisfaction Problem (CSP)
• States : values of a set of variables.
• Goal test : a set of constraints that the values must obey.
• Dapat diselesaikan dng. metode searching biasa & dpt.
pula dng. algoritma khusus (constraint satisfaction
search, lebih efisien).
• CSP dapat dikelompokkan menjadi :
– Berdasarkan banyaknya variabel dng. constraint :
• Unary, binary, higher-order.
– Apakah constraint merupakan keharusan atau preference :
• Absolute, preference.
– Berdasarkan nilai domain :
• Discrete, continuous.

15. 15
Constraint Satisfaction Search
• Dng. memanfaatkan constraint, node yg. perlu di-
expand menjadi lebih sedikkit shg. waktu yg.
dibutuhkan oleh searching lebih sedikit.
• Ada 2 macam :
– Backtracking search.
• Memeriksa yg. telah di-expand.
– Forward checking.
• Memeriksa dulu sebelum meng-expand.

16. Informed Search (Heuristic)
• Pendakian Bukit (Hill Climbing)
• Pencarian Terbaik Pertama (Best First Search)
• Pembangkit & Pengujian (Generate & Test)
• Simulated Annealing
16