Kecerdasan Buatan atau Artificial
Intelligence merupakan salah
satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat
melakukan pekerjaan seperti dan sebaik yang dilakukan manusia. Pada awal
diciptakannya, komputer hanya difungsikan sebagai alat hitung saja. Namun
seiring dengan perkembangan jaman, maka peran komputer semakin mendominasi
kehidupan umat manusia. Komputer tidak lagi hanya digunakan sebagai alat
hitung, lebih dari itu, komputer diharapkan untuk dapat diberdayakan untuk
mengerjakan sesuatu yang bisa dikerjakan oleh manusia.
Manusia bisa menjadi pandai dalam menyelesaikan segala
permasalahan di dunia ini karena manusia mempunyai pengetahuan dan pengalaman.
Pengetahuan diperoleh dari cara mempelajarinya. Semakin banyak bekal
pengetahuan yang dimiliki oleh seseorang tentu saja diharapkan akan lebih mampu
dalam menyelesaikan permasalahan. Namun bekal pengetahuan saja tidak cukup,
manusia juga diberi akal untuk melakukan penalaran, mengambil kesimpulan
berdasarkan pengetahuan dan pengalaman yang mereka miliki. Tanpa memiliki
kemampuan untuk menalar dengan baik, manusia dengan segudang pengalaman dan
pengetahuan tidak akan dapat menyelesaikan masalah dengan baik.
A. Decision Making
Decision Making adalah serangkaian algoritma yang
dirancang dengan memasukan beberapa kemungkinan langkah yang bisa diambil oleh
suatu aplikasi, Pada game ini decision makingmemberikan kemampuan suatu
karakter untuk menentukan langkah apa yang akan diambil. Decision making
dilakukan dengan cara menentukan satu pilihan dari list yang sudah dibuat pada
algoritma yang dirancang. Decision Making dibagi menjadi 3, yaitu :
·
Decision Tree
Pohon Keputusan (Decision Tree) merupakan metode
klasifikasi dan prediksi yang sangat kuat dan terkenal. Metode pohon keputusan
mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan
aturan. Aturan dapat dengan mudah dipahami dengan bahasa alami. Aturan ini juga
dapat diekspresikan dalam bentuk bahasa basis data seperti SQL untuk mencari
record pada kategori tertentu. Pohon keputusan juga berguna untuk
mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon
variabel input dengan sebuah variabel target. Karena pohon keputusan memadukan
antara eksplorasi data dan pemodelan, pohon keputusan ini sangat bagus sebagai
langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir
dari beberapa teknik lain (J R Quinlan, 1993).
Kelebihan dari metode pohon keputusan adalah:
1. Daerah pengambilan keputusan yang sebelumnya kompleks
dan sangat global, dapat diubah menjadi lebih simpel dan spesifik
2. Eliminasi perhitungan-perhitungan yang tidak
diperlukan, karena ketika menggunakan metode pohon keputusan maka sampel diuji
hanya berdasarkan kriteria atau kelas tertentu
3. Fleksibel untuk memilih fitur dari node internal yang berbeda, fitur yang terpilih akan
membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang sama. Kefleksibelan metode pohon
keputusan ini meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan
ketika menggunakan metode penghitungan satu tahap yang lebih konvensional.
Kekurangan pada pohon keputusan adalah:
1. Terjadi overlapping terutama
ketika kelas-kelas dan kriteria yang digunakan jumlahnya sangat banyak. Hal
tersebut juga dapat menyebabkan meningkatnya waktu pengambilan keputusan dan
jumlah memori yang diperlukan
2. Pengakumulasian jumlah kesalahan dari setiap tingkat
dalam sebuah pohon keputusan yang besar
3. Kesulitan dalam mendesain pohon keputusan yang optimal
·
State Machine
Finite State Machines (FSM) adalah sebuah metodologi
perancangan sistem kontrol yang menggambarkan tingkah laku atau prinsip kerja
sistem dengan menggunakan tiga hal berikut: State (Keadaan), Event (kejadian)
dan action (aksi). Pada satu saat dalam periode waktu yang cukup signifikan,
sistem akan berada pada salah satu state yang aktif. Sistem dapat beralih atau
bertransisi menuju state lain jika mendapatkan masukan atau event tertentu,
baik yang berasal dari perangkat luar atau komponen dalam sistemnya itu sendiri
(misal interupsi timer). Transisi keadaan ini umumnya juga disertai oleh aksi
yang dilakukan oleh sistem ketika menanggapi masukan yang terjadi. Aksi yang
dilakukan tersebut dapat berupa aksi yang sederhana atau melibatkan rangkaian
proses yang relative kompleks.
·
Rule System
Rule Based System merupakan metode pengambilan
keputusan berdasarkan pada aturan-aturan tertentu yang telah ditetapkan. RBS
dapat diterapkan pada agen virtual dalam bentuk kecerdasan buatan sehingga
dapat melakukan tindakan tertentu. Tindakan tersebut direpresentasikan oleh set
aturan yaitu penyebab tindakan itu terjadi, proses tindakan dan hasil dari
tindakan tersebut.
B. Path Finding
Metode pathfinding paling mudah ditemui pada game-game
bertipe strategi dimana kita menunjuk satu tokoh untuk digerakkan ke lokasi
tertentu dengan mengklik lokasi yang hendak dituju. Si tokoh akan segera
bergerak ke arah yang ditentukan, dan secara “cerdas” dapat menemukan jalur
terpendek ataupun menghindari dari rintangan-rintangan yang ada. Salah satu
algoritma Pathfinding yang cukup umum dan yang paling banyak digunakan utnuk
mencari jarak terpendek secara efisien adalah A*Searching (baca: A star).
Algoritma
A*Searching adalah
mendefinisikan area pencarian menjadi sekumpulan node-node (tiles). Titik awal
dan titik akhir ditentukan terlebih dulu untuk mulai penelusuran pada tiap-tiap
node yang memungkinkan untuk ditelusuri. Dari sini, akan diperoleh skor yang
menunjukkan besarnya biaya untuk menempuh jalur yang ditemukan, ditambah dengan
nilai heuristik yang merupakan nilai biaya estimasi dari node yang ada menuju
tujuan akhir. Iterasi akan dilakukan hingga akhirnya mencapai target yang
dituju.
Algoritma Dijkstra, (dinamai menurut
penemunya, seorang ilmuwan komputer, Edsger Dijkstra), adalah sebuah algoritma
rakus (greedy algorithm) yang dipakai dalam memecahkan permasalahan jarak
terpendek (shortest path problem) untuk sebuah graf berarah (directed graph)
dengan bobot-bobot sisi (edge weights) yang bernilai tak-negatif.
REFERENSI:
