Perkembangan game saat ini
tidak lepas dari kecerdasan buatan (artificiall intelligence).
Kecerdasan buatan merupakan salah satu bagian dari ilmu komputer yang membuat
mesin (komputer) dapat melakukan pekerjaan seperti manusia dan komputer
dimungkinkan untuk dapat berfikir.
Oleh karena
itu, ditugas yang kedua ini akan menjelaskan AI pada Game. Banyak hal yang
kelihatannya sulit untuk kecerdasan manusia, tetapi untuk Informatika relatif
tidak bermasalah. Seperti contoh: mentransformasikan persamaan, menyelesaikan
persamaan integral, membuat permainan catur atau Backgammon. Di sisi lain, hal
yang bagi manusia kelihatannya menuntut sedikit kecerdasan, sampai sekarang
masih sulit untuk direalisasikan dalam Informatika. Seperti contoh: Pengenalan
Obyek/Muka, bermain Pacman.
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 :
- 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).
- 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.
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
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
B.
Path Finding
Path Finding
adalah proses pencarian path tercepat dari titik asal ke titik tujuan dengan
menghindari berbagai halangan sepanjang path yang ditempuh. Terdapat berbagai
algoritma pencarian jalur yang dapat dipakai, sebut saja djikstra, A*, dsb.
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.
A* (dibaca "A
bintang"/"A star") adalah algoritma pencarian graf/pohon
yang mencari jalur dari satu titik awal ke sebuah titik akhir yang telah
ditentukan. Algoritma A* menggunakan pendekatan heuristik h(x) yang
memberikan peringkat ke tiap-tiap titik x dengan cara memperkirakan rute
terbaik yang dapat dilalui dari titik tersebut. Setelah itu tiap-tiap titk x
tersebut dicek satu-persatu berdasarkan urutan yang dibuat dengan
pendekatan heuristik tersebut. Maka dari itulah algoritma A* adalah
contoh dari best-first search.
Referensi :
https://id.wikipedia.org/wiki/Kecerdasan_buatan
http://www.temukanpengertian.com/2013/08/pengertian-artificial-intelligence.html
0 comments:
Post a Comment