Dokumen ini membahas berbagai algoritma pencarian dalam kecerdasan buatan, termasuk pencarian yang tidak terinformasi seperti breadth-first search (BFS) dan depth-first search (DFS), serta pencarian terinformasi seperti A* dan greedy best-first search. Setiap metode memiliki kelebihan dan kelemahan dalam hal kompleksitas waktu dan memori. Selain itu, dokumen ini juga mencakup referensi materi kuliah dan sumber daya online untuk belajar lebih lanjut.

1. SEARCHING

2. REFERENSI
 Materi kuliah IF3170 Inteligensi Buatan Teknik Informatika ITB,
Rinaldi Munir
 Materi kuliah Inteligensi Buatan Polindra, Adi Suheryadi
 Stuart J Russell & Peter Norvig, Artificial Intelligence: A Modern
Approach, 3rd Edition, Prentice-Hall International, Inc, 2010,
Textbook Site: http://aima.cs.berkeley.edu/ (2nd edition)
 Free online course materials | MIT OpenCourseWare Website: Site:
http://ocw.mit.edu/courses/electrical-engineering-andcomputer-
science/
 Lecture Notes in Informed Heuristic Search, ICS 271 Fall 2008,
http://www.ics.uci.edu/~dechter/courses/ics-271/fall08/lecture-
notes/4.InformedHeuristicSearch.ppt

3. OVERVIEW
 Merupakan algoritma untuk mencari kemungkinan
penyelesaian
 Sering dijumpai pada penelitian bidang AI
 Metode sederhana dari searching, hanya mencari
kemungkinan penyelesaian
Contoh : dept-first search, hill climbing, breath-first search,
dll
 Metode lebih komplek mencari jarak terpendek
Contoh A*, Branch and bound, Dynamic Programming

4. SKEMA METODE SEARCHING

5. UKURAN PERFORMANSI
 Completeness
Apakah metode tersebut menjamin penemuan solusi jika
solusinya memang ada?
 Optimality
Apakah metode tersebut menjamin menemukan solusi yang
terbaik jika terdapat beberapa solusi berbeda?
 Time complexity
Berapa lama waktu yang diperlukan?
 Space complexity
Berapa banyak memori yang diperlukan?

6. WHAT ARE WE LEARNING TODAY?
1. Breadth First Search (BFS)
2. Depth First Search (DFS)
3. Best First Search (BFS)
4. Greedy Best First Search
5. A*

7. ALGORITMA PENCARIAN
Tanpa informasi (uninformed/blind search)
 Tidak ada informasi tambahan
 Contoh: DFS, BFS, Depth Limited Search, Iterative Deepening
Search, Uniform Cost Search
Dengan informasi (informed Search)
 Pencarian berbasis heuristik
 Mengetahui non-goal state “lebih menjanjikan” daripada yang
lain
 Contoh: Best First Search, A*, Greedy Best First Search

8. UNINFORMED SEARCH

9. BREADTH-FIRST SEARCH
S
A D
B D A E
C E E B B F
D F B F C E A C G
G C G F
14
19 19 17
17 15 15 13
G 25
11

10. KELEBIHAN BFS
 Tidak akan menemui jalan buntu
 Jika ada satu solusi, maka BFS akan menemukannya.
Dan jika ada lebih dari satu solusi, maka solusi
minimum akan ditemukan.

11. KELEMAHAN BFS
 Membutuhkan memori yang cukup banyak, karena
menyimpan semua node dalam satu pohon.
 Membutuhkan waktu yang cukup lama, karena akan
menguji n level untuk mendapatkan solusi pada level
ke-(n+1)

12. LATIHAN
Jika kita hendak berkunjung dari kota 1
ke kota 8, maka dengan menggunakan
Algoritma BFS, urutan kota yang akan
dihasilkan adalah:
JAWABAN:
1 – 2 – 3 – 4 – 5 – 6 – 7 – 8

13. DEPTH-FIRST SEARCH
S
A D
B D A E
C E E B B F
D F B F C E A C G
G C G F
14
19 19 17
17 15 15 13
G 25
11

14. KELEBIHAN DFS
Membutuhkan memori yang relatif kecil, karena
hanya node-node pada lintasan yang aktif saja yang
disimpan.
Secara kebetulan, metode DFS akan menemukan
solusi tanpa harus menguji lebih banyak lagi dalam
ruang keadaan.

15. KELEMAHAN DFS
 Memungkinkan tidak ditemukan tujuan yang
diharapkan
 Hanya akan mendapatkan 1 solusi pada setiap
pencarian

16. LATIHAN
Jika kita hendak berkunjung dari kota 1
ke kota 8, maka dengan menggunakan
Algoritma DFS, urutan kota yang akan
dihasilkan adalah:
JAWABAN:
1 – 2 – 4 – 8 – 5 – 6 – 3 – 7

17. INFORMED SEARCH

18. BEST FIRST SEARCH
Utamakan nilai yang
terkecil/terbesar
(Tergantung fungsi
optimal yang
ditetapkan
sebelumnya)

19. Tentukan rute terpendek
dari S ke I
Jawaban:
S – A – C – B – D – I

20. GREEDY BEST-FIRST SEARCH
Ide: menggunakan rumus/formula/fungsi f(n) untuk setiap node
 f(n) = h(n) estimasi cost yang akan diperoleh dari n menuju tujuan
Greedy best-first search
memperluas node yang
kemungkinan besar
mendekati tujuan awal

26. KEKURANGAN
 Terdapat kemungkinan terjebak di Local Minima
 Tidak dapat berbalik/berubah

27. ALGORITMA A*
Ide: menghindari path yang kemungkinan besar tidak efektif
Fungsi f(n) = g(n) + h(n)
g(n) = cost sejauh ini untuk mencapai n
h(n) = estimasi cost dari n ke tujuan
f(n) = estimasi total cost dari n ke tujuan

34. INSPIRASI TOPIK TA
http://informatika.stei.itb.ac.id/~rinaldi.munir/Stmik/2015-2016/Makalah-2016/MakalahStima-2016-
033.pdf

36. INSPIRASI TOPIK TA
http://informatika.stei.itb.ac.id/~rinaldi.munir/Stmik/2015-2016/Makalah-2016/MakalahStima-2016-
004.pdf

38. INSPIRASI TOPIK TA
http://informatika.stei.itb.ac.id/~rinaldi.munir/Stmik/2013-2014/Makalah2013/MakalahIF2211-2013-
064.pdf