#PetGame Konsep AI

04.29 Unknown 1 Comments

Belakangan ini kita pasti sudah tidak asing denga istilah AI . apalagi untuk seorang yang sering bermain Game . Kali ini saya akan membahas tentang Konsep – Konsep AI (Artificial Intelligence).

Deskripsi Umum AI

Artificial Intelligence atau AI dalam bahasa Indonesia artinya Kecerdasan Buatan adalah kecerdasan yang ditunjukkan oleh suatu entitas ilmiah. Kecerdasan dibuat dan dimasukkan ke dalam suatu mesin/ komputer supaya bisa melakukan pekerjaan seperti yang bisa dikerjakan oleh manusia. Contohnya kemampuan untuk menjawab diagnosa dan pertanyaan pelanggan, perencanaan dan penjadwalan, pengendalian, serta pengenalan tulisan tangan, suara dan wajah. Hal-hal seperti itu telah menjadi disiplin ilmu tersendiri, yang memusatkan perhatian pada penyediaan solusi masalah di kehidupan yang nyata.

Terdapat macam-macam bidang yang menggunakan kecerdasan buatan diantaranya yaitu: game komputer, sistem pakar, jaringan syaraf tiruan, logika fuzzy dan robotika.

Bagian Utama AI

· Basis Pengetahuan (Knowledge Base)

Berisi fakta-fakta, teori, pemikiran dan hubungan antara satu dengan lainnya

· Motor Inferensi (Inference Engine)

Kemampuan menarik kesimpulan berdasarkan pengalaman

Kelebihan dan Kekurangan Artificial Intelligence

Walaupun perkembangan teknologi AI ini sangat pesat namun tidak membuat AI menjadi sempurna,sistem AI ini pun juga memiliki kekurangan.

Berikut ini adalah kelebihan dan kekurangan dari Artificial intelligence:

Kelebihan Artificial Intelligence

· Kemampuan menyimpan data yang tidak terbatas (dapat disesuaikan dengan kebutuhan).

· Memiliki ketepatan dan kecepatan yang sangat akurat dalam system kerjanya

· Dapat digunakan kapan saja karena tanpa ada rasa lelah atau bosan

Kekurangan Artificial Intelligence

· Teknologi artificial intelegensi tidak memiliki common sense. common sense adalah sesuatu yang membuat kita tidak sekedar memproses informasi, namun kita mengerti informasi tersebut. Kemengertian ini hanya dimiliki oleh manusia.

· Kecerdasan yang ada pada artificial intelligence terbatas pada apa yang diberikan kepadanya (terbatas pada program yang diberikan). Alat teknologi artificial intelligence tidak dapat mengolah informasi yang tidak ada dalam sistemnya.

Decision Making

Decision tree, atau yang biasa kita sebut dengan pohon keputusan, menggambarkan pemilihan alternatif secara sistimatis dan komprehensif dan menyeluruh tentang kejadian apa yang mungkin yang terjadi sebagai akibat suatu keputusan. Model ini biasa digunakan dalam melakukan evaluasi alternatif dugaan dampak yang tidak pasti dikemudian hari. Penerapannya memerlukan imajinasi hubungan variabel serta data nilai kemungkinan untuk setiap kejadian tak pasti serta memuat hasil keputusan berupa nilai pay-off atau losses. Hasil keputusan bisa dinyatakan secara kuantitatif atau kualitatif.

Notasi atau simbol yang dipergunakan adalah sebagai berikut :

Tanda empat persegi panjang, sebagai simpul keputusan (Decision node)

Tanda lingkaran, sebagai cabang (Event fork)

contoh pohon keputusan.

Kelebihan dari metode pohon keputusan adalah

· Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik.

· Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode pohon keputusan maka sample diuji hanya berdasarkan kriteria atau kelas tertentu.

· Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih akan membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang sama.

· Dalam analisis multivariat, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut.

Kekurangan metode Pohon Keputusan

· Terjadi overlap 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.

· Pengakumulasian jumlah eror dari setiap tingkat dalam sebuah pohon keputusan yang besar.

· Kesulitan dalam mendesain pohon keputusan yang optimal.

· Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat tergantung pada bagaimana pohon tersebut didesain.

Finite State Machine (FSM)

Bahasa formal dapat dipandang sebagai entitas abstrak, yaitu sekumpulan string-string simbol alphabet tertentu. Namun bahasa juga dapat dipandang sebagai entitas-entitas abtrak yang dapat dikenali atau dibangkitkan melalui suatu mesin komputasi. Mesin yang dapat mengenali bahasa kelas ini adalah finite state machine.

contoh diagram state sederhana

Diagram tersebut memperlihatkan FSM dengan dua buah state dan dua buah input serta empat buah aksi output yang berbeda : seperti terlihat pada gambar, ketika sistem mulai dihidupkan, sistem akan bertransisi menuju state0, pada keadaan ini sistem akan menghasilkan Action1 jika terjadi masukan Event0, sedangkan jika terjadi Event1 maka Action2 akan dieksekusi kemudian sistem selanjutnya bertransisi ke keadaan State1 dan seterusnya.

FSM terdiri dari dua jenis, yaitu FSM ber-output dan FSM tidak ber-output. FSM tidak ber-output digunakan untuk pengenalan bahasa dalam komputer, dengan input yang dimasukkan akan diperoleh apakah input tersebut dikenal oleh bahasa komputer atau tidak. Salah satu penggunaan FSM tidak ber-output adalah program compiler, yaitu program untuk memeriksa apakah perintah yang digunakan pengguna benar atau salah.

Sementara untuk FSM ber-output digunakan untuk merancang mesin atau sistem . Dan FSM yang akan digunakan dalam penelitian ini adalah FSM ber-output, dan untuk selanjutnya akan dituliskan dengan FSM saja.

Ada dua metode utama untuk memperlakukan FSM untuk menghasilkan output. Yaitu Moore Machine dan Mearly Machine yang dinamakan berdasarkan penemunya.

Moore Machine

Moore Machine adalah tipe dari FSM dimana output dihasilkan dari state. Pada gambar diatas mencontohkan dimana state mendefenisikan apa yang harus dilakukan (Brownlee, 2010). Keluaran pada Moore Machine diasosiasikan sebagai state (Hariyanto, 2004). Dan pada penelitian ini, penulis menggunakan Moore Machine.

Mearly Machine

Mearly Machine berbeda dengan Moore Machine dimana keluarannya merupakan hasil dari transisi antar state (Brownlee, 2010). Keluaran pada Mearly Machine diasosiasikan sebagai transisi (Hariyanto, 2004)

Kelebihan FSM

FSM memiliki beberapa kelebihan (Brownlee, 2010), diantaranya :

· Sederhana, sehingga mudah diimplementasikan

· Bisa diprediksi responnya

· Komputasi ringan

· Relatif fleksibel

· Merupakan metode AI lama yang bisa digunakan pada berbagai sistem

· Mudah ditransfer dari abstrak menjadi kode program

Kelemahan FSM

Selain memiliki banyak kelebihan, FSM juga mempunyai beberapa kelemahan (Brownlee, 2010), diantaranya :

· Karena sifatnya bisa diprediksi, maka implementasi pada game kurang disukai

· Implementasi pada sistem yang lebih besar lebih sulit karena pengaturan dan pemeliharaannya jadi kompleks

· Sebaiknya hanya digunakan pada sistem dimana sifat sistem bisa didekomposisi menjadi state.

· Kondisi untuk transisi state adalah tetap.

Teknik Pemodelan FSM

Ada beberapa teknik pemodelan abstrak yang bisa digunakan untuk membantu defenisi atau pemahaman dan desain dari FSM, mayoritas teknik ini berasal dari disiplin ilmu desain atau matematika (Lee: 1998).

· Diagram Transisi State

Juga dikenal sebagai Diagram Gelembung (Bubble Diagram). Menunjukkan relasi antara state dengan input yang menyebabkan transisi state.

· Diagram Pengambilan Keputusan State-Aksi.

Diagram Alir sederhana dengan tambahan gelembung yang menunjukkan penungguan terhadap input.

· Diagram Grafik State

Salah satu bentuk dari notasi UML yang berfungsi untuk menunjukkan sifat individu dari objek sebagai nomor state dan transisi dari state tersebut.

· Analisa Hirarki Perintah

Meskipun tidak seperti state, ini merupakan teknik dekomposisi perintah yang melihat dari sudut pandang bagaimana caranya perintah dibagi jadi sub perintah dan urut sesuai urutan kejadiannya.

Rule Based System ( RBS )

Rule Based System (RBS) merupakan suatu sistem pakar yang menggunakan aturan-aturan untuk menyajikan pengetahuannya. Menurut Lusiani dan Cahyono, sistem berbasis aturan adalah suatu perangkat lunak yang menyajikan keahlian pakar dalam bentuk aturan-aturan pada suatu domain tertentu untuk menyelesaikan suatu permasalahan. RBS adalah model sederhana yang bisa diadaptasi ke banyak masalah. Namun, jika aturan terlalu banyak, pemeliharaan sistem akan rumit dan terdapat banyak kesalahan dalam kerjanya.

Untuk membuat RBS, ada beberapa hal penting yang harus dimiliki:

· Sekumpulan fakta yang mewakili working memory. Ini dapat berupa suatu keadaan yang relevan dengan keadaan awal sistem bekerja.

· Sekumpulan aturan. Aturan ini mencakup setiap tindakan yang harus diambil dalam ruang lingkup permasalahan yang dibutuhkan.

· Kondisi yang menentukan bahwa solusi telah ditemukan atau tidak (non-exist). Hal ini berguna untuk menghindari looping yang tidak akan pernah berakhir.

Teori RBS ini menggunakan teknik yang sederhana, dimulai dengan dasar aturan yang berisi semua pengetahuan dari permasalahan yang dihadapi yang kemudian dikodekan ke dalam aturanif-then yang mengandung data, pernyataan dan informasi awal. Sistem akan memeriksa semua aturan kondisi if yang menentukan subset, set konflik yang ada. Jika ditemukan, maka sistem akan melakukan kondisi then. Perulangan ini akan terus berlanjut hingga salah satu atau dua kondisi bertemu, jika aturan tidak diketemukan maka sistem tersebut harus keluar dari perulangan (terminate).

Pendekatan

Untuk mengelola aturan, terdapat dua pendekatan yaitu:

· Forward Chaining : aturan diproses berdasarkan sejumlah fakta yang ada, dan didapatkan konklusi sesuai dengan fakta-fakta tersebut. Pendekatan forward chaining disebut juga data driven.

· Backward Chaining : diberikan target, kemudian aturan yang aksinya mengandung targetdi-trigger. Backward chaining ini cocok untuk menelusuri fakta yang masih belum lengkap, disebut juga goal driven.

Kelebihan dan Kekurangan

Berikut ini beberapa kelebihan yang dimiliki oleh RBS sebagaimana dijelaskan oleh Sasikumar dkk:

· Homogenitas
Karena memiliki sintaks yang seragam, makna dan interpretasi dari masing-masing aturandapat dengan mudah dianalisis.

· Kesederhanaan
Karena sintaks sederhana, mudah untuk memahami makna dari aturan. Ahli domain seringkali dapat memahami aturan tanpa penerjemahan yang eksplisit. Aturan sehingga dapat mendokumentasikan diri sampai batas yang baik.

· Independensi

Ketika menambahkan pengetahuan yang baru tidak perlu khawatir tentang dimana aturan

itu akan ditambahkan, atau apakah ada interaksi dengan aturan lainnya. Secara

teori, setiap aturan adalah bagian independen dari pengetahuan

tentang domain tersebut. Namun, dalam prakteknya, hal ini tidak sepenuhnya benar.

· Modularitas
Independensi aturan mengarah ke modularitas dalam rule base. Prototipe sistem dapatdiciptakan cukup cepat dengan membuat beberapa aturan. Hal ini dapat ditingkatkandengan memodifikasi aturan berdasarkan kinerja dan menambahkan aturan baru.

Sedangkan beberapa kekurangan yang dimiliki oleh RBS antara lain:

· Jika terlalu banyak aturan, sistem menjadi sulit dalam memelihara performance.

· Keterbatasan dalam memutuskan teknik yang digunakan untuk suatu masalah.

Patch Finding

Pathfinding, atau pencarian jalur, merupakan salah satu implementasi kecerdasan buatan dalam permainan. Pencarian jalur terpendek merupakan hal yang mempengaruhi pergerakan dan pengambilan keputusan pada non-player character. Namun, jalur terpendek belum tentu dan tidak selalu menjadi jalur paling aman. Dalam permainan berbasis militer, karakter dituntut untuk bergerak secara taktis dalam menghadapi ancaman. Agen yang bergerak secara taktis dalam pencarian jalur tidak hanya mencari jalur terpendek, namun harus mempertimbangkan ancaman karena pertimbangan hit points, demi meningkatkan kesan nyata pada permainan.

Tactical Pathfinding merupakan salah satu algoritma pencarian jalur yang dapat melakukan pencarian jalur terpendek dengan perhitungan bobot ancaman. Implementasi algoritma tactical pathfinding dapat memberikan gerakan taktis pada non-player character. Algoritma tactical pathfinding dilakukan berdasarkan algoritma pencarian jalur berdasarkan A* ditambah perhitungan bobot.

Metode Waypoint

Waypoint merupakan kumpulan dari beberapa titik kordinat yang kemudian dijadikan sebagai navigasi pergerakan. Dalam sebuah game, pergerakan NPC (non-playable character) umumnya menggunakan titik arah antara titik kordinat yang satu yang lain ditentukan oleh pencipta game. Waypoint dapat digunakan pada non-playable character untuk melakukan patroli di dalam game dengan melintasi titik-titik kordinat yang ditentukan.

cara NPC menentukan titik arah dapat dilakukan dengan menggunakan graph waypoint untuk menentukan keputusan yang baik tentang bagaimana menempatkan titik arah, cara mengatur radius, bagaimana memahami ketika hal-hal yang mungkin tidak berperilaku sesuai dengan yang di harapkan. Ketika NPC akan memutuskan tujuan yang mana akan dituju peta permainan, maka NPC akan terlebih dahulu melakukan pemeriksaan mana waypoint terdekat untuk NPC, dan kemudian NPC akan berjalan menuju waypoint tersebut, dengan menghindari jalur penghalang. NPC tidak dapat berjalan dengan baik atau sempurna jika letak waypoint terdapat di tempat yang tidak memungkinkan dalam fisik permainan seperti penghalang.

Tactile & Strategic AI

Strategic Deciders adalah komponen yang secara konseptual di tingkat tertinggi abstraksi. Komponen ini harus memutuskan strategi untuk karakter yang didasarkan pada kondisi saat ini dan memori. Pada tingkat berikutnya, Tactic Deciders merencanakan bagaimana membuat strategi yang dipakai sekarang dapat berjalan dengan baik. Executors atau pelaksana kemudian menerjemahkan keputusan dari tactical deciders untuk perintah tingkat rendah (low-level commands) sesuai dengan batasan yang digunakan oleh permainan atau simulasi. Komponen coordinators memahami hubungan antar aktuator dan mungkin kembali memberikan perintah tingkat rendah lebih lanjut. Akhirnya, aktuator melakukan tindakan yang diinginkan.

Referensi

https://www.aaai.org/Papers/Workshops/2004/WS-04-04/WS04-04-007.pdf

http://www.psychologymania.com/2011/10/artificial-intelligence-kecerdasan.html

https://www.academia.edu/6903601/AI01_Konsep_Dasar_AI

https://www.scribd.com/doc/77125885/Kelebihan-Sistem-Berbasis-Artificial-Intelligence

http://mulyono.staff.uns.ac.id/2009/06/08/teori-pengambilan-keputusan-theory-of-decision-making/

https://kandm.wikispaces.com/Decision+Tree

http://tutorcollection.com/konsep-pohon-keputusan-decision-tree-data-mining/

http://danguna.blogspot.co.id/2013/07/rule-based-system-sistem-berbasis-aturan.html

https://www.academia.edu/6306095/102410101070_-_Angga_Ari_Wijaya_-_Integrasi_Algoritma_A_Untuk_Pengembangan_Pathfinding_dan_Perilaku_Karakter_Game