Board Game

11.1 Game Theory

    Teori permainan adalah disiplin matematika yang berkaitan dengan studi tentang ideologi yang disarikan. Ini hanya aplikasi yang sangat lemah untuk game komputer real-time, namun terminologi yang digunakan dalam game berbasis giliran berasal darinya. Bagian ini akan memperkenalkan teori permainan yang cukup untuk memungkinkan Anda memahami dan menerapkan AI berbasis giliran, tanpa terjebak dalam poin matematika yang cerdas.

Types Of Game

   Teori permainan mengklasifikasikan permainan sesuai dengan jumlah pemain, jenis sasaran yang dimiliki pemain tersebut, dan informasi yang dimiliki setiap pemain tentang permainan tersebut.

1.Number Of Players

    Permainan papan yang mengilhami algoritma AI berbasis giliran hampir semuanya memiliki dua pemain. Sebagian besar algoritma populer dibatasi oleh dua pemain dalam bentuknya yang paling dasar. Mereka dapat disesuaikan untuk digunakan dengan jumlah yang lebih besar, namun jarang menemukan deskripsi tentang algoritma untuk hal lain selain dua pemain.

2.The Goal of the Game

  Dalam kebanyakan game strategi, tujuannya adalah untuk menang. Sebagai pemain, Anda menang jika semua lawan Anda kalah. Ini dikenal sebagai permainan zero-sum: kemenangan Anda adalah kehilangan lawan. Jika Anda mencetak 1 poin untuk menang, maka akan sama dengan skor-1 karena kalah. Ini tidak akan terjadi, misalnya, dalam permainan kasino, saat Anda semua bisa keluar lebih buruk.

  Dalam permainan zero-sum tidak masalah jika Anda mencoba untuk menang atau jika Anda mencoba membuat lawan kalah; thecomeisthesame.Foranon-zero-sumgame, di mana Anda bisa menemukan semua yang Anda inginkan, Anda ingin melakukan fokus pada kemenangan Anda, mengumpulkankan semua hasil akhir (kecuali jika Anda ada orang lain)

   Untuk game dengan lebih dari dua pemain, semuanya lebih kompleks. Bahkan dalam permainan zero-sum, strategi terbaik tidak selalu membuat lawan masing-masing kalah. Mungkin lebih baik untuk mengeroyok lawan terkuat, memberi keuntungan pada lawan yang lebih lemah dan berharap bisa menjemput mereka nanti.

3.Information

    Dalam game seperti Chess, Drafts, Go, dan Reversi, kedua pemain mengetahui segala hal yang perlu diketahui tentang kemungkinan terjadinya hal tersebut. Mereka mengetahui berapa banyak yang harus dilakukan pada setiap kesempatan dan kesempatan untuk melakukan langkah selanjutnya. Mereka tahu semua ini sejak awal permainan. Game semacam ini disebut "informasi yang sempurna." Meskipun Anda tidak tahu mana yang akan dipilih lawan Anda, Anda memiliki pengetahuan lengkap tentang setiap gerakan yang mungkin bisa dilakukan lawan dan efek yang dimilikinya.

4. Applying Algorithms

   Algoritma yang paling dikenal dan paling maju untuk game berbasis giliran dirancang untuk bekerja dengan permainan informasi dua pemain, zero-sum, sempurna. Jika Anda menulis AI bermain catur, maka ini adalah implementasi yang Anda butuhkan. Tapi banyak game komputer berbasis turn over lebih rumit, melibatkan lebih banyak pemain dan informasi yang tidak sempurna.

11.2 Algoritma Minimaxing

   Sebuah komputer memainkan permainan berbasis giliran dengan melihat tindakan yang ada pada gerakan ini dan memilihnya daripadanya. Untuk memilih salah satu dari mereka, dibutuhkan stok sekarang apa yang bergerak lebih baik daripada yang lain. Pengetahuan ini diberikan ke komputer oleh programmer menggunakan heuristik yang disebut fungsi evaluasi statis.

11.3 Transposition Tables anda Memory

   Sejauh ini algoritma yang kita lihat mengasumsikan bahwa setiap gerakan mengarah ke posisi papan yang unik. Seperti yang kita lihat sebelumnya, posisi dewan yang sama dapat terjadi sebagai hasil kombinasi gerakan yang berbeda. Dalam banyak game posisi board yang sama bahkan bisa terjadi beberapa kali dalam game yang sama. Agar pekerjaan ekstra mencari posisi dewan yang sama beberapa kali, algoritma dapat menggunakan tabel transposisi. Meskipun tabel transposisi dirancang untuk menghindari duplikasi pekerjaan pada transposisi, namun tabel tersebut memiliki manfaat tambahan. Beberapa algoritma mengandalkan tabel transposisi sebagai memori kerja posisi papan yang telah dipertimbangkan. Teknik seperti tes yang ditingkatkan memori, pendalaman berulang, dan berpikir pada giliran lawan Anda semua menggunakan tabel transposisi yang sama (dan semua diperkenalkan di bab ini). Tabel transposisi menyimpan catatan posisi papan dan hasil pencarian dari posisi itu. Ketika sebuah algoritma diberi posisi papan, pertama-tama periksa apakah papan itu ada dalam memori dan gunakan nilai yang tersimpan jika benar. Membandingkan status permainan yang lengkap adalah prosedur yang mahal, karena keadaan permainan mungkin berisi puluhan atau ratusan item informasi. Membandingkan ini dengan keadaan tersimpan dalam ingatan akan memakan waktu lama. Untuk mempercepat pemeriksaan tabel transposisi, nilai hash digunakan.

11.4 . Memori tambahan pda uji algoritma

    Algoritma memory-enhanced test (MT) bergantung pada adanya tabel transposisi yang efisien untuk bertindak sebagai algoritma'memory. MT hanyalah sebuah negamax AB nol-lebar, menggunakan tabel transposisi untuk menghindari duplikat pekerjaan. Keberadaan memori memungkinkan algoritma melompati pohon pencarian melihat gerakan yang paling menjanjikan terlebih dahulu. Sifat rekursif dari algoritma negamax berarti bahwa ia tidak dapat melompat; itu harus menggelembung dan recurse down.

11.5 Pembukaan buku dan set permainan

   Dalam banyak permainan, selama bertahun-tahun, pemain ahli telah membangun sebuah pengalaman tentang pergerakan mana yang lebih baik daripada yang lain di awal permainan. Tempat ini lebih jelas daripada di buku pembuka Catur. Pakar ahli mempelajari database besar kombinasi pembuka tetap, belajar tanggapan terbaik untuk bergerak. Hal ini tidak biasa untuk 20 sampai 30 langkah pertama dari permainan Catur Grandmaster yang akan direncanakan sebelumnya. Buku pembuka adalah daftar urutan bergerak, bersama dengan beberapa indikasi seberapa bagus hasil rata-rata akan menggunakan urutan tersebut. Dengan menggunakan seperangkat aturan ini, komputer tidak perlu mencari menggunakan minimaxing untuk menentukan langkah terbaik yang akan dimainkan. Ini hanya bisa memilih langkah selanjutnya dari urutan, selama titik akhir dari urutan itu bermanfaat baginya.

    Membuka database buku dapat diunduh untuk beberapa permainan yang berbeda, dan untuk game terkemuka seperti database komersial Chess tersedia untuk lisensi ke dalam game baru. Untuk game berbasis giliran asli, buku pembuka (jika berguna) perlu dibuat secara manual.

11.6 Optimisasi

    Meskipun dasar permainan-bermain algoritma masing-masing relatif sederhana, mereka memiliki array membingungkan optimasi yang berbeda. Beberapa pengoptimalan ini, seperti pemangkasan dan tabel transposisiAB, sangat penting untuk kinerja yang baik. Pengoptimalan lainnya cukup memanfaatkan sebagian besar kinerja. Bagian ini membahas beberapa pengoptimalan lainnya yang digunakan untuk turn-basedAI. Tidak ada cukup ruang untuk mencakup detail pelaksanaan untuk sebagian besar dari mereka. Lampiran memberi petunjuk lebih jauh informasi tentang pelaksanaannya Selain itu, optimasi khusus yang digunakan hanya dalam jumlah yang relatif kecil dari permainan papan tidak disertakan. Catur, khususnya, memiliki keseluruhan rakit pengoptimalan khusus yang hanya berguna dalam sejumlah kecil skenario lainnya.

11.7 Turn Base strategy game

    Bab ini memusatkan perhatian pada game board AI. Di hadapannya, game board AI memiliki banyak kemiripan permainan strategi berbasis toturn. Game strategi komersial jarang menggunakan teknik pencarian pohon di bab ini sebagai alat utama mereka. Kompleksitas permainan ini berarti algoritma pencarian macet sebelum mereka dapat membuat keputusan yang masuk akal. Teknik pencarian yang paling sederhana dirancang untuk permainan informasi dua pemain, zero-sum, informasi sempurna, dan banyak pengoptimalan terbaik tidak dapat disesuaikan untuk digunakan dalam permainan strategi umum. Beberapa permainan strategi berbasis turn-turn sederhana dapat langsung diperoleh dari algoritme pencarian pohon di bab ini. Konstruksi penelitian dan konstruksi, gerakan pasukan, dan aksi militer semuanya bisa menjadi bagian dari serangkaian kemungkinan pergerakan. Posisi dewan tetap statis selama sebuah pergantian. Antarmuka permainan yang diberikan di atas dapat, secara teori, diterapkan untuk mencerminkan turn- permainan berbasis Antarmuka yang diterapkan ini kemudian dapat digunakan dengan algoritma pencarian pohon reguler.

Referensi:

Artifical Intelligence For Games

Download ebook: http://lecturer.ukdw.ac.id/~mahas/dossier/gameng_AIFG.pdf

TEKNIK PEMBANGUNAN GAME AI

Movement
Komputer sebagai alat untuk pemindahan data yaitu untuk  pemindahan data yang telah dibuat dan akan bisa membuka kembali file yang telah kita buat dengan cara mengcopy paste file yang telah kita buat. Contohnya dari keyboard ke layar monitor. Dalam game, movement adalah metode yang menekankan konsep gerak tubuh, meliputi konsep kesadaran tubuh, konsep usaha, konsep ruang, dan konsep keterhubungan.

      Pathfinding
Pencarian jalur (pathfinding) merupakan bagian dari medel AI. Algoritma pathfinding menggunakan ‘Directed Non-Negative Weighted Graph’. Algoritma seperti Dijkstra dan A* menggunakan struktur data graf . Graf digunakan untuk menggambarkan jalur yang dapat diambil pada sebuah geometri ruang.


      Pengambilan Keputusan
Pengambilan keputusan adalah suatu proses pemilihan dari berbagai alternatif baik kualitatif maupun kuantitatif untuk mendapat suatu alternatif terbaik guna menjawab masalah atau menyelesaikan konflik (pertentangan).
Proses penurunan suatu keputusan mengandung empat unsur, yaitu :
v  Model : Model menunjukkan gambaran suatu rnasalah secara kuantitatif atau kualitatif.
v   Kriteria: Kriteria yang dirumuskan menunjukkan tujuan dari keputusan yang diambil. Jika terdapat beberapa kriteria yang saling bertentangan, maka pengambilan keputusan harus melalui kompromi (misalnya menambah jasa langganan dan mengurangi persediaan, maka keputusan mana yang diambil perlu kompromi).
v   Pembatas: Faktor-faktor tambahan yang perlu diperhatikan dalam memecahkan masalah pengambilan keputusan. Misalnya dana yang kurang tersedia.
v  Optimalisasi: Apabila masalah keputusan telah diuraikan dengan sejelas jelasnya, maka manajer menentukan apa yang diperlukan (kriteria) dan apa yang diperbolehkan (pembatas). Pada keadaan ini pengambil keputusan siap untuk memilih pemecahan yang terbaik atau yang optimal.

Proses Pengambilan Keputusan

Ø  Penyelidikan: Mempelajari lingkungan atas kondisi yang memerlukan keputusan. Data mentah diperoleh, diolah, dan diuji untuk dijadikan petunjuk yang dapat mengidentifikasi persoalan.
Ø  Perancangan: Mendaftar, mengembangkan, dan menganalisis arah tindakan yang mungkin. Hal ini meliputi proses-proses untuk memahami persoalan, menghasilkan pemecahan, dan menguji kelayakan pemecahan tersebut.
Ø  Pemilihan: Memilih arah tindakan tertentu dari semua yang ada. Pilihan ditentukan dan dilaksanakan.

Jadi, proses keputusan dapat dianggap sebagai sebuah arus dari penyelidikan sampai perancangan dan kemudian pada pemilihan. Tetapi pada setiap tahap hasilnya mungkin dikembalikan ke tahap sebelumnya untuk dimulai lagi. Jadi tahapan tersebut merupakan unsur-unsur sebuah proses yang berkesinambungan.

Teori Pengambilan Keputusan
Teori pengambilan keputusan menekankan bahwa terdapat tujuh langkah yang harus ditempuh, yaitu:

1. Identifikasi permasalahan yang dihadapi
Ada ungkapan yang mengatakan bahwa suatu “permasalahan yang sudah dikenali hakikatnya dengan tepat sesungguhnya sudah separo terpecahkan.” Ungkapan ini mempunyai tiga implikasi, yaitu:
ü  Bahwa mutlak perlu mengenali secara mendasar situasi problematik yang menimbulkan ketidakseimbangan dalam kehidupan organisasi atau perusahaan.
ü  Pengenalan secara mendasar berarti “akar” penyebab timbulnya ketidakseimbangan harus digali sedalam-dalamnya.
ü   Mengambil keputusan tidak boleh puas hanya dengan diagnosis gejala-gejala yang segera tampak. Jika hanya gejala yang diidentifikasikan, sangat mungkin “terapinya” pun hanya mampu menghilangkan gejala tersebut. Padahal yang harus dihilangkan adalah “sumber penyakitnya”.

2. Pengumpulan data
Berangkat dari pandangan bahwa pengambilan keputusan memerlukan dukungan informasi yang lengkap, mutakhir, dapat dipercaya, dan diolah dengan baik. Berarti bahwa dalam pengumpulan data ada tiga hal yang mutlak mendapat perhatian, yaitu:
·         Pentingnya menggali data dari semua sumber yang layak digali, baik secara internal maupun secara eksternal. Dari segi inilah harus dilihat pentingnya akses bagi para pengolah data terhadap semua sumber data.
·         Pentingnya untuk menjamin bahwa data yang dikumpulkan relevan dengan permasalahan yang hendak diatasi.
·         Bahwa mutu data yang dikumpulkan haruslah setinggi mungkin sehingga informasi yang dihasilkan akan bermutu tinggi pula.

3. Analisis data
Analisis data harus mampu menunjukkan berbagai alternatif yang mungkin ditempuh untuk memecahkan masalah. Oleh karena itu, analisis data diarahkan pada pembentukan persepsi yang sama diantara berbagai pihak tentang arti data yang dimiliki, dengan demikian memberikan interpretasi yang sama tentang data tersebut.

 4.Analisis berbagai alternatif
Salah satu tantangan yang dihadapi dalam mengambil keputusan ialah menemukan jawaban yang paling tepat terhadap pertanyaan: Apakah dalam mengambil keputusan harus selalu terdapat berbagai alternatif? Pertanyaan ini penting karena jika seorang pengambil keputusan dihadapkan kepada hanya satu alternatif dan ia memutuskan untuk menggunakan alternatif tersebut, yang bersangkutan sudah mengambil keputusan. Bahkan teori pengambilan keputusan mengatakan bahwa jika seseorang memutuskan untuk tidak mengambil keputusan, tindakannya itu adalah pengambilan keputusan juga.

5.Pemilihan alternatif
Jika dilakukan dengan cermat, analisis berbagai alternatif akan “memberi petunjuk” tentang alternatif yang sebaiknya digunakan karena akan membuahkan solusi yang paling efektif. Alternatif di pilih dengan demikian, merupakan alternatif yang tampaknya paling baik. Pengalaman mengambil keputusan di masa lalu dan keyakinan bahwa keputusan yang diambil adalah keputusan yang terbaik.

6.Implementasi (pelaksanaan)
Apakah alternatif yang dipilih merupakan pilihan yang terbaik atau tidak diuji pada waktu digunakan dalam arti mampu tidaknya menghilangkan situasi permasalahan dan apakah permasalahan yang dihadapi tersebut dapat dipecahkan secara efektif atau tidak.

7.Evaluasi (penilaian)
Hasil pelaksanaan memerlukan penilaian yang objektif, rasional dan berdasarkan tolok ukur yang baku. Seperti dimaklumi, hasil penilaian dapat menunjukkan bahwa hasil yang di capai melampaui harapan, sekedar sesuia dengan sasaran atau kurang dari sasaran. Kesemuanya itu menjadi bahan penting dalam mengelola organisasi atau perusahaan di masa depan.

      Taktik dan strategi AI
AI dalam game biasanya memiliki kecepatan dalam taktik bermain sehingga mengharuskan pemain untuk berfikir lebih cepat untuk menyusun strategi terbaik agar dapat memperoleh skor yang maksimal. Kecerdasan buatan merupakan kecerdasan yang ditujukan oleh suatu entitas buatan, yang diciptakan dan diterapkan kedalam sebuah mesin (komputer) sehingga dapat melakukan perbuatan seperti manusia. Strategi dalma gamepun bervariasi. Salah satunya adalah dalam game Othello yaitu strategi bermain reversy, sperti jumlah pin, penguasaan sudut/x-square/c-square, jumlah pin stabil, mobility, jumlah pin tepi, parity, dan pola sisi/sudut.

Pembelajaran
Machine learning adalah teknik AI yang berkaitan dengan pembelajaran data dan menggunakannya untuk memprediksi informasi yang ada di dunia.
Machine learning dibangun dengan menggunakan algoritma. Rangkaian instruksi ini akan menyelesaikan suatu permasalahan. Contoh algoritma yang dimaksud adalah decision tree learning dan association rule learning.
Namun, algoritma machine learning yang berperan dalam kehidupan di dunia adalah jaringan saraf buatan, suatu teknik yang terinspirasi oleh cara kerja neuron otak manusia.
Sederhananya begini: suatu jaringan saraf terdiri dari beberapa lapisan neuron. Input masuk melalui lapisan pertama. Tiap neuronnya menerima input, sehingga setiap neuron memiliki muatan, dan menghasilkan output berdasarkan muatan mereka. Output dari lapisan pertama kemudian didistribusikan ke lapisan kedua untuk diproses, dan begitu seterusnya hingga output akhir dapat dihasilkan.
Kemudian hal menarik pun terjadi. Siapapun yang menjalankan jaringan dapat mendefinisikan seperti apa output akhir yang “benar” seharusnya. Setiap kali data didistribusikan melalui jaringan tersebut, hasil akhirnya dibandingkan dengan hasil yang “benar”, dan sejumlah penyempurnaan akan dilakukan hingga tercipta outputakhir yang benar. Dengan kata lain, jaringan tersebut mampu melatih dirinya sendiri.
Otak buatan ini dapat mempelajari bagaimana cara mengidentifikasi banyak hal. Misalnya kursi dalam sebuah foto,. Seiring berjalannya waktu, ia dapat mempelajari karakteristik kursi tersebut, dan meningkatkan kemampuannya dalam mengidentifikasi benda tersebut.

Referensi:
http://web.cecs.pdx.edu/~mperkows/CLASS_479/2017_ZZ_00/02__GOOD_Russel=Norvig=Artificial%20Intelligence%20A%20Modern%20Approach%20(3rd%20Edition).pdf

Kecerdasan Buatan dan Permainan (AI and Games)

DEFINISI KECERDASAN BUATAN

•H. A. Simon [1987] :
“ Kecerdasan buatan (artificial intelligence ) merupakan kawasan
penelitian, aplikasi dan instruksi yang terkait dengan pemrograman
komputer untuk melakukan sesuatu hal yang -dalam pandangan
manusia adalah- cerdas ”

•Rich and Knight[1991]:
“Kecerdasan Buatan (AI) merupakan sebuah studi tentang bagaimana
membuat komputer melakukan hal-hal yang pada saat ini dapat
dilakukan lebih baik oleh manusia.”

•Encyclopedia  Britannica:
“Kecerdasan Buatan (AI) merupakan cabang dari ilmu komputer yang
dalam merepresentasi pengetahuan lebih banyak menggunakan bentuk
simbol-simbol daripada bilangan, dan memproses informasi berdasarkan
metode heuristic atau dengan berdasarkan sejumlah aturan”

Pengertian Game

Salah satu program yang bisa berjalan di dalam perangkat berbasis komputer adalah program game atau program permainan. Kita dapat dengan mudah mendapatkan game untuk dijalankan pada komputer atau smartphone. Secara garis besar game terbagi kepada dua jenis, yang pertama adalah game offline dan yang kedua adalah game online. Game offline maksudnya adalah game yang bisa digunakan pada komputer atau smartphone tanpa harus terhubung ke internet. Hal tersebut dimungkinkan untuk dilakukan karena semua perintah dan data game sudah terpasang di dalam komputer. Sedangkan game online ini sifatnya terpusat pada suatu server. Sehingga untuk menjalankannya dibutuhkan akses ke server tersebut melalui jaringan internet.

Mode Game AI

Banyak macam mode pada game AI. Setiap game memiliki mode yang berbeda-beda, contohnya seperti kita melawan ai dalam suatu pertempuran.

Algoritma, Struktur Data dan Representasi

•MINIMAX, Sebuah prosedur pencarian yg melihat kedepan, memperhatikan apa yg akan terjadi, kemudian yang digunakan untuk memilih langkah berikutnya.
•ALPHA-BETA PRUNING, Algoritma ini merupakan improvisasi dari algoritma minimax. Algoritma ini untuk meningkatkan efisiensi fungsi minimax dalam hal pencarian, kemudian fungsi evaluasi ditambahkan sepasang nilai alpha dan beta.

•FUZZY, Logika fuzzy merupakan pengembangan dari logika boolean. Sistem fuzzy atau logika fuzzy adalah salah satu bahasa soft computing yang memiliki karakteristik dan keunggulan dalam menangani permasalahan yang bersifat ketidakpastian dan kebenaran parsial. Logika fuzzy merupakan pengembangan dari logika boolean yang hanya memiliki nilai true (1) atau false (0).

•ALGORITMA GENETIKA, Algoritma genetika adalah algoritma yang berusaha menerapkan pemahaman mengenai evolusi alamiah pada tugas-tugas pemecahanmasalah (problem solving). Pendekatan yang diambil oleh algoritma ini adalah dengan menggabungkan secara acak berbagai pilihan solusi terbaik di dalam suatu kumpulan (populasi) untuk mendapatkan generasi solusi terbaik berikutnya yaitu pada suatu kondisi yang memaksimalkan kecocokannya atau lazim disebut fitness.

•ALGORITMA AI (ARTIFICIAL INTELEGENCE), Kecerdasan Buatan (Artificial Intelligence) merupakan cabang terpenting dalam dunia computer yang membuat agar mesin (computer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan manusia. Pada awalnya diciptakan computer hanya berfungsi sebagai alat hitung. Tapi sekarang peran computer makin mendominasi kehidupan manusia. Komputer di harapkan data diberdayakan untuk mengerjakan segala sesuatu yang biasa dikerjakan oleh manusia.

Kompleksitas Kesalahan
Dalam konteks kecerdasan buatan dalam permainan video, kecurangan mengacu pada programmer agen memberikan akses ke informasi yang tersedia kepada pemain. Penggunaan kecurangan dalam AI menunjukkan keterbatasan “kecerdasan” dicapai artifisial, secara umum, dalam permainan di mana kreativitas strategis sangat penting, manusia dengan mudah bisa mengalahkan AI setelah minimal trial and error jika bukan untuk keuntungan ini


Jenis Game AI

•Role Playing Game (RPG)
RPG adalah salah satu game yg mengandung unsur experience (EXP) atau leveling dalam gameplay nya. Para pemain biasanya dapat membuat/menjadi karakter yang diinginkan. Kemampuan karakter tersebut ditentukan berdasarkan jumlah EXP atau level karakter. Semakin tinggi karakter, akan membuka kemampuan-kemampuan yang baru yang dapat membuat suasana game menjadi semakin menarik. Biasanya dalam game ini kita memiliki kebebasan untuk menjelajah dunia game tersebut, dan kadang kala dalam beberapa game, kita dapat menentukan ending dari game tersebut.

•First Person Shooting (FPS)
FPS adalah genre game dimana para pemainnya saling tembak menembak. Genre game ini memiliki ciri utama yaitu penggunaan sudut pandang orang pertama yang membuat kita dibelakang senjata.

•Strategy
Sesuai dengan namanya, game bergenre strategy adalah genre game yg memiliki gameplay untuk mengatur suatu unit atau pasukan untuk menyerang markas musuh dalam rangka memenangkan permainan. Biasanya di dalam game Strategy, kita diharuskan membangun pasukan dari berbagai sumber daya yang diberikan seperti wood, gold, meat, dan lain sebagainya.

•Simulation
Adalah genre yang mementingkan realisme. Segala faktor pada game ini sangat diperhatikan agar semirip didunia nyata. Segala nilai, material, referensi, dan faktor lainnya didasarkan pada dunia nyata. Cara memainkannya juga berbeda, karena biasanya kontrol yang dimiliki cukup rumit. Genre simulasi meliputi game racing, flight, sampai militer.

•Arcade
Arcade game adalah genre game yang tidak terfokus pada cerita dan bahkan hanya dimainkan “just for fun”.

•Action Adventure
Action Adventure adalah genre game petualangan dengan salah seorang karakter yg penuh dengan penuh aksi yg akan terus ada hingga game tersebut tamat.

•Fighting Game
Fighting adalah genre game bertarung. Seperti dalam arcade, pemain dapat mengeluarkan jurus-jurus ampuh dalam pertarungannya (biasanya berupa serangan kombo atau jurus andalan tiap karakter). Genre fighting biasanya one vs one dalam sebuah arena yang sempit.

•Sport
Adalah genre bertema permainan olahraga. Sistem permainan baik gameplay dan peraturannya akan berbeda-beda tergantung jenis olahraga yang menjadi tema game tersebut.

Keceptan dan Memori
Memori yang besar dan memiliki kecepatan yang besar dapat mempengaruhi kinerja program.

referensi

http://www.mandalamaya.com/pengertian-game-menurut-para-ahli/
wsilfi.staff.gunadarma.ac.id/Downloads/files/4338/1-AI.pdf
https://www.kreasitekno.com/ini-dia-jenis-jenis-game-yang-wajib-kalian-ketahui-sebagai-gamer/

Pembelajaran / Learning

Nama : Ananto Dwicahyo
NPM : 10115651
Kelas : 3KA10
Dosen : Essy Malays Sari Sakti

 Setiap komponen agen dapat ditingkatkan dengan belajar dari data.

 Perbaikan, dan teknik yang digunakan untuk membuatnya, bergantung pada empat faktor utama:


• Komponen mana yang harus diperbaiki?

• Apa pengetahuan sebelumnya yang dimiliki agen.

• Representasi apa yang digunakan untuk data dan komponennya.

• Umpan balik apa yang tersedia untuk dipelajari.



Komponen yang dipelajari

Komponen dari agen ini meliputi:

1. Pemetaan langsung dari kondisi pada keadaan saat ini terhadap tindakan.
2. Suatu cara untuk menyimpulkan sifat-sifat yang relevan dari dunia dari urutan percept.
3. Informasi tentang cara dunia berkembang dan tentang hasil tindakan yang mungkin dilakukan agen.
4. Informasi utilitas yang menunjukkan keinginan negara-negara dunia.
5. Action-value information yang menunjukkan keinginan tindakan.
6. Sasaran yang menggambarkan kelas-kelas negara yang prestasinya memaksimalkan utiliti agen. Masing-masing komponen ini bisa dipelajari. Anggap saja, misalnya, pelatihan anaerobik adalah sopir taksi. Setiap kali instruktur berteriak "Brake!" Agen bisa mempelajari peraturan tindakan-kondisi untuk kapan harus mengerem (komponen 1); agen juga belajar setiap kali instruktur tidak berteriak. Dengan melihat banyak gambar kamera yang diberi tahu berisi bus, ia bisa belajar mengenali mereka (2). Dengan mencoba tindakan dan mengamati hasilnya-misalnya, mengerem keras di jalan yang basah-ia dapat mempelajari efek dari tindakannya (3). Kemudian, ketika tidak mendapat tip dari penumpang yang benar-benar terguncang selama perjalanan, ia dapat mempelajari komponen yang berguna dari keseluruhan fungsi utilitasnya (4).





Pembelajaran Induktif

    Dimungkinkan untuk membangun sistem pakar menggunakan Artificial Neural System. Sebagai contoh sebuah sistem pakar medis. ANS adalah knowledge base yang dibangun berdasarkan pelatihan data pengobatan penyakit. Sistem pakar ini mencoba mengklarifikasi penyakit dari gejalanya yang diketahui dengan cara pelatihan. Inference engine MACIE (Matrix Controlled Inference Engine) dirancang menggunakan ANS knowledge base. Sistem ini menggunakan metode forward chaining untuk melakukan inferensi dan metode backward chaining untuk query data tambahan yang diperlukan terhadap user. Meskipun ANS tidak dapat menjelaskan proses yang dilakukannya seperti mengapa sebuah neuron memiliki bobot tertentu, namun MACIE dapat menginterpretasikan ANS dan menghasilkan aturan IF-THEN untuk menjelaskannya.

    Sebuah sistem pakar dengan ANS menggunakan metode pembelajaran induktif, yaitu sistem menghasilkan informasi yang termuat di knowledge-base berdasarkan contoh yang diberikan. Induksi adalah proses inferensi kasus yang umum dari kasus khusus. Tujuan pembelajaran induktif adalah mengurangi atau mengeliminasi masalah kemacetan perolehan knowledge.

Pohon Keputusan Pembelajaran


    Pohon keputusan adalah salah satu bentuk pembelajaran mesin yang paling sederhana namun paling

berhasil. Kami pertama-tama menggambarkan representasi tersebut - ruang hipotesis - dan kemudian

menunjukkan bagaimana cara mempelajari hipotesis yang baik.


Representasi pohon keputusan

    Pohon keputusan mewakili fungsi yang mengambil sebagai masukan sebuah vektor nilai atribut

dan mengembalikan sebuah "keputusan" - sebuah nilai keluaran tunggal. Nilai input dan output

dapat diskrit atau kontinyu. Untuk saat ini kita akan berkonsentrasi pada masalah dimana input

memiliki nilai diskrit dan hasilnya memiliki dua nilai yang tepat; Ini adalah klasifikasi Boolean,

di mana setiap masukan contoh akan diklasifikasikan sebagai benar (contoh positif) atau salah

(contoh negatif). Pohon keputusan mencapai keputusannya dengan melakukan serangkaian tes.

Setiap simpul internal di pohon sesuai dengan uji nilai salah satu atribut input, Ai, dan cabang

 dari nodus diberi label dengan nilai atribut yang mungkin, Ai = vik. Setiap simpul daun di pohon

menentukan nilai yang akan dikembalikan oleh fungsinya. Representasi pohon keputusan itu alami

bagi manusia; Memang, banyak manual "Cara" (mis., untuk perbaikan mobil) seluruhnya ditulis

sebagai pohon keputusan tunggal yang terbentang di ratusan halaman. Sebagai contoh, kita akan

membuat pohon keputusan untuk memutuskan apakah akan menunggu meja di restoran.

Tujuannya di sini adalah untuk mempelajari definisi predikat predikat WillWait.

Daftar pertama atribut yang akan kita pertimbangkan sebagai bagian dari masukan:


1. Alternatif: apakah ada alternatif restoran yang sesuai di dekatnya.

2. Bar: apakah restoran memiliki area bar yang nyaman untuk ditunggu.

3. Fri / Sat: benar pada hari Jumat dan Sabtu.

4. Lapar: apakah kita lapar?

5. Pelindung: berapa banyak orang yang ada di restoran (nilainya tidak ada, beberapa, dan penuh).

6. Harga: kisaran harga restoran ($, $$, $$$).

7. Hujan: apakah sedang hujan di luar.

8. Reservasi: apakah kami melakukan reservasi.

9. Tipe: jenis restoran (Prancis, Italia, Thailand, atau burger).

10. WaitEstimate: menunggu diperkirakan oleh host (0-10 menit, 10-30, 30-60, atau> 60).






Pembelajaran Ensemble


    Sejauh ini kita telah melihat metode pembelajaran di mana hipotesis tunggal, yang dipilih dari ruang hipotesis, digunakan untuk membuat prediksi. Gagasan metode pembelajaran ensemble adalah memilih koleksi, atau ansambel, dari hipotesis dari ruang hipotesis dan menggabungkan prediksi mereka. Misalnya, selama validasi silang kita bisa menghasilkan dua puluh pohon keputusan yang berbeda, dan mintalah mereka memberikan suara pada klasifikasi terbaik untuk contoh baru.Motivasi belajar ensemble itu sederhana. Pertimbangkan sebuah ensemble K = 5hypotheses dan anggaplah wecombine theirpredictions menggunakan voting mayoritas sederhana. Forthe ansambel untuk salah mengartikan contoh baru, setidaknya tiga dari lima hipotesis harus salah mengartikannya. Harapannya adalah bahwa ini jauh lebih kecil kemungkinannya daripada klasifikasi yang salah oleh hipotesis tunggal. Misalkan kita asumsikan bahwa setiap hipotesis hk dalam ansambel memiliki kesalahan p-yaitu probabilitas bahwa contoh yang dipilih secara acak salah dikelompokkan oleh hk adalah hal. Selanjutnya, anggaplah kita mengetahui bahwa kesalahan yang dibuat oleh hipotesis adalah independen. Dalam kasus ini, jika p kecil, maka kemungkinan sejumlah besar kesalahan klasifikasi terjadi sangat kecil. Sebagai contoh, perhitungan sederhana (Latihan 18.18) menunjukkan bahwa menggunakan ensemble fibroadypotheses mengurangi tingkat kesalahan 1 dari 10 sampai tingkat kesalahan kurang dari 1 dari 100. Sekarang, jelas asumsi independensi tidak masuk akal, karena hipotesis cenderung disesatkan dengan cara yang sama oleh aspek data pelatihan yang menyesatkan. Tetapi jika hipotesis paling sedikit sedikit berbeda, sehingga mengurangi korelasi antara theerrors, maka ensemble pembelajaran bisa sangat bermanfaat.

Referensi:

http://web.cecs.pdx.edu/~mperkows/CLASS_479/2017_ZZ_00/02__GOOD_Russel=Norvig=Artificial%20Intelligence%20A%20Modern%20Approach%20(3rd%20Edition).pdf

Ketidakpastian (Uncertainty) dan Penalaran Probabilitas

Nama : Ananto Dwicahyo
NPM : 10115651
Kelas : 3KA10
Dosen : Essy Malays Sari Sakti
 
Ketidakpastian  dapat  dianggap  sebagai  suatu kekurangan  informasi  yang  memadai  untuk
membuat suatu keputusan. Ketidakpastian  merupakan  suatu  permasalahan karena  mungkin  menghalangi  kita  membuat suatu keputusan yang terbaik.

TEORI PROBABILITAS

- Teori formal probabilitas dibuat dengan menggunakan 3 aksioma
- Teori aksiomatik disebut juga objective theory of probability
diperkenalkan oleh Kolmogorov, sedangkan teori aksiomatik probabiliti kondisional
dibuat oleh Renyi
- Tiga aksioma probabilistik :
1. 0 < P(E) < 1
Aksioma ini menjelaskan bahwa jangkauan
probabilitas berada antar 0 dan 1. Jika suatu
kejadian itu pasti terjadi maka nilai probabilitasnya
adalah 1, dan jika kejadiannya tidak mungkin
terjadi nilai probabilitasnya adalah 0
2. E P(Ei) = 1
Aksioma ini menyatakan jumlah semua kejadian
tidak memberikan pengaruh dengan lainnya, maka
disebut mutually exclusive events yaitu 1.
Corollary dari aksioma ini adalah :
 P(E) + P(E’) = 1
3. P(E1 U E2) = P(E1) + P(E2)
Dimana E1 dan E2 adalah kejadian mutually
exclusive. Aksioma ini mempunyai makna bahwa
jika E1 dan E2 keduanya tidak dapat terjadi secara
simultan, maka probabilitas dari satu atau kejadian
lainnya adalah jumlah dari masing-masing
probabilitasnya.

Theorema Bayes

Ditemukan oleh Thomas Bayes Teorema  Bayes  kebalikan  dari  probabilitas  kondisional
P(A|B) atau  disebut posteriori  probability,  dimana  dalamteorema  Bayes  : state  probabilitas  dari  kejadian  awal diberikan untuk melihat kejadian yang mungkin akan terjadi kemudian.

Representasi Ketidakpastian

Tiga metode dasar untuk merepresentasikan ketidakpastian adalah
1. numeric,
2. grafik, dan
3. simbolik.

TEORI DEMPSTER-SHAFER

                Dempster shafer adalah suatu teori matematika untuk pembuktian berdasarkan belief functions and reasoning (Fungsi kepercayaan dan pemikiran yang masuk akal), yang digunakan untuk mengkombinasikan potongan informasi yang terpisah (bukti) untuk mengkalkulasi kemungkinan dari suatu peristiwa. Teori ini dikembangkan oleh Arthur P.Dempster dan Glenn shafer.

Secara umum teori Dempster-Shafer ditulis dalam suatu interval :
[Belief, Plausibility]
Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung suatu himpunan proposisi.
Jika bernilai 0 mengindikasikan bahwa tidak ada evidence, dan Plausibility (Pl) jika bernilai
1 menunjukkan adanya kepastian.
Plausibility dinotasikan sebagai :
Pl(s) = 1 – Bel(Øs)

referensi

http://rudity.staff.gunadarma.ac.id/Downloads/files/36676/5-Uncertainity.pdf