Review Alur Game L2R, Decision Maker, Path Finding

Game disini adalah game mobile android/iOS yaitu Lineage 2 Revolution dari NetMarble dilisensikan oleh NCSOFT untuk mengembangkan spin-off dalam seri game Lineage. Game ini mempromosikan grafis berkualitas tinggi yang dapat menyaingi PC MMORPG berkat Unreal Engine 4, meminjam dari grafik Lineage 2 untuk PC.

Menampilkan dunia dan pengetahuan yang sama dengan L2, game ini menghadirkan pengalaman yang sedang berjalan untuk para penggemar seri ini. Bermain sebagai tiga kelas berbeda: Warrior, Ranger, dan Mage, dan pilih satu dari lime ras yang hanya bisa dipilih satu untuk dibawa ke medan perang. Tidak seperti Lineage 2 dan Lineage 2: Blood Oath, pemain dapat memilih kombinasi ras / kelas yang mereka inginkan. Beberapa fitur permainan termasuk perang pengepungan, ruang bawah tanah multi-pemain, dan berbagai macam kemampuan tempur untuk berpetualang. Game ini menyajikan Grafis berkualitas tinggi, skala open-field battle terbesar, real-time party play, berbagai konten dan sistem growth.




Gambar diatas adalah gambar dimana pemain dapat membuat character dan juga race yang nantinya bisa memilih class nya juga sesuai dengan play style pemain itu sendiri

KISAH

Keruntuhan Kerajaan Elmoreden memasuki zaman kegelapan.
Wilayah-wilayah berbeda saling menyatakan kemerdekaannya dari Kerajaan, yang menyebabkan pertempuran berdarah dalam penaklukan untuk mengklaim kedaulatan.
Di tengah-tengah itu, muncul sesuatu yang menyebabkan ketakutan di hati semua orang. Mereka adalah Dark Society yang kuat, dipimpin oleh Beleth, penyihir ilmu hitam.
Dark Society percaya bahwa otoritas sejati berasal dari teror yang ditanamkan pada orang-orang lemah, dan mereka memulai konspirasi rahasia untuk menimbulkan kekacauan di dunia.
Mereka adalah orang-orang yang meyakinkan Emperor Baium dari Elmoreden untuk membangun Tower of Insolence.
Sebelum rasa dengki dan energi gelap bisa menembus tanah, Hardin, seorang penyihir terhebat kedua setelah Beleth, menghalangi jalan Dark Society.
Hardin telah mengawasi aktivitas Dark Society dan berhasil menghentikan rencana mereka.
Namun, seiring berjalannya waktu, usahanya tidak cukup untuk menghentikan Dark Society, dan dia memutuskan untuk...

Lahirlah Silverlight Mercenary.
Sebuah babak baru dalam sejarah dimulai saat karakter utama secara kebetulan bergabung dengan Silverlight Mercenary.


KARAKTER
Manusia


Makhluk ciptaan Gran Kain, Manusia memiliki stat yang seimbang dan beradaptasi pada class apapun dengan cepat.
Manusia menyembah Einhasad, Dewi Cahaya.

Elf
Einhasad menciptakan para Elf dari air, membuat mereka lincah dan ringan dalam bergerak. Mereka dilindungi oleh Dewi Air, Eva.

Dark Elf

Dark Elf mahir dalam sihir gelap. Mereka sempat menyembah Dewi Shilen sampai keruntuhan ras mereka membuat mereka mengingkari kepercayaannya.









Dwarf

Einhasad menciptakan Dwarf dari tanah. Mereka memiliki fisik yang kuat dan cekatan. Mereka menyembah Maphr, Dewi Tanah.

Orc

Einhasad menggunakan kekuatan api untuk menciptakan para Orc. Orc memiliki kekuatan serta jiwa yang kuat. Percaya bahwa api adalah sumber kekuatan mereka, mereka memuja Paagrio sang Dewa Api.

Hunting
Hunting pada game ini bertujuan untuk menaikan level dan combat power dengan menaikan enhance pada equipment pada masing-masing karakter, setiap monster yang lebih tinggi dari pada level pemain akan mengeluarkan EXP dan DROP item yang lebih besar dari pada monster yang levelnya lebih rendah dari level si pemain. pada Game L2R ini ada sistem automated combat yang dipermudah agar pemain tidak perlu lagi hunting jauh untuk menghabisi musuh cukup dengan auto maka character kita akan bergerak dan menghajar musuh dengan basic attack atau skill attack.

Berburu dan Mengumpulkan
Berburu monster untuk mendapatkan drop item barupa equipment digunakan untuk memperkuat combat power pada character kita dan drop item barupa core item digunakan untuk menyelesaikan Monster Codex yang jika setiap monster codex nya naik level dengan cara dikumpulkannya core tersebut maka akan menambahkan combat power character



1. DECISION MAKER
1.1 DECISION MAKING GAME
Pengertian decision making yaitu suatu pemecahan masalah dan pengambilan keputusan. Decision making game merupakan suatu pemecahan masalah dalam pembuatan permainan dan menentukan solusi dari suatu masalah tersebut.

1.2 SITUASI DECISION MAKING
Decision making bisa terjadi apabila mengalami 3 situasi diantaranya :
1.     Decision making under certainty. Missal : linear programming.
2.     Decision making under risk (uncertainty). Misal : maximax, maximin, dll
3.     Decision making in conflict. Dengan game theory.

1.3 TEORI PERMAINAN & KEPUTUSAN STRATEGIS
Teori permainan dan keputusan strategis terbagi ada 2 kelompok diantaranya :
1.     Permainan Kooperatif (Binding contracts is possible). Contoh : penjual dan pembeli menegosiasi harga barang/jasa atau kerja sama 2 perusahaan (missal : Sony dan Erricson).
2.     Permainan Noncooperative. Contoh : 2 pedagang HP bersaing dalam harga dan iklan untuk dapat pangsa pasar.

2.1 Pohon Keputusan
Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan. Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target.

2.2 State Machine
State machine merupakan penggambarkan transisi dan perubahan keadaan (dari satu state ke state lainnya) suatu obyek pada sistem sebagai akibat dari stimulans yang diterima.
State Machine Diagram Untuk memodelkan behavior/methode (lifecycle) sebuah kelas atau object Memperlihatkan urutan kejadian sesaat (state) yang dilalui sebuah object, transisi dari sebuah state ke state lainnya.

2.3 Fuzzy Logic
Fuzzy Logic adalah suatu cabang ilmu Artificial Intellegence, yaitu suatu pengetahuan yang membuat komputer dapat meniru kecerdasan manusia sehingga diharapkan komputer dapat melakukan hal-hal yang apabila dikerjakan manusia memerlukan kecerdasan.
Konsep Fuzzy Logic
·       Fuzzy logic umumnya diterapkan pada masalahmasalah yang mengandung unsur ketidakpastian (uncertainty), ketidaktepatan (imprecise), noisy, dan sebagainya.
·       Fuzzy logic menjembatani bahasa mesin yang presisi dengan bahasa manusia yang menekankan pada makna atau arti (significance).
·       Fuzzy logic dikembangkan berdasarkan cara berfikir manusia

2.4 Sistem Markov
Dasar analisis aplikasi markov chain terlebih dahulu pada bagian ini akan digambarkan secara ringkas konsep dasar markov chain (MC), mulai dari asumsi, definisi sampai pada beberapa theorema yang diperlukan. Kejadian tertentu dari suatu rangkaian eksperimen tergantung dari beberapa kemungkinan kejadian, maka rangkaian eksperimen tersebut disebut Proses Stokastik. Proses dikatakan terhingga (finite) apabila seluruh kemungkinan kejadian yang dapat terjadi terhingga. Terdapat banyak tipe Proses Stokastik dan dikelompokan berdasarkan sifat- sifat fungsi peluangnya (Mulyono, 2004).

2.5 Rule Based System

sistem berbasis aturan atau sistem berbasis pengetahuan adalah perangkat lunak khusus yang merangkum 'kecerdasan manusia' seperti pengetahuan ada dengan membuat decissions intelijen dengan cepat dan dalam bentuk berulang     

PATH FINDING

• Path Finding

        Metode Path Finding seringkali dijumpai pada game yang bergenre strategi, dimana kita sebagai user menunjuk satu karakter untuk digerakkan ke lokasi tertentu dengan cara mengklik lokasi yang akan dituju. Maka, si karakter tersebut akan bergerak ke arah yang telah ditentukan, dan secara “cerdas” dapat menemukan jaur terpendek ataupun menghindari rintangan yang ada.

Metode pada Path Finding terbagi menjadi 4 bagian yaitu:

1. Waypoints

        Merupakan titik acuan/kumpulan koordinat yang digunakan untuk keperluan navigasi. Maksud dari keperluan navigasi disini adalah mengidentifikasi sebuah titik dipeta. Disetiap koordinat biasanya menyertakan longitude, latitude, dan terkadang altitude untuk keperluan navigasi di udara.

2. A* Searching

        Algoritma A* merupakan yang sering digunakan pada game yang menggunakan metode pathfinding. Algoritma ini dipilih karena A* sangat mudah untuk diimplementasikan dan sangat efisien. Dengan menggunakan algoritma A* kita dapat menentukan jalur terpendek. Pada algotitma ini akan menyeleksi dengan cara membuang langkah yang tidak perlu dengan mempertimbangkan bahwa langkah yang dibuang dipastikan tidak mencapai solusi yang diinginkan.

        Prinsip dari algoritma ini yaitu dengan cara mencari jalur terpendek dari sebuah simpul awal (Starting Point) menuju ke simpul tujuan dengan memperhatikan harga (F) terkecil. Algoritma A* akan memperhitungkan cost dari current state ke tujuan dengan fungsi heuristic, selain itu algoritma ini juga mempertimbangkan cost yang telah ditempuh selama ini dari initial state ke current state. Jadi maksudnya jika jalan yang telah ditempuh terlalu panjang dan ada jalan lain yang cost nya lebih kecil tetapi memberikan posisi yang sama jika dilihat dari goal, maka jalan yang lebih pendeklah yang akan dipilih.

3. Dijkstra

        Algoritma Dijkstra yang dinamai penemunya yakni seorang ilmuwan komputer, Edsger Dijkstra merupakan sebuah algoritma yang rakus atau biasa dikenal dengan algoritma greedy. Algoritma ini biasa dipakai dalam memecahkan permasalahan jarak terpendek (shortest path problem) untuk sebuah graf berarah (directed graph) dengan bobot-bobot sisi (edge weights) yang bernlai positif.

4. Tactical Pathfinding

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

• Mengejar dan Menghindar

        Mengejar dan menghindar merupakan teknik dasar yang diterapkan pada banyak game berbasis kecerdasan buatan dari yang sederhana sampai yang kompleks. apakah itu space shooters, RPG, atau game strategi. metode paling umum pada teknik mengejar dan menghindar ini adalah melakukan pemutakhiran (update) koordinat terhadap objek yang menjadi sasaran. Posisi relatif dan kecepatan dapat dijadikan sebagai parameter pada algoritma mengejar dan menghindar. Metode Line-of-sight yang membutuhkan dasar rumus persamaan garis juga serngkali dijadikan basis metode mengejear dan menghindar.

• Pola Pergerakan

        Pola pergerakan merupakan cara yang sederhana untuk memberikan ilusi kecerdasan pada sebuah game. Game Galaga adalah contoh klasik penerapan pola pergerakan ini, dimana pesawat musuh dapat bergerak secara melingkat atau mengikuti pola garis lurus yang ditentukan. Contoh lain penerapan pola pergerakan adalah pada game first-person shooter yang menampilkan monster yang sedang berpatroli pada jalur tertentu, pada game simulasi pertempuran pesawat dimana pesawat musuh dapat melakukan manuver-manuver di udara yang menyulitkan kita mengejar, atau karakter-karakter non-player (figuran) seperti kambing yang sedang berjalan membutuhkan teknik pola pergerakan ini. Metode standar untuk menerapkan pola pergerakan adalah dengan cara menyimpan pola tersebut dalam suatu array. Array tersebut terdiri dari serangkaian koordinat atau perintah pergerakan dengan pola tertentu untuk mengontrol koordinat dari objek. Dengan metode ini, bisa didapatkan pola-pola pergerakan seperti melingkar, garis lurus, zig-zag atau bahkan kurva tak beraturan.

• Jaringan saraf tiruan (neural network)

        Neural network cukup baik ketika diterapkan pada kasus-kasus yang sifatnya non-linier atau mengambil keputusan yang tidak dapat dilakukan dengan metode tradisional. Penerapannya seringkali pada game-game yang memerlukan kemampuan adaptif atau belajar dari pengalaman. Sebagai contoh, jika suatau ketika terjadi pertempuran antar player dengan unit komputer, dan unit komputer mengalami kekalahan, maka pada kesempatan lain yang serupa, komputer akan memilih untuk tidak bertempur. Semakin banyak pengalaman yang dialami komputer, maka komputer menjadi semakin cerdas. Prinsip dasar dari jaringan saraf tiruan ini adalah perbaikan bobot secara terus menerus agar output yang dihasilkan menjadi semakin akurat (semakin cerdas).

• Algoritma Genetis (genetic algorithm)

        Algoritma genetis sedikit banyak dipengaruhi oleh teori evolusi yang dicetuskan Darwin, yaitu bahwa spesies akan terus menerus beradaptasi dengan lingkungannya dan ciri khasnya yang terletak pada kromosom, akan diturunkan pada generasi berikutnya. Generasi turunan ini menerima gabungan kromosom dari kedua induknya, yang disebut dengan crossover. Pada algoritma genetis, akan diterapkan langkah ranking fitness untuk melakukan seleksi terhadap langkah ranking fitness untuk melakukan seleksi terhadap generasi turunan yang terbaik. Pada game berbasis algorima genetis, turunan terbaik inilah yang dilibatkan ke dalam game, dimana akan digunakan oleh komputer untuk merespons perubahan-perubahan tingkah laku user.

Sumber :

https://laskyargiovane.wordpress.com/2016/04/25/artificial-intelligence-kecerdasan-buatan-pada-game/

https://septianbudiuntoro.wordpress.com/2016/04/19/artificial-intelligence/

http://i-niblog.blogspot.com/2017/04/artificial-intelligence-pada-game.html

https://aswendy.wordpress.com/2015/04/23/artificial-intelligent-pada-game-decision-making/

http://arifshofwan.blogspot.co.id/2016/03/artificial-intelligence-pada-sebuah-game.html

Read More

Konsep Artificial Intelligent pada Game Komputer

ARTIFICIAL INTILLIGENCE

        Kecerdasan Buatan atau kecerdasan yang ditambahkan kepada suatu sistem yang bisa diatur dalam konteks ilmiah atau Intelegensi Artifisial (bahasa Inggris: Artificial Intelligence atau hanya disingkat AI) didefinisikan sebagai kecerdasan entitas ilmiah. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain sistem pakar, permainan komputer (games), logika fuzzy, jaringan syaraf tiruan dan robotika.

        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 sepak bola.

        Walaupun AI memiliki konotasi fiksi ilmiah yang kuat, AI membentuk cabang yang sangat penting pada ilmu komputer, berhubungan dengan perilaku, pembelajaran dan adaptasi yang cerdas dalam sebuah mesin. Penelitian dalam AI menyangkut pembuatan mesin untuk mengotomatisasikan tugas-tugas yang membutuhkan perilaku cerdas. Termasuk contohnya adalah pengendalian, perencanaan dan penjadwalan, kemampuan untuk menjawab diagnosa dan pertanyaan pelanggan, serta pengenalan tulisan tangan, suara dan wajah. Hal-hal seperti itu telah menjadi disiplin ilmu tersendiri, yang memusatkan perhatian pada penyediaan solusi masalah kehidupan yang nyata. Sistem AI sekarang ini sering digunakan dalam bidang ekonomi, obat-obatan, teknik dan militer, seperti yang telah dibangun dalam beberapa aplikasi perangkat lunak komputer rumah dan video game. ‘Kecerdasan buatan’ ini bukan hanya ingin mengerti apa itu sistem kecerdasan, tapi juga mengkonstruksinya.


ARTIFICIAL INTELLIGENCE PADA GAME

        Di dunia akademis, bidang kecerdasan buatan dipelajari secara serius untuk meningkatkan kualitas hidup manusia. Para peneliti dan mahasiswa (ilmu komputer atau teknik informatika) terus menerus mengembangkan teknik-teknik pada bidang ini untuk menghasilkan mesin yang semakin mengerti, dan memahami kebutuhan manusia. Dalam game berbasis kecerdasan buatan, ada banyak teknik yang diadaptasi dari bidang kecerdasan buatan untuk diterapkan pada game. beberapa diantaranya, yaitu:

• Decision Making

        Decision Making adalah serangkaian algoritma yang dirancang dengan memasukan beberapa kemungkinan langkah yang bisa diambil oleh suatu aplikasi, Pada game ini decision making memberikan 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. Algoritma decision making kerap digunakan dalam aplikasi game, akan tetapi algoritma decision making dapat diimplementasikan pada banyak aplikasi lain.
Decision Making terbagi menjadi 3 yaitu : Decision Tree, State Machine dan Rule System

1. 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).

        Dalam situasi lain kemampuan untuk menjelaskan alasan pengambilan keputusan adalah sesuatu yang sangat penting. Misalnya pada perusahaan asuransi ada larangan resmi untuk mendeskriminasi berdasarkan variabel-variabel tertentu. Perusahaan asuransi dapat mencari sendiri keadaan yang mencerminkan bahwa mereka tidak menggunakan deskriminasi yang ilegal dalam memutuskan seseorang diterima atau ditolak. Sebuah pohon keputusan adalah sebuah struktur yang dapat digunakan untuk membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian aturan keputusan. Anggota himpunan hasil menjadi mirip satu dengan yang lain dengan masing-masing rangkaian pembagian. Sebuah model pohon keputusan terdiri dari sekumpulan aturan untuk membagi sejumlah populasi yang heterogen menjadi lebih kecil, lebih homogen dengan memperhatikan pada variabel tujuannya. Sebuah pohon keputusan mungkin dibangun dengan seksama secara manual, atau dapat tumbuh secara otomatis dengan menerapkan salah satu atau beberapa algoritma pohon keputusan untuk memodelkan himpunan data yang belum terklasifikasi (Tan dkk, 2004).

        Variabel tujuan biasanya dikelompokkan dengan pasti dan model pohon keputusan lebih mengarah pada perhitungan probabilitas dari masing-masing record terhadap kategori-kategori tersebut, atau untuk mengklasifikasi record dengan mengelompokkannya dalam satu kelas. Pohon keputusan juga dapat digunakan untuk mengestimasi nilai dari variabel kontinyu, meskipun ada beberapa teknik yang lebih sesuai untuk kasus ini.

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
4. Dalam analisis multivarian, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji biasanya perlu mengestimasikan baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode pohon keputusan dapat menghindari munculnya permasalahan ini dengan menggunakan kriteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan.

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

        Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. Contoh pada Gambar diatas adalah identifikasi pembeli komputer. Dari pohon keputusan tersebut diketahui bahwa salah satu kelompok yang potensial membeli komputer adalah orang yang berusia di bawah 30 tahun dan juga pelajar. Setelah sebuah pohon keputusan dibangun maka dapat digunakan untuk mengklasifikasikan record yang belum ada kelasnya. Dimulai dari node root, menggunakan tes terhadap atribut dari record yang belum ada kelasnya ini lalu mengikuti cabang yang sesuai dengan hasil dari tes tersebut, yang akan membawa kepada internal node (node yang memiliki satu cabang masuk dan dua atau lebih cabang yang keluar), dengan cara harus melakukan tes lagi terhadap atribut atau node leaf. Record yang kelasnya tidak diketahui kemudian diberikan kelas yang sesuai dengan kelas yang ada pada node leaf. Pada pohon keputusan setiap simpul leaf menandai label kelas. Proses dalam pohon keputusan yaitu mengubah bentuk data (tabel) menjadi model pohon (tree) kemudian mengubah model pohon tersebut menjadi aturan (rule) (J R Quinlan, 1993).

        Salah satu algoritma induksi pohon keputusan yaitu ID3 (Iterative Dichotomiser 3). ID3 dikembangkan oleh J. Ross Quinlan. Dalam prosedur algoritma ID3, input berupa sampel training, label training dan atribut. Algoritma Decision Tree C4.5 merupakan pengembangan dari ID3. Sedangkan pada perangkat lunak open source WEKA mempunyai versi sendiri dari C4.5 yang dikenal sebagai J48.

2. 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.

        Berdasarkan sifatnya, metode FSM ini sangat cocok digunakan sebagai basis perancangan perangkat lunak pengendalian yang bersifat reaktif dan real time. Salah satu keutungan nyata penggunaan FSM adalah kemampuannya dalam mendekomposisi aplikasi yang relative besar dengan hanya menggunakan sejumlah kecil item state. Selain untuk bidang kontrol, Penggunaan metode ini pada kenyataannya juga umum digunakan sebagai basis untuk perancangan protokol-protokol komunikasi, perancangan perangkat lunak game, aplikasi WEB dan sebagainya.

        Dalam bahasa pemrograman prosedural seperti bahasa C, FSM ini umumnya direalisasikan dengan menggunakan statemen kontrol switch case atau/dan if..then. Dengan menggunakan statemen-statemen kontrol ini, aliran program secara praktis akan mudah dipahami dan dilacak jika terjadi kesalahan logika.

3. Rule Systems

        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.

        Rule Base Systems (RBS) sistem yang baik untuk mendapat jawaban dari pertanyaan mengenai What (apa), How (bagaimana) dan Why (mengapa) dari Rule Base (RB) selama proses inferensia. Jawaban dan penjelasannya dapat disediakan dengan baik. Masalah yang ada dengan SBP adalah ia tak dapat secara mudah menjalankan proses akuisisi knowledge (pengetahuan) dan ia tak dapat mengupdate rule (aturan) secara otomatis. Hanya pakar yang dapat mengupdate Knowledge Base (KB) secara manual dengan dukungan dari knowledge engineer (insinyur pengetahuan). Lebih jauh kebanyakan peneliti dalam SBA lebih memperhatikan masalah optimasi pada rule yang sudah ada daripada pembangkitan rule baru dari rule yang sudah ada. Namun demikian, optimasi rule tak dapat mengubah hasil dari inferensia secara signifikan, yaitu dalam hal cakupan pengetahuan.

        Ripple Down Rule (RDR) datang untuk mengatasi permasalahan utama dari sistem pakar: pakar tak perlu lagi selalu mengkomunikasikan pengetahuan dalam konteks yang spesifik. RDR membolehkan akuisisi yang cepat dan sederhana secara ekstrim tanpa bantuan dari knowledge engineer. Pengguna tak perlu menguji RB dalam rangka mendefinisikan rule baru: pengguna hanya perlu untuk mampu mendefinisikan rule baru yang secara benar mengklasifikasikan contoh yang diberikan, dan sistem dapat menentukan dimana suatu rule harus ditempatkan dalam hirarki rulenya. Keterbatasan dari RDR adalah kekurangan dalam hal inferensia yang berdayaguna. Tak seperti SBA yang dilengkapi dengan inferensia melalui forward dan backward chaining, RDR kelihatannya menggunakan Depth First Search (DFS) yang memiliki kekurangan dalam hal fleksibelitas dalam hal penjawaban pertanyaan dan penjelasan yang tumbuh dari inferensia yang berdayaguna.

        Variable-Centered Intelligent Rule System (VCIRS) merupakan perkawinan dari SBA dan RDR. Arsitektur sistem diadaptasi dari SBA dan ia mengambil keuntungan-keuntungan yang ada dari RDR. Sistem ini mengorganisasi RB dalam struktur spesial sehingga pembangunan pengetahuan, inferensia pengetahuan yang berdayaguna dan peningkatan evolusional dari kinerja sistem dapat didapatkan pada waktu yang sama. Istilah “Intelligent” dalam VCIRS menekankan pada keadaan sistem ini yang dapat “belajar” untuk meningkatkan kinerja sistem dari pengguna sistem selama pembangunan pengetahuan (melalui analisis nilai) dan penghalusan pengetahuan (dengan pembangkitan rule).

• Path Finding

        Metode Path Finding seringkali dijumpai pada game yang bergenre strategi, dimana kita sebagai user menunjuk satu karakter untuk digerakkan ke lokasi tertentu dengan cara mengklik lokasi yang akan dituju. Maka, si karakter tersebut akan bergerak ke arah yang telah ditentukan, dan secara “cerdas” dapat menemukan jaur terpendek ataupun menghindari rintangan yang ada.
Metode pada Path Finding terbagi menjadi 4 bagian yaitu:

1. Waypoints

        Merupakan titik acuan/kumpulan koordinat yang digunakan untuk keperluan navigasi. Maksud dari keperluan navigasi disini adalah mengidentifikasi sebuah titik dipeta. Disetiap koordinat biasanya menyertakan longitude, latitude, dan terkadang altitude untuk keperluan navigasi di udara.

2. A* Searching

        Algoritma A* merupakan yang sering digunakan pada game yang menggunakan metode pathfinding. Algoritma ini dipilih karena A* sangat mudah untuk diimplementasikan dan sangat efisien. Dengan menggunakan algoritma A* kita dapat menentukan jalur terpendek. Pada algotitma ini akan menyeleksi dengan cara membuang langkah yang tidak perlu dengan mempertimbangkan bahwa langkah yang dibuang dipastikan tidak mencapai solusi yang diinginkan.

        Prinsip dari algoritma ini yaitu dengan cara mencari jalur terpendek dari sebuah simpul awal (Starting Point) menuju ke simpul tujuan dengan memperhatikan harga (F) terkecil. Algoritma A* akan memperhitungkan cost dari current state ke tujuan dengan fungsi heuristic, selain itu algoritma ini juga mempertimbangkan cost yang telah ditempuh selama ini dari initial state ke current state. Jadi maksudnya jika jalan yang telah ditempuh terlalu panjang dan ada jalan lain yang cost nya lebih kecil tetapi memberikan posisi yang sama jika dilihat dari goal, maka jalan yang lebih pendeklah yang akan dipilih.

3. Dijkstra

        Algoritma Dijkstra yang dinamai penemunya yakni seorang ilmuwan komputer, Edsger Dijkstra merupakan sebuah algoritma yang rakus atau biasa dikenal dengan algoritma greedy. Algoritma ini biasa dipakai dalam memecahkan permasalahan jarak terpendek (shortest path problem) untuk sebuah graf berarah (directed graph) dengan bobot-bobot sisi (edge weights) yang bernlai positif.

4. Tactical Pathfinding

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

• Mengejar dan Menghindar

        Mengejar dan menghindar merupakan teknik dasar yang diterapkan pada banyak game berbasis kecerdasan buatan dari yang sederhana sampai yang kompleks. apakah itu space shooters, RPG, atau game strategi. metode paling umum pada teknik mengejar dan menghindar ini adalah melakukan pemutakhiran (update) koordinat terhadap objek yang menjadi sasaran. Posisi relatif dan kecepatan dapat dijadikan sebagai parameter pada algoritma mengejar dan menghindar. Metode Line-of-sight yang membutuhkan dasar rumus persamaan garis juga serngkali dijadikan basis metode mengejear dan menghindar.

• Pola Pergerakan

        Pola pergerakan merupakan cara yang sederhana untuk memberikan ilusi kecerdasan pada sebuah game. Game Galaga adalah contoh klasik penerapan pola pergerakan ini, dimana pesawat musuh dapat bergerak secara melingkat atau mengikuti pola garis lurus yang ditentukan. Contoh lain penerapan pola pergerakan adalah pada game first-person shooter yang menampilkan monster yang sedang berpatroli pada jalur tertentu, pada game simulasi pertempuran pesawat dimana pesawat musuh dapat melakukan manuver-manuver di udara yang menyulitkan kita mengejar, atau karakter-karakter non-player (figuran) seperti kambing yang sedang berjalan membutuhkan teknik pola pergerakan ini. Metode standar untuk menerapkan pola pergerakan adalah dengan cara menyimpan pola tersebut dalam suatu array. Array tersebut terdiri dari serangkaian koordinat atau perintah pergerakan dengan pola tertentu untuk mengontrol koordinat dari objek. Dengan metode ini, bisa didapatkan pola-pola pergerakan seperti melingkar, garis lurus, zig-zag atau bahkan kurva tak beraturan.

• Jaringan saraf tiruan (neural network)

        Neural network cukup baik ketika diterapkan pada kasus-kasus yang sifatnya non-linier atau mengambil keputusan yang tidak dapat dilakukan dengan metode tradisional. Penerapannya seringkali pada game-game yang memerlukan kemampuan adaptif atau belajar dari pengalaman. Sebagai contoh, jika suatau ketika terjadi pertempuran antar player dengan unit komputer, dan unit komputer mengalami kekalahan, maka pada kesempatan lain yang serupa, komputer akan memilih untuk tidak bertempur. Semakin banyak pengalaman yang dialami komputer, maka komputer menjadi semakin cerdas. Prinsip dasar dari jaringan saraf tiruan ini adalah perbaikan bobot secara terus menerus agar output yang dihasilkan menjadi semakin akurat (semakin cerdas).

• Algoritma Genetis (genetic algorithm)

        Algoritma genetis sedikit banyak dipengaruhi oleh teori evolusi yang dicetuskan Darwin, yaitu bahwa spesies akan terus menerus beradaptasi dengan lingkungannya dan ciri khasnya yang terletak pada kromosom, akan diturunkan pada generasi berikutnya. Generasi turunan ini menerima gabungan kromosom dari kedua induknya, yang disebut dengan crossover. Pada algoritma genetis, akan diterapkan langkah ranking fitness untuk melakukan seleksi terhadap langkah ranking fitness untuk melakukan seleksi terhadap generasi turunan yang terbaik. Pada game berbasis algorima genetis, turunan terbaik inilah yang dilibatkan ke dalam game, dimana akan digunakan oleh komputer untuk merespons perubahan-perubahan tingkah laku user.

Sumber :

https://laskyargiovane.wordpress.com/2016/04/25/artificial-intelligence-kecerdasan-buatan-pada-game/

https://septianbudiuntoro.wordpress.com/2016/04/19/artificial-intelligence/

http://i-niblog.blogspot.com/2017/04/artificial-intelligence-pada-game.html

https://aswendy.wordpress.com/2015/04/23/artificial-intelligent-pada-game-decision-making/

http://arifshofwan.blogspot.co.id/2016/03/artificial-intelligence-pada-sebuah-game.html

Read More

Tugas Menerjemahkan Jurnal

Tugas Softskill

Desain Pemodelan Grafik

Fauzan Yafie Muyassar          (52416724)

Muhammad Maulana Yusuf    (54416995)

Ramma riyantka putra             (56416052)

Menerjemahkan Jurnal

corpus based & knowledge based measures of text semantic similarity-5

UNIVERSITAS GUNADARMA

2019

Abstrak

Makalah ini menyajikan metode untuk mengukur kesamaan semantik teks, menggunakan langkah-langkah yang berbasis corpus dan berbasis pengetahuan kesamaan. Pada masalah ini sebelumnya telah difokuskan terutama pada dokumen yang besar (misalnya teks klasifikasi, pencarian informasi) atau kata perkata (misalnya perasamaan kata). Mengingat bahwa sebagian besar informasi yang tersedia saat ini, di Web dan di tempat lain, terdiri dari potongan teks pendek (misalnya dokumen ilmiah abstrak, keterangan abstrak, Deskripsi Produk), dalam tulisan ini kita fokuskan pada mengukur kesamaan semantik teks-teks singkat. Melalui eksperimen dilakukan pada sebuah data set parafrase, kami dapat menunjukkan bahwa metode kesamaan semantic(semantic similarity) melebihi metode dari apa yang didasarkan pada pencocokan leksikal sederhana (simple lexical matching), mengakibatkan hingga terjadi penurunan sebanyak13% kesalahan terkait dengan metrik tradisional berbasis vektor kesamaan (the traditional vector-based similarity metric).

Inti dari isi jurnal

Mengetahui hasil Pengukuran kesamaan simantik antara basis corpus dengan basis pengetahuan

Metode yang digunakan

Linguistik korpus adalah metode linguistik yang menggunakan data dari bahan-bahan bahasa yang terkumpul dalam suatu sumber yang disebut korpus atau korpora (sejenis "bank" bahasa) yang berasal dari penggunaan bahasa dalam berbagai genre, ragam, dan bahan lisan maupun tertulis yang menjamin keragaman yang seluas-luasnya dan menghindari penggunaan bahasa yang sangat sempit seperti idiolek. Data tersebut disusun secara sistematis dan biasanya mudah diakses secara elektronis dengan komputer. Metode ini digunakan dalam linguistik deskriptif maupun linguistik terapan, seperti penyusunan kamus, untuk menjamin bahwa data yang digunakan benar-benar berasal dari penggunaan yang luas dan terhindar dari penggunaan subjektif. (Harimurti Kridalaksana (2008). Kamus Linguistik (edisi ke-4). Jakarta: Gramedia Pustaka Utama. ISBN 978-979-22-3570-8.)

Kelebihan

Metode berbasis corpus memiliki keuntungan bahwa tidak memerlukan cara manual dengan tangan dan, terpisah dari pilihan Corpus yang sesuai dan besar, metode ini tidak ada masalah yang berkaitan dengan kelengkapan sumber daya. Di sisi lain, metode berbasis pengetahuan dapat menyajikan informasi yang tepat. Perbedaan ini dapat diamati dalam hal ketepatan dan mengingat. Faktanya, walaupun ketepatan langkah-langkah pada metode berbasi pengetahuan lebih tinggi akan tetapi langkah-langkah yang berbasi corpus memberikan secara umum kinerja yang lebih baik dalam mengingat.

Kekurangan

Masih belum sempurna untuk mengetahui kesamaan simantik secara keseluruhan teks

Kesimpulan

Ternyata, menggabungkan informasi simantik ke ukuran text meningkatkan kemungkinan secara signifikan secara dasar dan atas dasar kesamaan kosinus berbasis vector, diukur dalam tugas pengelanan paraphrase. Kinerja terbaik dicapai dengan menggunakan metode yang menggabungkan beberapa kesamaan metric menjadi 1, untuk akurasi keseluruhan 70,3% mewakili pengurangan tingkat kesalahan 13,8% yang signifikan sehubungan dengan garis dasar kesamaan cosinus berbasis vektor. Selain itu, jika kita mempertimbangkan kenaikan 83% yang ditetapkan oleh perjanjian antar anotator yang dicapai pada data set ini (Dolan, Quirk, & Brockett 2004), pengurangan tingkat kesalahan pada data awal menampilkan jauh lebih signifikan.

Saran/pengembangan berikutnya

Meskipun metode kami bergantung pada pendekatan kata-perkata,karena ternyata penggunaan ukuran kesamaan semantik meningkatkan secara signifikan atas metrik pencocokan leksikal tradisional. Meskipun demikian kami sadar bahwa pendekatan kata-perkata mengabaikan banyak hubungan penting dalam struktur kalimat, seperti ketergantungan antara kata-perkata, atau peran yang dimainkan oleh berbagai argumen dalam kalimat. Pekerjaan di masa depan akan mempertimbangkan penyelidikan representasi yang lebih canggih dari struktur kalimat, seperti logika sususan predikat pertama atau pohon parse semantik, yang harus memungkinkan untuk penerapan ukuran yang lebih efektif dari kesamaan teks semantic.

Read More

3D Animation 4 menit

Tugas Softskill

Desain Pemodelan Grafik

Fauzan Yafie Muyassar (52416724)

Muhammad Maulana Yusuf (54416995)

Ramma riyantka putra (54416995)

Pada tugas kuliah ke-3 mata kuliah desain permodelan grafik ini yaitu membuat animasi 3D, aplikasi yang akan digunakan adalah MMD. MMD adalah sebuah program animasi yag bersifat freeware yang dapat membuat para penggunanya dapat membuat animasi berbasis 3D. MMD bukan hanya dipakai sekedar untuk membuat animasi saja, kita dapat membuat video musik, game interaktif , hingga film dari program tersebut.

Berikut adalah proses pembuatan animasi 3D menggunakan aplikasi MMD secara singkat.

Pertama kita akan membuat atau mengimport model, untuk membuat model harus menggunakan aplikasi tambahan yaitu PMX editor, tapi karena pembuatan model pada PMX editor memakan banyak waktu kita hanya akan mengimport model dan menggerakannya dengan mmd.

1.     Buka aplikasi MMD

2.     Klik To Model

3.     Pilih model yang akan digunakan

4.     Lalu open

Selanjutnya kita akan menggerakan model dengan memasukan frame ke setiap perpindahan bone pada model.

1.     Geser posisi frame.

2.     Klik salah satu titik yang ada pada model.

3.     Lalu klik rotate di bone manipulation dan ubah posisi titiknya.

4.     Masukan frame dengan klik register.

5.     Ulangi sampai frame yang dibutuhkan dirasa cukup.

Kemudian hasil dari pembuatan frame tersebut dirender kedalam bentuk video dengan format .avi dan di encoder dengan MJPEG compressor.

1.     Klik file

2.     Render to AVI file

3.     Tentukan nama file dan letak file lalu save

4.     Masukan dari frame berapa dan sampai berapa yang akan di render

5.     Pilih MJPEG compressor lalu Ok.

6.     Tunggu hingga render selesai

Langkah terakhir memasukan suara pada video, karena mmd hanya bisa menggunakan suara dengan format WAV maka untuk memasukan suara bisa dengan aplikasi editor video, aplikasi yang kami gunakan adalah camtasia.

1.     Buka aplikasi camtasia.

2.     Masukan video dan audio yang akan disatukan

3.     Kemudian klik share lalu local file...

4.     Pilih format file ke 720p

5.     Tulis nama file kemudian finish.

Read More