Analisis Dan Implementasi Algoritma Minimax Dengan Optimasi Alpha Beta Pruning .

(1)

ANALISIS DAN IMPLEMENTASI ALGORITMA MINIMAX

DENGAN OPTIMASI ALPHA BETA PRUNING

PADA PERMAINAN FIVE IN ROW

SKRIPSI

NUR JANNAH

061401081

PROGRAM STUDI S1 ILMU KOMPUTER

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2010

(2)

ANALISIS DAN IMPLEMENTASI ALGORITMA MINIMAX DENGAN OPTIMASI ALPHA BETA PRUNING

PADA PERMAINAN FIVE IN ROW

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Komputer

NUR JANNAH 0 6 1 4 0 1 0 8 1

PROGRAM STUDI STRATA 1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2010

(3)

PERSETUJUAN

Judul : ANALISIS DAN IMPLEMENTASI

ALGORITMA MINIMAX DENGAN OPTIMASI ALPHA BETA PRUNING

Kategori : SKRIPSI

Nama : NUR JANNAH

Nomor Induk Mahasiswa : 061401081

Program Studi : SARJANA (S1) ILMU KOMPUTER

Departemen : ILMU KOMPUTER

Fakultas : MATEMATIKA DAN ILMU

PENGETAHUAN ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA

Diluluskan di

Medan, 4 Desember 2010 Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Syahriol Sitorus, S.Si, MIT Maya Silvi Lydia, B.Sc, M.Sc NIP 197103101997031004 NIP 197401272002122001

Diketahui/Disetujui oleh

Departemen Ilmu Komputer FMIPA USU Ketua,

Prof. Dr. Muhammad Zarlis NIP 195707011986011003

(4)

PERNYATAAN

ANALISIS DAN IMPLEMENTASI ALGORITMA MINIMAX DENGAN OPTIMASI ALPHA BETA PRUNING

PADA PERMAINAN FIVE IN ROW

SKRIPSI

Saya mengakui bahwa skipsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, 4 Desember 2010

NUR JANNAH 061401081

(5)

PENGHARGAAN

Alhamdulillah, penulis ucapkan kepada Allah SWT yang senantiasa melimpahkan

rahmat dan karunia-Nya sehingga skripsi ini dapat diselesaikan dengan baik.

Ucapan terima kasih penulis sampaikan kepada Ibu Maya Silvi Lydia, B.Sc, M.Sc selaku dosen pembimbing I dan Bapak Syahriol Sitorus, S.Si, MIT selaku dosen pembimbing II yang telah banyak membantu memberi panduan, masukan serta saran kepada penulis selama penulisan skripsi ini. Ucapan terima kasih juga turut penulis ucapkan kepada Bapak Prof.Dr.Tulus,M.Si dan Bapak Amer Sharif, S.Si, M.Kom selaku dosen pembanding I dan II. Ucapan terima kasih juga ditujukan kepada Bapak Prof. Dr. Muhammad Zarlis, Dekan dan Pembantu Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam, serta seluruh staf pengajar di Program Studi S1 Ilmu Komputer Universitas Sumatera Utara.

Ucapan terima kasih teristimewa penulis persembahkan kepada kedua orang tua tercinta, ayahanda Muhammad Yusuf dan ibunda Nur Azizah yang tak henti-hentinya mendoakan dan memberikan semangat serta dorongan kepada penulis serta ucapan terima kasih kepada seluruh keluarga, abang dan adik-adik tersayang, Yusrizal, Liska Rahayu dan Fara Dila yang telah memberikan banyak bantuan kepada penulis selama pengerjaan skripsi ini.

Tidak lupa pula ucapan terima kasih penulis sampaikan kepada teman-teman angkatan 2006, serta seluruh mahasiswa Program Studi S1 Ilmu Komputer dan semua pihak yang telah membantu penyelesaian skripsi ini baik secara langsung ataupun tidak langsung. Semoga Allah SWT membalas kebaikan Anda semua.

(6)

ABSTRAK

Keberadaan industri game yang berkembang pesat membuktikan bahwa masyarakat menaruh minat yang besar terhadap permainan komputer. Salah satu jenis game komputer yang beredar luas antara lain game kecerdasan buatan, misalnya catur, dan

Five In Row. Five In Row merupakan game logika yang membutuhkan strategi untuk

mengalahkan lawan dengan menyusun lima buah keping sewarna dalam satu baris baik horizontal, vertikal, maupun diagonal. Algoritma yang diimplementasikan pada permainan ini adalah Minimax yang dioptimasikan dengan Alpha Beta Pruning. Minimax yang merupakan algoritma pohon pencarian akan melakukan penelusuran pada setiap node hingga diperoleh nilai maksimum untuk memenangkan pertandingan. Namun, pohon pencarian pada Five In Row memiliki kedalaman dan ruang lingkup percabangan yang luas, sehingga dibutuhkan waktu cukup lama untuk mengevaluasi seluruh kemungkinan. Untuk itulah dibutuhkan sebuah algoritma yang dapat mengoptimalkan pencarian, yaitu Alpha Beta Pruning. Algoritma ini akan memangkas beberapa percabangan pada pohon pencarian yang tidak mempengaruhi hasil evaluasi Minimax. Dengan adanya Alpha Beta Pruning maka ruang pencarian dapat dikurangi sehingga proses penelusuran dan evaluasi dapat dilakukan lebih cepat.

(7)

ANALYSIS AND IMPLEMENTATION OF MINIMAX ALGORITHM WITH ALPHA BETA PRUNING OPTIMIZATION

IN FIVE IN ROW GAME

ABSTRACT

The existence of game industry which rapidly grows up proves that many people have big interest in computer games. One of the famous computer games that have been growing rapidly is Artificial Intelligence game for example: chess and five in row. Five in row is a logic game that requires a strategy to defeat opponent by arranging five of pieces with the same color in a line either horizontally, vertically or diagonally. The algorithm that implemented to this game is Minimax which being optimized with Alpha Beta Pruning. Minimax which is a search tree algorithm will explore every node to obtain the maximum value to win the game. However, a search tree in Five In Row has many depth and large branches, so much time is needed to evaluated every possibility. That’s why an algorithm is required to optimize the searching, which is Alpha Beta Pruning. This algorithm will prune some branches at the search tree which have no effect to the Minimax value. With Alpha Beta Pruning, the scope of searching can be reduced so that exploring solutions can be done faster.

(8)

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Abstrak v

Abstract vi

Daftar Isi vii

Daftar Tabel x

Daftar Gambar xi

Bab 1 Pendahuluan 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 3

1.3 Batasan Masalah 3

1.4 Tujuan Penelitian 3

1.5 Manfaat Penelitian 3

1.6 Metode Penelitian 4

1.7 Sistematika Penulisan 5

Bab 2 Landasan Teori 6

2.1. Kecerdasan Buatan 6

2.2 Five In Row 7

2.2.1 Aturan Permainan Five In Row 8

2.2.2 Jenis Five In Row 9

2.3 Agen Cerdas 9

2.3.1 Perilaku Agen 10

2.3.2 Struktur Agen Cerdas 11

2.3.2.1 Agen Refleks Sederhana 12

2.3.2.2 Agen Refleks Berbasis Model 12 2.3.2.3 Agen Berbasis Tujuan (Goal Based Agent) 13 2.3.2.4 Agen Berbasis Kegunaan (Utility Based Agent) 14 2.3.3 Lingkungan Agen dan Sifatnya 15

2.4 Algoritma Pencarian 16

2.4.1 Minimax 17

2.4.2 Alpha Beta Pruning 19

(9)

2.7.2 Class Diagram (Diagram Kelas) 26

2.7.3 Sequence Diagram 27

2.7.4 Use Case 28

Bab 3 Analisis dan Perancangan Aplikasi 29

3.1 Analisis Kebutuhan Aplikasi 29

3.1.1 Representasi Lingkungan 29

3.1.1.1 Representasi Material 30

3.1.2 Flowchart Aplikasi 30

3.1.3 Analisis Algoritma 32

3.1.4 Nilai Formasi 41

3.1.5 Fungsi Evaluasi 42

3.1.6 Proses Evaluasi Formasi 44

3.2 Perancangan Aplikasi 48

3.2.1 Perancangan Konseptual 49

3.2.1.1 Deskripsi Class Diagram Aplikasi 49 3.2.1.2 Deskripsi Kebutuhan Fungsional Aplikasi 51 3.2.1.3 Deskripsi Proses dan Aktivitas Aplikasi 52 3.2.1.4 Deskripsi Sequence Diagram Aplikasi 57

3.2.2 Perancangan Fisik 63

3.2.2.1 Perancangan Antarmuka 63

3.2.2.2 Perancangan Piranti Masukan 67

Bab 4 Implementasi dan Pengujian 68

4.1 Implementasi Aplikasi 68

4.2 Spesifikasi Perangkat Lunak 68

4.3 Spesifikasi Perangkat Keras 68

4.4 Tampilan Aplikasi 69

4.4.1 Tampilan Utama 69

4.4.2 Tampilan Permainan 70

4.4.3 Tampilan Menu 72

4.4.4 Tampilan Game Play 72

4.5 Implementasi Algoritma 73

4.6 Pengujian Agen 76

4.6.1 Level Satu 76

4.6.2 Level Dua 77

4.6.3 Level Tiga 81

4.6.4 Level Empat 84

4.7 Pengujian Aplikasi 87

4.7.1 Pengujian Integrasi Aplikasi 88

4.7.1.1 Play 88

4.7.1.2 New Game 90

4.7.1.3 Level 91

4.7.1.4 About 92

4.7.2 Pengujian Aspek Antarmuka Aplikasi 93 4.7.3 Pengujian Aspek Penggunaan Aplikasi 95

(10)

4.7.5 Pengujian Aspek Kehandalan Aplikasi 99

Bab 5 Kesimpulan dan Saran 102

5.1. Kesimpulan 102

5.2. Saran 103

Daftar Pustaka 104

(11)

DAFTAR TABEL

Halaman

Tabel 2.1 Diagram UML 25

Tabel 3.1 Hubungan Kedalaman dan Jumlah Node 32 Tabel 3.2 Proses Pencarian Alpha Beta Pruning 38

Tabel 3.3 Nilai Formasi 41

Tabel 3.4 Value Tiap Node 46

Tabel 3.5 CRC Card Class Interface 50

Tabel 3.6 CRC Carc Class Constanta 50

Tabel 3.7 CRC Card Class Check 50

Tabel 3.8 CRC Carc Class AIPlayer 51

Tabel 3.9 CRC Card Class Game 51

Tabel 3.10 CRC Card Class User 51

Tabel 3.11 Proses Play 53

Tabel 3.12 Proses New Game 54

Tabel 3.13 Proses Play 55

Tabel 3.14 Proses About 56

Tabel 4.1 Pengujian Agen Level Satu 76

Tabel 4.2 Pengujian Agen Level Dua 78

Tabel 4.3 Pengujian Agen Level Tiga 81

Tebel 4.4 Perbandingan Pergerakan Max dan Min 83

Tabel 4.5 Pengujian Agen Level Empat 84

Tabel 4.6 Hasil Evaluasi Proses Play pada Windows 88 Tabel 4.7 Hasil Evaluasi Proses Play pada Linux 89 Tabel 4.8 Hasil Evaluasi Proses New game pada Windows 90 Tabel 4.9 Hasil Evaluasi Proses New game pada Linux 90 Tabel 4.10 Hasil Evaluasi Proses Level pada Windows 91 Tabel 4.11 Hasil Evaluasi Proses Level pada Linux 91 Tabel 4.12 Hasil Evaluasi proses About pada Windows 92 Tabel 4.13 Hasil Evaluasi proses About pada Linux 92 Tabel 4.14 Hasil Kuesioner Aspek Antarmuka 94 Tabel 4.15 Hasil Kuesioner Aspek Penggunaan 95 Tabel 4.16 Hasil Kuesioner Penilaian Aplikasi 97 Tabel 4.17 Hasil Kuesioner Kehandalan Aplikasi 100

(12)

DAFTAR GAMBAR

Halaman

Gambar 2.1 Papan Permainan 8

Gambar 2.2 Ilustrasi Diagram Agen 10

Gambar 2.3 Skema Agen Refleks Sederhana 12

Gambar 2.4 Skema Agen Refleks Berbasis Model 13 Gambar 2.5 Skema Diagram Ageb Berbasis Tujuan 14 Gambar 2.6 Skema Diagram Agen Berbasis Kegunaan 15

Gambar 2.7 Pohon Minimax 19

Gambar 2.8 Pohon Alpha Beta Pruning 21

Gambar 2.9 Contoh Activity Diagram 26

Gambar 2.10 Contoh Class Diagram 27

Gambar 2.11 Contoh Sequence Diagram 28

Gambar 2.12 Contoh Use Case 28

Gambar 3.1 Papan Five In Row 29

Gambar 3.2 Representasi Material 30

Gambar 3.3 Flowchart Aplikasi Five In Row 31 Gambar 3.4 Flowchart Algoritma Minimax dengan Optimasi Alpha Beta Pruning 34 Gambar 3.5 Proses Pencarian Depth First Search 36

Gambar 3.6 Diagram Pohon Pencarian 37

Gambar 3.7 Posisi Sementara Permainan 42

Gambar 3.8 Contoh Kondisi Permainan 44

Gambar 3.9 Analisis Pohon Permainan 45

Gambar 3.10 Class Diagram 49

Gambar 3.11 Use Case Aplikasi 52

Gambar 3.12 Activity Diagram Play 54

Gambar 3.13 Activity Diagram New Game 55

Gambar 3.14 Activity Diagram Level 56

Gambar 3.15 Activity Diagram About 57

Gambar 3.16 Komponen Play 58

Gambar 3.17 Sequence Diagram Play 59

Gambar 3.18 Komponen New Game 60

Gambar 3.19 Sequence Diagram New Game 60

Gambar 3.20 Komponen Level 61

Gambar 3.21 Sequence Diagram Level 62

Gambar 3.22 Komponen About 62

(13)

Gambar 3.28 Message Dialog Kalah 66

Gambar 3.29 Message Dialog Menang 66

Gambar 3.30 Message Dialog Seri 66

Gambar 4.1 Papan Permainan 69

Gambar 4.2 Kondisi Akhir Permainan 70

Gambar 4.3 Message Dialog 71

Gambar 4.4 Menu Aplikasi 72

Gambar 4.5 Tampilan Game Play 73

Gambar 4.6 Diagram Hasil Evalausi Aspek Antarmuka 94 Gambar 4.7 Diagram Penilaian Aspek Antarmuka 95 Gambar 4.8 Diagram Hasil Evaluasi Aspek Penggunaan 96 Gambar 4.9 Diagram Penilaian Aspek Penggunaan Aplikasi 97 Gambar 4.10 Diagram Hasil Evaluasi Penilaian Aplikasi 98

Gambar 4.11 Diagram Penilai Aplikasi 99

(14)

ABSTRAK

Five In Row. Five In Row merupakan game logika yang membutuhkan strategi untuk

(15)

ANALYSIS AND IMPLEMENTATION OF MINIMAX ALGORITHM WITH ALPHA BETA PRUNING OPTIMIZATION

IN FIVE IN ROW GAME

ABSTRACT

(16)

BAB I

PENDAHULUAN

1.1 Latar Belakang

Kecerdasan buatan (Artificial Intelligence) menyebabkan lahirnya berbagai teknologi yang dapat dikatakan bersifat cerdas, misalnya permainan (game), sistem pakar (expert system), jaringan saraf tiruan (artificial neural network) dan robotika.

Kecerdasan buatan ini dapat dimanfaatkan diberbagai bidang kebutuhan manusia, misalnya hiburan. Dengan adanya hiburan, maka kejenuhan yang timbul akibat kesibukan dan rutinitas yang tinggi dapat dihilangkan. Salah satu jenis hiburan adalah

game. Keberadaan industri game yang terus berkembang pesat serta semakin

maraknya peredaran perangkat keras game seperti Play Station, XBOX dan sebagainya dapat dijadikan bukti bahwa masyarakat memang tertarik dan menaruh minat pada bidang kecerdasan buatan yang satu ini. Bahkan dewasa ini aplikasi permainan merupakan salah satu fitur yang harus terdapat dalam telepon selular.

Dahulu game hanyalah hiburan yang tidak terlalu diperhitungkan manfaatnya bahkan cenderung dikatakan sia-sia. Namun kini keberadaan game dapat pula menjadi salah satu sarana potesial guna meningkatkan kecerdasan serta melatih konsentrasi otak, misalnya Chess, Go, Othello, Checkers, dan Five In Row yang tentunya berbasis kecerdasan buatan, sehingga keterlibatan otak pemain sangat dibutuhkan untuk mengatur strategi mengalahkan komputer.

(17)

berbeda. Jepang misalnya lebih mengenal Five In Row sebagai Gomoku, dan di Indonesia lebih dikenal dengan nama Catur Jawa. Five In Row merupakan sebuah permaianan berjenis board-game berukuran minimal 8 x 8 kotak yang dimainkan oleh 2 (dua) pemain. Setiap pemain harus mengisi kotak papan permainan dengan bidak masing-masing ( hitam atau putih) sehingga membentuk sebuah garis baik vertikal, horizontal ataupun diagonal dengan jumlah lima kepingan. Sedangkan pemain lawan berusaha menghalangi kemenangan pemain lain sekaligus berusaha memenangkan permainan.

Pada umumnya game komputer berjenis board-game termasuk catur, Checkers, dan Five In Row merupakan game dua pemain (two-player) dengan

perfect-information. Dimana terdapat dua pemain yang berlawanan dan bergiliran,

masing-masing memandang kegagalan lawan sebagai kesuksesannya (Pearl, 1984). Yang dimaksud perfect information adalah setiap pemain mengetahui persis bagaimana posisi lawan dan pilihan langkah yang tersedia, berbeda dengan permainan kartu dimana pemain tidak mengetahui bagaimana posisi kemenangan lawan.

Salah satu algoritma yang digunakan untuk game Five In Row adalah Minimax. Minimax merupakan algoritma yang digunakan untuk menentukan pilihan langkah selanjutnya agar memperkecil kemungkinan kehilangan nilai maksimal. Algoritma ini mendeskripsikan kondisi apabila terdapat pemain yang mengalami keuntungan, pemain lain akan mengalami kerugian senilai dengan keuntungan yang diperoleh lawan dan sebaliknya. Algoritma Minimax adalah algoritma berupa pohon pencarian yang akan menelusuri setiap node untuk memperoleh hasil yang maksimum, namun jika kedalaman dan percabangan pohon terlalu besar maka algoritma Minimax akan memerlukan waktu yang sangat lama untuk mengambil keputusan. Untuk mempersingkat waktu pencarian sekaligus sebagai optimasi, maka digunakanlah algoritma Alpha Beta Pruning. Alpha Beta Pruning merupakan algoritma yang akan mengurangi ruang pencarian Minimax.

(18)

1.2 Rumusan Masalah

Penelitian ini memiliki beberapa perumusan masalah, yaitu:

a. Bagaimana membangun sebuah aplikasi permainan berbasis kecerdasan buatan yang mampu mengalahkan user.

b. Bagaimana mengoptimasikan algoritma Minimax dengan Alpha Beta Pruning yang mampu mengambil keputusan terbaik disetiap langkah.

c. Bagaimana mengolah aplikasi agar mampu bermain secara optimal dalam waktu yang relatif singkat.

1.3 Batasan Masalah

Penelitian ini dibatasi pada:

a. Ukuran papan Five In Row adalah 10 x 10. b. Pemain pertama adalah user.

c. Level permainan sampai dengan 6 tingkat.

d. Aplikasi ini dibangun dengan menggunakan bahasa pemrograman Java.

1.4 Tujuan Penelitian

Penelitian ini dilakukan dengan beberapa tujuan:

a. Menganalisis dan mengimplementasikan algoritma Minimax dengan optimasi

Alpha Beta Pruning pada permainan Five In Row sehingga dapat mengambil

keputusan yang cepat dan tepat.

b. Membangun aplikasi game Five In Row berbasis kecerdasan buatan.

1.5 Manfaat Penelitian

(19)

c. Sebagai literatur dan landasan untuk penelitian di masa yang akan datang.

1.6 Metodologi Penelitian

Langkah-langkah dalam pengerjaan Tugas Akhir ini antara lain :

1. Studi Literatur

Penulisan ini dimulai dengan studi kepustakaan yaitu mengumpulkan bahan-bahan referensi baik dari buku, artikel, jurnal, makalah, maupun situs internet mengenai algoritma Minimax dan Alpha Beta Pruning serta beberapa referensi lainnya untuk menunjang pencapaian tujuan tugas akhir.

2. Analisis Sistem dan Program.

Pada tahap ini akan dilakukan analisis terhadap pemberian bobot nilai game tree Minimax dan Alpha Beta Pruning pada pohon permainan Five In Row.

3. Perancangan Sistem.

Perancangan ini ditujukan untuk membuat desain aplikasi yang bersifat user

friendly dan mudah digunakan.

4. Pengkodean.

Pada tahap ini sistem yang telah dirancang kemudian diimplementasikan ke dalam bahasa pemrograman Java.

5. Pengujian.

Pada tahap ini dilakukan pengujian program dan mencari kesalahan pada program hingga program itu dapat berjalan seperti yang diharapkan. Selain itu juga akan dilakukan pengujian aplikasi kepada user yang akan bertindak sebagai responden.

6. Penyusunan laporan dan kesimpulan akhir.

Menyusun laporan hasil analisis dan implementasi ke dalam format penulisan tugas akhir dengan disertai kesimpulan akhir.

(20)

1.7 Sistematika Penulisan

Sistematika penulisan tugas akhir ini dibagi menjadi lima bab, yaitu sebagai berikut :

BAB 1 PENDAHULUAN

Berisi penjelasan mengenai latar belakang, rumusan masalah, batasan masalah, tujuan penulisan, manfaat penulisan, dan metodologi penelitian.

BAB 2 LANDASAN TEORI

Berisi pembahasan teori-teori yang mendukung pembahasan bab selanjutnya yang diperoleh dari referensi.

BAB 3 ANALISIS DAN PERANCANGAN APLIKASI

Berisi analisis algoritma dan penerapannya pada permainan Five

In Row serta perancangan aplikasinya yang dimodelkan dengan

UML (Unified Modelling Language).

BAB 4 IMPLEMENTASI DAN PENGUJIAN

Bab ini berisi tentang implementasi aplikasi serta pengujiannya, baik pengujian secara manual maupun pengujian terhadap responden.

BAB 5 PENUTUP

Berisi rangkuman kesimpulan dan saran yang diperoleh selama pengerjaan tugas akhir.

(21)

BAB 2

LANDASAN TEORI

2.1 Kecerdasan Buatan

Artificial Intelligence atau kecerdasan buatan merupakan cabang dari ilmu komputer

yang konsern dengan pengautomatisasi tingkah laku cerdas (Desiani dan Arhami, 2006).

Pengertian lain menyebutkan bahwa kecerdasan buatan adalah salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia (Kusumadewi, 2003).

Sedangkan Kristanto menyatakan bahwa kecerdasan buatan adalah bagian dari ilmu pengetahuan komputer yang khusus ditujukan dalam perancangan otomatisasi tingkah laku cerdas dalam sistem kecerdasan komputer. Sistem memperlihatkan sifat-sifat khas yang dihubungkan dengan kecerdasan dalam kelakuan yang sepenuhnya bisa menirukan beberapa fungsi otak manusia, seperti pengertian bahasa, pengetahuan, pemikiran, pemecahan masalah dan sebagainya (Kristanto, 2004).

Dari beberapa pengertian di atas, dapat ditarik kesimpulan bahwa kecerdasan buatan merupakan bagian dari ilmu komputer yang menitikberatkan pada perancangan otomatisasi tingkah laku cerdas. Namun, defenisi yang telah disebutkan di atas belum cukup memadai sebab istilah ‘cerdas’ itu sendiri belum dipahami sepenuhnya.

Kecerdasan alami dalam hal ini kecerdasan manusia berbeda dengan kecerdasan buatan. Berikut beberapa kelebihan kecerdasan buatan dan kecerdasan

(22)

1. Kecerdasan buatan lebih tahan lama dan konsisten, bahkan dapat dikatakan permanen sejauh program dan sistemnya tidak diubah.

2. Kecerdasan buatan lebih mudah diduplikasi dan disebarluaskan, berbeda dengan kecerdasan alami yang membutuhkan proses belajar mengajar untuk mentransfer kecerdasan.

3. Kecerdasan buatan dapat didokumentasi.

4. Kecerdasan buatan cenderung dapat mengerjakan perkerjaan lebih baik dan lebih cepat dibanding dengan kecerdasan alami.

Kelebihan kecerdasan alami antara lain.

1. Kecerdasan alami bersifat kreatif. Kecerdasan alami dapat berkembang dengan mudah dan dapat menciptakan kreasi baru.

2. Kecerdasan alami memungkinkan manusia untuk menggunakan pengalaman secara langsung. Sedangkan pada kecerdasan buatan harus bekerja dengan input-output simbolik.

3. Manusia dapat memanfaatkan kecerdasannya secara luas, tanpa batas. Sedangkan kecerdasan buatan memiliki batasan.

2.2 Five In Row

Five In Row merupakan permainan logika berjenis board-game yang dimainkan oleh

dua pemain dimana setiap pemain berusaha menyusun lima buah bidak sewarna dalam satu baris baik horizontal, vertikal maupun diagonal. Ukuran papan permainan Five In

Row bervariasi, mulai dari 7 x 7 kotak, 8 x 8 kotak hingga 19 x 19 kotak. Penulis

membatasi aplikasi Five In Row ini hanya pada papan berukuran 10 x 10 kotak.

Board-game adalah permainan dengan kepingan-kepingan yang ditempatkan

(23)

Sakata dan Ikawa dalam Allis (1992) menuliskan sejak beberapa dekade lalu pemain Five In Row profesional asal Jepang menyatakan bahwa pemain yang pertama kali mendapatkan giliran akan memenangkan permainan. Oleh sebab itu, penulis menentukan pemain yang mendapat giliran pertama adalah user sehingga mereka dapat menyusun strategi agar menang melawan komputer.

Gambar 2.1 Papan Permainan

2.2.1 Aturan Permainan Five In Row

Berikut ini adalah beberapa ketentuan dan peraturan dalam permainan Five In Row. a. Papan permainan dalam keadaan kosong.

b. Papan permainan Five In Row berukuran 10 x 10 kotak.

c. Dua pemain, hitam dan putih melangkah bergiliran meletakkan keping masing-masing di kotak yang kosong pada papan.

d. Pemain hitam adalah pemain pertama, dalam hal ini user.

e. Keping-keping yang telah diletakkan pada kotak tidak dapat dipindahkan ataupun ditangkap.

f. Pemain yang pertama kali membentuk lima keping sewarna baik secara vertikal, horizontal maupun diagonal dinyatakan menang.

g. Jika papan permainan telah penuh namun belum ada pemain yang membentuk

(24)

2.2.2 Jenis Five In Row

Sampai saat ini, Five In Row terus dikembangkan sehingga bermunculan berbagai jenis Five In Row. Berikut adalah beberapa jenis permainan Five In Row yang ada saat ini, namun permainannya memiliki beberapa batasan dan peraturan berbeda .

a. Five In Row dengan papan berukuran 19 x 19 kotak. Karena board-game

lainnya yaitu Go memiliki ukuran papan serupa, maka Five In Row pun turut diciptakan sehingga pemain dapat mengembangkan strategi.

b. Profesional Five In Row yang umumnya disebut Renju, merupakan tipe permainan asimetris yang tidak seimbang. Langkah pemain hitam dibatasi tidak boleh membentuk overline (lebih dari 5 keping) ataupun membentuk

doubleline, misalnya tiga-tiga atau empat-empat.

Untuk penelitian ini, hanya dibahas Five In Row standar yang aturan permainannya telah disebutkan di atas.

2.3 Agen Cerdas

Desiani dan Arhami memuat kutipan dari Okamoto dan Takaoka (1997) menyatakan bahwa agen dapat dipandang sebagai sebuah objek yang mempunyai tujuan dan bersifat autonomous (memberdayakan resourcenya sendiri) untuk memecahkan suatu permasalahan melalui interaksi, suatu kolaborasi, kompetisi, negosiasi dan sebagainya.

Sedangkan menurut Russel dan Norvig (2004), agen adalah sesuatu yang seolah-olah merasakan sesuatu dari lingkungannya melalui sensor dan memberikan aksi balasan kepada lingkungannya tersebut melalui effector (actuator). Dan kumpulan dari beberapa agen yang berada pada lingkungan kerja yang sama disebut

(25)

lainnya. Berbeda dengan agen robot yang menggunakan kamera dan sinar infrared dalam jangkauan tertentu sebagai sensor dan berbagai mesin (motor) sebagai effector. Berikut ini adalah ilustrasi diagram agen.

Gambar 2.2 Ilustrasi Diagram Agen (Russel dan Norvig, 2004)

2.3.1 Perilaku Agen

Rational Agent adalah suatu benda yang bisa mengerjakan hal tertentu dengan benar

(Desiani dan Arhami, 2006). Namun, pernyataan di atas harus pula dapat dibuktikan dengan adanya penilaian atau evaluasi.

Untuk menentukan kriteria kesuksesan suatu agen, digunakanlah performance

measure. Namun sebenarnya tidak ada satu ukuran yang dapat dijadikan standar

evaluasi bagi keseluruhan agen. Walaupun demikian, performance measure harus dapat ditentukan dengan sesuatu yang objektif yang ditentukan oleh beberapa otoritas.

Agen tidak bersifat omniscience (serba tahu). Omniscience agen berarti agen tersebut mengetahui hasil yang sebenarnya dari aksi yang dilakukannya dan dapat mempertimbangkannya (Desiani dan Arhami, 2006). Dengan kata lain, agen tidak dapat disalahkan apabila gagal menangkap suatu persepsi atau melakukan suatu aksi.

Agent

?

E

NVI

R

ONM

E

NT

sensor

actuator

percepts

(26)

Dapat disimpulkan bahwa rational agent yang sempurna adalah untuk setiap rangkaian persepsi suatu agen yang sempurna dapat melakukan apapun aksi yang diharapkan akan memaksimalkan performance measure, yang diperoleh dari fakta-fakta di lingkungan oleh persepsi dan sebagainya, yang dibangun sebagai pengetahuan agen (Desiani dan Arhami, 2006).

Suatu perilaku agen dapat dibangun dari dua hal, yaitu knowledge dan

autonomy. Knowledge digunakan untuk mengoperasikan agen di lingkungan tertentu

sedangkan autonomy merupakan perluasan pengetahuan agen berdasarkan pengalaman agen saat berinteraksi dengan lingkungannya (autonomous).

2.3.2 Struktur Agen Cerdas

Kecerdasan buatan berperan penting dalam mendesain program bagi agen. Program ini berfungsi mengimplementasikan pemetaan percepts ke agen. Program yang dibangun harus menyatu dengan computing device yang disebut arsitektur untuk menerima dan menjalankan agen. Arsitektur dapat berupa hardware seperti kamera

image, filtering audio input dan sebagainya.

Hubungan antara agen, arsitektur, dan program dapat disimpulkan sebagai berikut :

Agen = arsitektur + program

Sebelum mendesain agen, harus dideskripsikan terlebih dahulu mengenai tipe agen, percepts dan action, tujuan atau performance measure yang akan dicapai serta lingkungan tempat agen beroperasi.

Ada 4 (empat) tipe dasar pada program agen yang mewujudkan sistem cerdas, yakni:

(27)

2.3.2.1 Agen Refleks Sederhana (Simple Reflex Agent)

Agen refleks sederhana ini merupakan tipe agen yang paling sederhana. Agen ini memilih tindakan (action) atas dasar persepsi (percept) yang diterimanya. Tipe ini dapat pula disebut a condition-action rule, dapat dituliskan sebagai berikut:

if … then …

Gambar 2.3 Skema Agen Refleks Sederhana (Russel dan Norvig, 2004)

2.3.2.2 Agen Refleks Berbasis Model

Agen ini harus menjaga keadaan internal yang bergantung pada persepsi lalu untuk merefleksikan setidaknya beberapa aspek keadaan sekarang yang tidak terobservasi. Pembaharuan (update) informasi dari internal state terus berjalan, dengan demikian dibutuhkan dua jenis pengetahuan yang harus dikodekan ke program. Pertama, informasi mengenai bagaimana lingkungan mempengaruhi kebebasan agen, dan kedua informasi mengenai bagaimana agen melakukan aksinya.

Agent

E

NVI

R

ONM

E

NT

sensor

actuator

percepts

action

What the world is like now?

What action I should do now? Condition-action rules

(28)

Gambar 2.4 Skema Agen Refleks Berbasis Model (Russel dan Norvig, 2004)

2.3.2.3 Agen Berbasis Tujuan (Goal Based Agent)

Program agen dapat dikombinasikan dengan informasi mengenai hasil dari aksi yang mungkin dilakukan. Tipe ini turut mempertimbangkan akibat yang diberikan serta hasil yang dicapai atas aksi yang dilakukan. Pada dasarnya pengetahuan agen akan keadaan lingkungannya tidak selalu cukup untuk memutuskan aksi yang akan dilakukan. Dengan kata lain, selain keadaan sekarang, agen juga memerlukan beberapa informasi tujuan yang menerangkan tentang tujuan kondisi yang dikehendaki. Pencarian dan perencanaan adalah dua hal yang dilakukan untuk mencapai tujuan agen. Meskipun tipe ini terlihat kurang efisien, namun sangat fleksibel. Agen secara otomatis melakukan aksi yang relevan apabila terjadi perubahan kondisi, begitu pula bila tujuannya diperbaharui maka agen akan membangkitkan aksi yang baru pula.

Agent

E

NVI

R

ONM

E

NT

sensor

actuator

percepts

action

What the world is like now?

What action I should do now? Condition-action

state

How the world evolve?

(29)

Gambar 2.5 Skema Diagram Agen Berbasis Tujuan (Russel dan Norvig, 2004)

2.3.2.4 Agen Berbasis Kegunaan (Utility Based Agent)

Tipe ini merupakan pengembangan dari tipe berbasis tujuan. Tujuan dianggap tidak cukup untuk membangkitkan perilaku agen berkualitas tinggi. Utility memiliki fungsi yang dapat memetakan suatu keadaan ke dalam bilangan riil, yang menerangkan derajat pencapaian keberhasilan. Spesifikasi lengkap fungsi utility mengizinkan keputusan rasional dalam dua jenis kasus dimana agen menghadapi masalah, sehingga tujuannya tidak tercapai. Pertama, ketika terjadi konflik tujuan dimana hanya beberapa saja yang terpenuhi, fungsi utility menspesifikasikan tukar tambah yang sesuai. Kedua, ketika terdapat beberapa tujuan yang dapat dilakukan agen, namun tidak dapat ditentukan mana tujuan yang berhasil dicapai, dalam hal ini fungsi utility menyediakan kemungkinan bobot kesuksesan dari masing-masing tujuan.

Agent

E

NVI

R

ONM

E

NT

sensor actuator percepts action

What the world is like now?

What action I should do now?

Goals

state

How the world evolve?

What my action do?

What it will be like if I do action A?

(30)

Agent

E

NVI

R

ONM

E

NT

sensor

actuator

percepts

action

What the world is like now?

How happy I will be in such a state?

Utility

state

How the world evolve?

What my action do?

What it will be like if I do action A?

(31)

Gambar 2.6 Skema Diagram Agen Berbasis Kegunaan (Russel dan Norvig, 2004)

2.3.3 Lingkungan Agen dan Sifatnya

Perbedaan prinsip dari lingkungan agen berdasarkan sifatnya dipaparkan sebagai berikut:

a. Accessible vs Inaccessible

Jika alat sensor agen memberikan akses untuk state-state lengkap dari suatu lingkungan maka lingkungan tersebut accessible terhadap agen. Suatu lingkungan dapat pula menjadi inaccessible akibat adanya gangguan dan ketidakakuratan sensor atau hal lainnya.

b. Deterministic vs Nondeterministic

Apabila keadaan lingkungan selanjutnya dapat ditentukan atau terpengaruh oleh keadaan sekarang dan tindakan yang dipilih agen, maka lingkungan tersebut deterministic, sebaliknya disebut nondeterministic. Jika lingkungan tersebut inaccessible maka kemungkinan lingkungan tersebut juga

(32)

Dalam lingkungan episodic, pengalaman agen dibagi ke dalam beberapa episode. Setiap episode terdiri dari persepsi dan aksi yang dilakukan oleh agen. Kualitas aksi yang diberikan bergantung pada episode itu sendiri karena rangkaian episode selanjutnya tidak bergantung pada episode sebelumnya. Lingkungan episodic lebih sederhanan sebab agen tidak harus berpikir untuk episode selanjutnya.

d. Static vs Dynamic

Apabila lingkungan mampu berubah sementara agen sedang berpikir, maka lingkungan tersebut disebut dynamic, sebaliknya disebut static. Tentunya lingkungan static lebih mudah bagi agen karena tidak perlu menyimpan suatu

state untuk melakukan aksi, serta tidak perlu mencemaskan perubahan waktu.

Apabila lingkungan tidak berubah dalam suatu waktu tapi agen dapat menentukan tingkat keberhasilannya, maka lingkungan tersebut semidynamic.

e. Discrete vs Continous

Apabila tidak terdapat batasan jelas antara persepsi dan aksi yang ada maka lingkungan tersebut adalah descrete. Salah satu contoh lingkungan descrete adalah catur.

f. Single Agent vs Multi-Agent

Perbedaan antara keduanya sangat sederhana. Permainan teka teki silang misalnya memiliki single agent, sedangkan catur memiliki dua agen. Lingkungan dua agen juga terdapat pada permainan Five In Row.

2.4 Algoritma Pencarian

Ruang keadaan dalam Five In Row dapat dipresentasikan dengan pohon pencarian (tree search). Tiap-tiap node pada pohon berhubungan dengan keadaan yang mungkin

(33)

Beberapa cara yang digunakan untuk mengefektifkan proses pencarian adalah (Kusumadewi, 2003):

a. Membentuk suatu prosedur sedemikian hingga hanya gerakan-gerakan yang baik saja yang dibangkitkan.

b. Membentuk suatu prosedur pengujian sedemikian hingga path yang terbaik yang akan di-explore pertama kali.

Pohon (tree) merupakan graph yang masing-masing node-nya (kecuali root) hanya memiliki satu induk (parent), dengan kata lain tidak memiliki cycle. Node yang tidak memiliki child disebut terminal node.

Pearl dalam David (2008) menyebutkan beberapa hal yang biasa dilakukan dalam pohon pencarian adalah sebagai berikut:

a. Melihat ke depan seberapa banyak langkah yang memungkinkan.

b. Menghapus percabangan yang tidak berhubungan pada pohon pencarian ataupun dengan metode-metode tertentu jika ada.

c. Menggunakan informasi penghitungan guna menghitung seberapa besar nilai suatu posisi.

Metode pencarian yang umumnya digunakan pada pohon pencarian adalah

Breadth First Search (BFS) atau Depth First Search (DFS). Karena ruang pencarian

pohon permaianan Five In Row terlalu besar, maka penggunaan metode BFS dirasa tidak tepat, sebab metode ini membutuhkan kapasitas memori yang besar. Berbeda dengan metode DFS yang hanya membutuhkan memori relatif kecil.

2.4.1 Minimax

Minimax merupakan salah satu algoritma yang sering digunakan untuk game kecerdasan buatan seperti catur, yang menggunakan teknik Depth First Search. Algoritma Minimax akan melakukan pengecekan pada seluruh kemungkinan yang

(34)

tersebut. Keuntungan penggunaan algoritma Minimax adalah mampu menganalisis semua kemungkinan posisi permainan untuk menghasilkan keputusan terbaik dengan mencari langkah yang akan membuat lawan mengalami kerugian. Fungsi evaluasi yang digunakan adalah fungsi evaluasi statis dengan asumsi lawan akan melakukan langkah terbaik yang mungkin. Pada Minimax dikenal adanya istilah ply yaitu gerakan pemain max dan lawan min.

Berikut adalah pseudocode Minimax. MinMax (GamePosition game) {

return MaxMove (game); }

MaxMove (GamePosition game) { if (GameEnded(game)) {

return EvalGameState(game); }

else {

best_move < - {};

moves <- GenerateMoves(game); ForEach moves {

move <- MinMove(ApplyMove(game)); if (Value(move) > Value(best_move)) { best_move < - move;

} } return best_move; } }

MinMove (GamePosition game) { best_move <- {};

moves <- GenerateMoves(game); ForEach moves {

move <- MaxMove(ApplyMove(game)); if (Value(move) > Value(best_move)) { best_move < - move;

} }

return best_move; }

Algoritma Minimax memiliki kelemahan yang dirasa cukup menyulitkan. Algoritma ini menelusuri seluruh node yang ada pada pohon pencarian mulai dari kedalaman awal hingga kedalaman akhir, sehingga waktu yang dibutuhkan relatif lama. Jika ada d kedalaman maksimum (depth) dan ada b langkah (branch) yang dapat

(35)

Gambar 2.7 Pohon Minimax

2.4.2 Alpha Beta Pruning

Untuk menyiasati banyaknya node yang ditelusuri oleh Minimax, perlu dibuat sebuah optimasi yang dapat mereduksi kemungkinan yang akan dianalisis. Alpha beta pruning merupakan optimasi dari algoritma Minimax yang akan mengurangi jumlah

node yang dievaluasi oleh pohon pencarian. Algoritma ini akan berhenti mengevaluasi

langkah ketika terdapat minimal satu langkah yang lebih buruk daripada langkah yang dievaluasi sebelumnya. Sehingga langkah berikutnya tidak perlu dievaluasi lebih jauh. Dengan algoritma ini hasil optimasi dari algoritma Minimax tidak akan berubah.

Variabel alpha (α) digunakan sebagai batas bawah node max, sedangkan

variabel beta (β) digunakan sebagai batas atas node min. Pada node min, evaluasi akan

dihentikan apabila telah didapat node anak yang memiliki nilai lebih kecil dibanding

dengan nilai batas bawah (α), sebaliknya pada node max evaluasi akan dihentikan

apabila telah didapat node anak yang memiliki nilai lebih besar dibanding dengan nilai

batas atas (β).

MAX

MIN

MAX

(36)

Pada root pohon pencarian, nilai α ditetapkan sama dengan -∞ sedangkan nilai

β diset sama dengan +∞. Node yang melakukan maksimasi akan memperbaiki nilai α

dari nilai anak-anaknya, sedangkan node yang melakukan minimasi akan

memperbaiki nilai β dari nilai anak-anaknya. Jika α > β, maka evaluasi dihentikan

(Kusumadewi, 2003).

Jika tiap kedalaman (depth) berada dalam best case (langkah terbaik selalu langsung didapat) maka time complexity algoritma adalah O(bd/2) dengan b = faktor percabangan tiap node dan d = kedalaman (depth) maksimum (Russell dan Norvig, 2003). Sedangkan time complexity Minimax yang O(bd), dengan demikian penggunaan Alpha Beta Pruning dapat menghemat banyak waktu.

Berikut adalah pseudocode Alpha Beta Pruning. int AlphaBeta (pos, depth, alpha, beta) {

if (depth == 0) return Evaluate(pos); best = -∞;

succ = Successors(pos);

while (not Empty(succ) && best < beta) {

pos = RemoveOne(succ);

if (best > alpha) alpha = best;

value = -AlphaBeta(pos, depth-1, -beta, -alpha); if (value > best) best = value;

}

return best; }

(37)

Gambar 2.8 Pohon Alpha Beta Pruning

2.4.3 Fungsi Evaluasi

Performa aplikasi permainan bergantung pada kualitas fungsi evaluasinya. Fungsi evaluasi yang tidak akurat akan membuat agen mengambil keputusan yang salah sehingga mengalami kekalahan. Fungsi evaluasi merupakan fungsi yang dikhususkan untuk mengevaluasi nilai atau kelebihan posisi keping pemain pada papan, dimana fungsi ini mengembalikan estimasi nilai yang dikehendaki dari sebuah posisi.

2.5 Reinforcement Learning

Reinforcement learning adalah pembelajaran terhadap apa yang akan dilakukan,

bagaimana memaparkan situasi ke dalam tindakan (Russel dan Norvig, 2004).

Reinforcement learning dapat digunakan untuk memecahkan masalah pengambilan

keputusan pada agen. Dasar dari reinforcement learning ini adalah pemanfaatan pengalaman untuk mempelajari suatu tindakan yang akan dilakukan beserta akibatnya

MAX

MIN

MAX

(38)

fungsi yang dapat memberikan hasil terbaik yang dapat diperoleh agen jika melakukan tindakan tertentu pada masa tertentu. Hasil pembelajaran akan diterjemahkan menjadi

policy agen, yang merupakan pemetaan antara keadaan dan tindakan. Secara lebih

jelas, policy dapat pula dikatakan sebagai aturan untuk memutuskan suatu tindakan yang akan dilakukan pada keadaan tertentu.

Agen mempelajari policy yang paling optimal secara bertahap dengan melakukan berbagai macam tindakan yang mungkin dilakukan pada suatu keadaan tertentu. Policy agen diharapkan semakin meningkat seiring dengan bertambahnya pengalaman agen terhadap kondisi lingkungannya. Agen mencoba memilih tindakan yang paling sesuai dengan kondisi yang dihadapi, sehingga agen mendapatkan nilai optimal ketika mencapai tujuan.

Untuk mencapai tujuan tersebut, agen tentunya harus pula mengoptimalkan penggunaan sensor yang dimilikinya sehingga mampu melihat kondisi lingkungan dan tindakan yang mungkin.

2.6 Java

Java adalah bahasa pemrograman yang berorientasi objek (OOP) dan dapat dijalankan pada berbagai platform sistem operasi. Perkembangan Java tidak hanya terfokus pada satu sistem operasi, namun dikembangkan untuk berbagai sistem operasi dan bersifat

open source. Berikut adalah beberapa karakteristik Java:

1. Sederhana (Simple),

Memiliki sintaks yang hampir sama dengan C++ namun sintaks Java telah banyak mengalami perkembangan terutama menghilangkan penggunaan

(39)

3. Terdistribusi (Distributed)

Java dibuat untuk membangun aplikasi terdistribusi secara mudah dengan adanya libraries networking yang terintegrasi pada Java.

4. Interpreted

Dijalankan dengan interpreter Java Virtual Machine (JVM). Hal ini menyebabkan source code Java dapat dijalankan pada platform berbeda-beda.

5. Robust

Java memiliki reliabilitas yang tinggi. Compiler pada Java memiliki kemampuan mendeteksi error lebih teliti dibandingkan dengan bahasa pemrograman lain.

6. Secure

Java juga digunakan untuk aplikasi internet, sehingga Java memiliki beberapa mekanisme keamanan untuk menjaga aplikasi tidak digunakan untuk merusak sistem komputer yang menjalankan aplikasi tersebut.

7. Architecture Neutral

Program Java merupakan platform independent. Dengan kata lain, program cukup mempunyai satu buah versi yang dapat dijalankan diberbagai platform dengan JVM.

8. Portable

Souce code maupun program Java dapat dengan mudah dipindahkan ke platform lain tanpa harus dikompilasi ulang.

9. Performance

Performance Java memang dirasa kurang tinggi, namun dapat ditingkatkan

dengan menggunakan Java lain seperti buatan Inprise, Microsoft maupun Symantec yang menggunakan Just In Time Compilers (JIT).

(40)

10. Multithread

Java memiliki kemampuan untuk membuat suatu program yang dapat melakukan beberapa pekerjaan sekaligus secara simultan.

11. Dynamic

Java didesain untuk dijalankan pada lingkungan yang dinamis. Perubahan pada suatu class dapat dilakukan tanpa menganggu program yang menggunakan

class tersebut.

2.7 UML (Unified Modelling Language)

UML (Unified Modelling Language) adalah keluarga notasi grafis yang didukung oleh meta-model tunggal, yang membantu pendeskripsian dan desain sistem perangkat lunak, khususnya sistem yang dibangun menggunakan pemrograman berorientasi objek (Fowler, 2005). Notasi merupakan grafik-grafik yang terlihat dalam model, misalnya notasi class diagram, activity diagram dan sebagainya. Sedangkan meta-model adalah metode yang mendefinisikan hubungan antara notasi pada meta-model.

UML bukanlah bahasa pemrograman visual, melainkan bahasa permodelan visual yang berisikan notasi yang digunakan di model dan aturan-aturan yang menuntun bagaimana menggunakannya.

UML lahir dari penggabungan banyak bahasa permodelan grafis berorientasi objek yang berkembang pesat pada akhir 1980-an dan awal tahun 1990-an serta merupakan standar yang relatif terbuka yang dikontrol oleh Object Management

Group (OMG), sebuah konsorsium terbuka yang terdiri dari banyak perusahaan.

UML 2 terdiri dari 13 diagram resmi seperti yang terlihat pada tabel di bawah ini, namun penggunaan keseluruhan diagram tidak mutlak.

(41)

Tabel 2.1 Diagram UML

No. Diagram Kegunaan

1. Activity Behavior prosedural dan paralalel.

2. Class Class, fitur dan hubungan-hubungan.

3. Communication Interaksi antar objek, penekanan pada jalur. 4. Component Struktur dan koneksi komponen.

5. Composite structure Dekomposisi runtime sebuah class. 6. Deployment Pemindahan artifak ke node.

7. Interaction overview Campuran sequence dan activity diagram. 8. Object Contoh konfigurasi dari contoh-contoh. 9. Package Struktur hirarki compile-time.

10. Sequence Interaksi antar objek, penekanan pada sequence. 11. State machine Bagaimana event mengubah objek selama aktif. 12. Timing Interaksi antar objek, penekanan pada timing. 13. Use case Bagaimana pengguna berinteraksi dengan

sebuah sistem.

(Fowler, 2005)

Beberapa diagram dari tabel di atas akan dipaparkan sebagai berikut.

2.7.1 Activity Diagram (Diagram Aktivitas)

Diagram ini digunakan untuk menunjukkan aliran aktivitas di sistem sekaligus sebagai pandangan dinamis terhadap sistem. Diagram ini penting untuk memodelkan fungsi sistem dan menekankan pada aliran kendali di antara objek-objek.

(42)

Gambar 2.9 Contoh Activity Diagram (Fowler, 2005)

Diagram ini dapat dikatakan mirip seperti diagram alir namun diperluas dengan menunjukkan aliran kendali suatu aktivitas ke aktivitas lain serta mendukung behavior paralel. Diagram aktivitas berupa operasi-operasi dan aktivitas-aktivitas use

case.

2.7.2 Class Diagram (Diagram Kelas)

Diagram kelas merupakan diagram yang paling sering digunakan pada permodelan berorientasi objek. Diagram kelas menunjukkan aspek statik sistem terutama untuk

(43)

Gambar 2.10 Contoh Class Digram (Fowler,2005)

2.7.3 Sequence Diagram

Sebuah sequence diagram menjabarkan behavior sebuah skenario tunggal. Skenario adalah rangkaian langkah-langkah yang menjabarkan sebuah interaksi antara seorang pengguna dengan sebuah sistem. Diagram tersebut menunjukkan sejumlah objek contoh dan pesan-pesan yang melewati objek-objek ini di dalam use case.

(44)

Gambar 2.11 Contoh Sequence Diagram (Fowler, 2005)

2.7.4 Use Case

Use case adalah teknik untuk merekam persyaratan fungsional sebuah sistem (Fowler,

2005). Use case mendeskripsikan tipe interaksi antara pengguna dengan sistem dengan menyajikan narasi bagaimana sistem tersebut digunakan.

(45)

BAB 3

ANALISIS DAN PERANCANGAN APLIKASI

3.1 Analisis Kebutuhan Aplikasi

Analisis sistem adalah proses menentukan kebutuhan sistem, apa yang harus dilakukan sistem untuk memenuhi kebutuhan klien (user) (Sutopo, 2001). Tahapan analisis kebutuhan merupakan tahap awal untuk membangun sebuah sistem atau aplikasi. Dengan adanya analisis ini diharapkan agar nantinya dihasilkan aplikasi yang baik dan sesuai dengan kebutuhan.

3.1.1 Representasi Lingkungan

Lingkungan merupakan tempat agen melakukan interaksi. Lingkungan permainan

Five in Row berupa papan (board) yang direpresentasikan sebagai berikut.

1 2 3 4 5 6 7 8 9 10

(46)

3.1.1 Representasi Material

Material permainan Five in Row yang berupa kepingan (piece) direpresentasikan sebagai berikut: No piece = 0, User piece = 1, dan Computer piece = 2. Kepingan pemain (user piece) akan berwarna hitam, sedangkan kepingan komputer (computer

piece) akan berwarna putih.

0 0 0 0 0 0 0

0 0 0

0 0 0 0 0 0 0 0 0

0 0 0 2 0 0 0 0 0

0 0 1 1 2 1 1 0 0

0 0 0 1 1 2 0 0 0

0 2 0 1 2 0 2 0 0

0 0 2 1 1 0 0 2 0

0 0 0 2 0 0 0 0 0

0 0 0 0 0 0 0 0 0

Gambar 3.2 Representasi Material

3.1.2 Flowchart Aplikasi

Flowchart (diagram alir) merupakan diagram yang memperlihatkan aliran kontrol

seluruh sistem termasuk program, input, output, dan database (Whitten, 1998). Dengan adanya flowchart, maka runtutan proses berjalannya suatu aplikasi dapat dilihat lebih jelas.

(47)

Start

Interface Aplikasi

Mulai Bermain?

User Piece

Computer Piece

Permainan Berakhir?

New Game?

Stop

Pilih Level?

Exit? About

Tampilan Game Play Five In Row Yes

yes

No yes

yes

no yes

Gambar 3.3 Flowchart Aplikasi Five in Row

Untuk lebih jelasnya, proses aplikasi Five in Row akan dipaparkan sebagai berikut. 1. User menjalankan aplikasi permainan, kemudian komputer akan

membangkitkan interface papan permainan sekaligus level default, yaitu 2. 2. Jika user langsung ingin bermain melawan komputer maka silakan meletakkan

keping (piece) pada kotak yang diinginkan. Setelah itu komputer akan membangkitkan gerakan kemudian menampilkan posisi computer piece yang akan membendung gerakan user.

(48)

Apabila belum permainan akan terus berlanjut. Jika permainan telah berakhir maka user boleh memilih untuk memulai permainan baru ataupun tidak.

4. Level default adalah level 2, namun user boleh memilih level permainan sesuai

keinginan. Level dua dijadikan default sebab level satu dirasa terlalu mudah untuk dikalahkan.

5. Jika user ingin mengetahui informasi mengenai Five in Row, user dapat memilih menu about.

3.1.3 Analisis Algoritma

Seperti yang telah dipaparkan pada bab sebelumnya, algoritma yang digunakan untuk membangun aplikasi ini adalah Minimax dan Alpha Beta Pruning. Algoritma Minimax tidak digunakan secara tunggal sebab algoritma tersebut dirasa kurang efisien. Minimax akan mengevaluasi seluruh node yang ada pada pohon pencarian satu persatu hingga selesai, sedangkan jumlah node yang akan dievaluasi tidaklah sedikit. Berikut adalah tabel jumlah node yang akan dievaluasi menurut tingkat kedalamannya, dimana branching factor b adalah jumlah pergerakan maksimum masing-masing node dan depth d adalah kedalaman pohon pencarian.

Tabel 3.1 Hubungan Kedalaman dan Jumlah Node

Kedalaman Jumlah node O(bd)

1 100

2 10000

3 1000000

4 100000000

5 10000000000

Ukuran papan permainan Five in Row adalah 10 x 10 yang berarti berjumlah 100 kotak. Dengan demikian jumlah pergerakan maksimum yang dimiliki masing-masing node adalah 100, sebab Five in Row tidak memiliki illegal move seperti halnya

(49)

dengan huruf L pada catur. Jumlah pergerakan maksimum ini akan dijadikan percabangan pada pohon pencarian.

Dengan adanya Alpha Beta Pruning diharapkan waktu pencarian akan jauh lebih singkat karena tujuan utama dari algoritma ini adalah mengabaikan subtree atau percabangan yang tidak mempengaruhi hasil akhir. Berikut beberapa ketentuan dalam algoritma Alpha Beta Pruning.

1. Alpha (α) merupakan nilai batas bawah maksimum atau nilai terbaik

sementara pada max. Alpha digunakan pada node min dan diset pada node max.

2. Beta (β) merupakan nilai batas atas minimum atau nilai terbaik sementara pada

min. Beta digunakan pada node max dan diset pada node min.

3. Max bertujuan untuk memaksimalkan nilai dengan cara memilih node anak dengan nilai paling besar. Nilai awal max adalah –∞ dan akan bertambah seiring dengan pencarian.

4. Min bertujuan untuk meminimalkan nilai dengan cara memilih node anak dengan nilai paling kecil. Nilai awal min adalah +∞ dan akan berkurang seiring dengan berjalannya pencarian.

5. Max adalah agen yang mewakili komputer, sedangkan min adalah agen yang mewakili gerakan lawan dalam hal ini user.

Berikut adalah pseudocode algoritma Minimax dengan optimasi Alpha Beta Pruning.

int alphaBetaMax( int alpha, int beta, int depthleft ) { if ( depthleft == 0 ) return evaluate();

for ( all moves) {

score = alphaBetaMin( alpha, beta, depthleft - 1 ); if( score >= beta )

return beta; // beta-cutoff if( score > alpha )

alpha = score; // Alpha bertindak sebagai max }

return alpha; }

int alphaBetaMin( int alpha, int beta, int depthleft ) { if ( depthleft == 0 ) return -evaluate();

for ( all moves) {

(50)

return alpha; // alpha-cutoff if( score < beta )

beta = score;// beta bertindak sebagai Min }

return beta; }

Berikut adalah flowchart algoritma Minimax dengan optimasi Alpha Beta Pruning.

Start

Terminal State?

Successor

Node = MaxNode

α ß Max

α ≥ β

β ß Min

β ≤ α

Hitung Value

Stop Tidak

Tidak

Gambar 3.4 Flowchart Algoritma Minimax dengan Optimasi Alpha Beta Pruning

Flowchart di atas memperlihatkan bagaimana algoritma Minimax dan Alpha

(51)

mengevaluasi nilai yang diperoleh dan menghentikan pencarian. Sebaliknya jika tidak maka successor akan dibangkitkan untuk mengevaluasi node anak yang ada pada kedalaman selanjutnya.

Jika yang dievaluasi adalah node max maka nilai node tersebut akan diperiksa.

Jika nilainya maksimal maka akan ditetapkan menjadi α. Apabila nilai α lebih besar

atau sama dengan β, maka evaluasi dihentikan. Dengan demikian node di bawahnya

tidak perlu dievaluasi.

Sebaliknya jika yang dievaluasi adalah node min maka akan terus diperiksa

selama nilai β tidak lebih kecil atau sama dengan α. Apabila nilai β ditemukan bernilai lebih kecil atau sama dengan nilai α maka evaluasi dihentikan.

Berikut ini akan dipaparkan tahapan optimasi Alpha Beta Pruning secara singkat.

1. Dapatkan nilai Alpha dan Beta. Alpha adalah nilai maksimum yang ditemukan. Beta adalah nilai minimum yang ditemukan.

2. Pada node max, sebelum mengevaluasi node anak, bandingkan terlebih dahulu nilai yang didapatkan dengan nilai Beta. Jika nilainya lebih besar, batalkan pencarian untuk node tersebut.

3. Pada node min, sebelum mengevaluasi node anak bandingkan terlebih dahulu nilai yang didapatkan dengan nilai Alpha. Jika nilainya lebih kecil, batalkan pencarian untuk node tersebut.

Algoritma Minimax ini bersifat depth first search, yang berarti proses pengecekan akan dilakukan hingga ke kedalaman tertentu sesuai level permainan kemudian beralih ke tingkat atas. Untuk lebih jelasnya proses depth first search akan digambarkan sebagai berikut.

(52)

-10 -3 0 1 10 5 -3

3 1 0

B C

E F G H I J

K L M N S T O P Q R

19 21 20 24 25 32 31 28

29 34 35

1 2 7 3 14 4 5 6 8 13 12 11 9 10 15 16 17 18 23 22 38 26 37 27 30 33 36

Gambar 3.5 Proses Pencarian Depth First Search

Awal pencarian akan dimulai dari node root yaitu node A, dimana node ini memiliki tiga anak yaitu node B, node C dan node D. Yang pertama diperiksa adalah

node B beserta turunannya yaitu node E dan node F, namun node E yang memiliki

anak node K dan L harus dievaluasi terlebih dahulu kemudian nilai dikembalikan ke

node E, lalu node E mengembalikan nilai pada node induknya yaitu node B. Karena node B masih memiliki node anak yang belum diperiksa maka proses evaluasi terus

berlangsung terhadap node F beserta turunannya. Setelah seluruh cabang pada node B selesai diperiksa maka nilai akan dikembalikan kepada node A. Demikian seterusnya hingga proses pencarian seluruh pohon selesai dijalankan. Proses evaluasi pohon pencarian sesuai dengan arah dan nomor pada anak panah.

(53)

Gambar 3.6 Diagram Pohon Pencarian

Diagram di atas memperlihatkan bahwa pada baris max nilai alpha (α) selulu

-∞, sedangkan pada baris min nilai beta (β) selalu +∞. Sebenarnya nilai α dan β yang

terdapat pada diagram di atas bukanlah nilai alpha dan beta selama proses berlangsung. Nilai di atas hanya memperlihatkan bahwa pada node max fungsi evaluasi hanya boleh mengubah nilai alpha dan sebaliknya pada node min fungsi evaluasi hanya boleh mengubah nilai beta.

Untuk lebih jelasnya mengenai proses evaluasi pada pohon tersebut, akan dipaparkan lebih lanjut dalam bentuk tabel berikut ini.

(54)

Tabel 3.2 Proses Pencarian Alpha Beta Pruning

No Node

Yang dievaluasi

Node yang dipanggil

Nilai α Nilai β Nilai

Node

Fungsi Keterangan

1. A B -∞ +∞ - Node A (B, -∞, +∞) Pada awal permainan nilai α = -∞ sedangkan

nilai β = +∞.

2. B E -∞ +∞ - Node B (E, -∞, +∞)

3. E K -∞ +∞ 3 Node E (K, -∞, +∞) Nilai 3 ditetapkan menjadi nilai α

4. E L 3 +∞ 3 Node E (L, 3, +∞) Nilai node L < node K, dengan demikian node E (max) tetap akan memiliki nilai 3.

5. E Selesai α = 3 β = +∞ E = 3 Node E telah selesai dievaluasi, dengan

demikian proses akan beralih ke tingkat atas yaitu node B.

6. B F -∞ 3 3 Node B (F, -∞, 3) Nilai 3 yang diperoleh dari node E diset menjadi

(55)

No. Node yang di evaluasi

Node yang dipanggil

Nilai α Nilai β Nilai

Node

Fungsi Keterangan

7. F M -∞ 3 5 Node F (M, -∞, 3) Nilai 5 berasal dari node M yang kemudian

ditetapkan menjadi nilai α.

8. F Selesai α = 5 β = 3 F = 5 Node N tidak perlu diperiksa sebab nilai α ≥ β.

(α = 5 sedangkan β = 3).

9. B Selesai -∞ β = 3 B = 3 Nilai 3 diperoleh dari node E yang bernilai lebih kecil dari node F.

10. A C 3 +∞ Node A (C, 3, +∞) Nilai node A sementara adalah 3.

11. C G 3 +∞ G = 1 Node C (G, 3, +∞) Node G bernilai 1.

12. C Selesai α = 3 β = 1 C = 1 Node H tidak perlu diperiksa karena didapati

bahwa node C < node B.

13. A D 3 +∞ A = 3

D = -

Node A (D, 3, +∞) Node A masih bernilai 3 karena node C < node

B, sehingga tidak mempengaruhi nilai awal.

14. D I 3 +∞ D = - Node D (I, 3, +∞)

(56)

No. Node yang di evaluasi

Node yang dipanggil

Nilai α Nilai β Nilai

Node

Fungsi Keterangan

15. I O 3 +∞ I = 1 Node I (O, 3, +∞) Nilai 1 diperoleh dari node O, kemudian

ditetapkan menjadi nilai α.

16. I P 3 +∞ I = 1 Node I (P, 3, +∞) Nilai node I tetap 1.

17. I Selesai α = 1 +∞ I = 1

18. D Selesai β = 1 D = 1 Node J tidak perlu diperiksa karena node D < node B

19. A Selesai α = 3 β = +∞ 3 Jadi, fungsi evaluasi mendapatkan nilai 3 untuk

node A.

(57)

3.1.4 Nilai Formasi

Nilai formasi mutlak diperlukan sebagai bobot dari pohon pencarian yang akan dibangkitkan. Nilai formasi merupakan nilai yang diperoleh berdasarkan jumlah keping yang ada dalam satu baris, kolom ataupun diagonal pada papan permainan. Dua atau tiga buah kepingan yang berada pada satu baris ataupun kolom tentunya berbeda nilainya dengan keping tunggal, begitu pula halnya dengan sederetan kepingan yang tidak terbendung lawan tentunya memiliki nilai lebih unggul dibandingkan dengan yang terbendung. Berikut adalah tabel nilai formasi pada permainan Five in Row dengan ‘X’ adalah user piece dan ‘O’ adalah computer

piece.

Tabel 3.3 Nilai Formasi

Nama Formasi Nilai Bentuk Formasi

Comp_capped2 5 _OOX_

User_capped2 5 _XXO_

Comp_uncapped2 10 _OO_

User_uncapped2 10 _XX_

Comp_capped3 20 _OOOX

User_capped3 30 _XXXO

Comp_uncapped3 100 _OOO_

User_uncapped3 120 _XXX_

Comp_capped4 500 _OOOOX

User_capped4 500 _XXXXO

Nilai formasi tersebut diperoleh dengan mempertimbangkan prioritas formasi yang akan dipilih oleh agen, misalnya apabila ditemukan formasi

comp_uncapped3 dan user_uncapped3 tentunya harus diprioritaskan penutupan

pada formasi user_uncapped3 sebab dikhawatirkan user dapat memenangkan permainan terlebih dahulu karena mendapat giliran pertama melangkah.

(58)

3.1.5 Fungsi Evaluasi

Fungsi evaluasi berfungsi sebagai penghitung nilai dari setiap node yang terdapat pada pohon permainan. Nilai yang telah didapat akan dijadikan acuan pergerakan selanjutnya. Formasi yang dibentuk oleh keping permainan akan menghasilkan nilai yang akan dijadikan bobot nilai pohon.

Secara matematik, fungsi evaluasi diekspresikan sebagai berikut:

��(�) = �₁�₁(�) + �₂�₂(�) + … + �_��_�(�) = � �_��_�(�)

� �=1

Dalam catur, w adalah bobot tiap buah catur dan f adalah jumlah buah catur tersebut pada papan catur. Sedangkan dalam Five in Row, w adalah bobot formasi dan f adalah jumlah formasi yang terbentuk.

�� =�_�2.��2 + ��2.��2 + ��3.��3 + ��3.��3+ ��4.��4

Dimana C2 adalah capped2, UC2 adalah uncapped2, C3 adalah capped 3, UC3

adalah uncapped3 dan C4

1 2 3 4 5 6 7 8 9 10

adalah capped4. Berikut adalah contoh perhitungan fungsi evaluasi pada aplikasi ini.

(59)

Yang pertama kali dilakukan adalah pemeriksaan formasi keping putih (computer piece). Pada baris B terdapat 3 keping putih, namun ini tidak bisa dihitung sebagai solusi sebab telah terbendung oleh keping hitam. Begitu pula dengan diagonal yang diisi pada kotak F5, G6, H7 dan I8 yang tidak bisa dianggap solusi.

1. Pada baris F terdapat uncapped2 yaitu F3 dan F5. Nilainya = 5. 2. Pada kolom 3 terdapat capped2 yaitu F3 dan C3. Nilainya = 5. 3. Pada kolom 5 terdapat capped2 yaitu E5 dan F5. Nilainya = 5.

4. Pada kolom 7 terdapat capped4 yaitu F7, D7, C7, B7. Nilainya = 500. 5. Pada diagonal terdapat uncapped2 yaitu G6 dan F7. Nilainya = 5. 6. Diagonal lain terdapat capped2 yaitu E5 dan C3. Nilainya = 5. 7. Keping B6 dan C7 juga membentuk capped2. Nilainya = 5.

Dengan demikian jumlah uncapped2 ada 2 formasi, capped2 ada 4 formasi dan

capped4 1 formasi. Maka jumlah valuenya adalah:

Value Max = 2*5 + 4*5+ 500 = 530.

Sekarang akan dicari value dari keping hitam atau user piece. Seperti langkah di atas, pertama kali harus dilakukan evaluasi posisi.

1. Pada baris D terdapat capped2 yaitu D5 dan D6. Nilainya = 5. 2. Pada kolom 4 terdapat uncapped2 yaitu C4 dan E4. Nilainya = 5. 3. Pada diagonal terdapat capped2 yaitu F6 dan G7. Nilainya = 5.

4. Pada diagonal lain terdapat uncapped2 yaitu C5 dan D6. Nilainya = 5.

Maka jumlah formasi capped2 ada 2, begitu pula dengan formasi uncapped2. Sehingga jumlah valuenya adalah:

(60)

Sehingga value total:

Value Total = 530 – 20 = 490

Yang artinya posisi di atas sangat menguntungkan bagi pemain putih (computer). Jika giliran putih bermain, maka tidak diragukan lagi formasi capped4 akan segera dijadikan formasi kemenangan. Sebaliknya apabila giliran hitam maka user akan segera mengambil tindakan dengan menutup kotak E7 dengan keping hitam sehingga jalan kemenangan putih tertutup.

3.1.6 Proses Evaluasi Formasi

Proses untuk mendapat bobot nilai pada pohon permainan tidaklah singkat. Mulanya komputer akan menelusuri kemungkinan pergerakan langkah yang akan dilakukan dan asumsi pergerakan lawan. Kemudian hasil dari formasi yang terbentuk dari masing-masing kemungkinan akan dihitung sesuai dengan fungsi evaluasi. Berikut akan dibahas sebuah contoh kasus proses evaluasi formasi yang terdapat pada pohon permainan Five in Row.

Gambar 3.8 Contoh Kondisi Permainan

Gambar di atas adalah sebuah keadaan yang terjadi pada pertengahan permainan yang akan dibahas proses evaluasinya. Posisi seperti gambar di atas

(61)

(62)

Gambar di atas memperlihatkan pohon permainan dimana posisi teratas merupakan root atau posisi awal yang akan dievaluasi, sedangkan kedalaman pertama adalah beberapa asumsi gerakan user (min) yang dievaluasi oleh komputer dan kedalam kedua adalah langkah-langkah yang diambil oleh komputer (max).

Gambar bintang berwarna hitam merupakan kemungkinan pergerakan langkah yang dilakukan oleh lawan (user), dan gambar bintang berwarna merah merupakan kemungkinan langkah yang diambil oleh komputer. Tentu saja jumlah

node yang diperiksa sebenarnya lebih banyak, namun pada gambar di atas hanya

ditampilkan beberapa node sebagai contoh.

Berikutnya, masing-masing kondisi pada kedalaman kedua dihitung nilainya (value) berdasarkan fungsi evaluasi yang ada, dengan memperhatikan seluruh formasi yang terbentuk seperti yang terlihat pada tabel 3.3. Pada contoh di atas, kedalaman kedua merupakan terminal state yang ada pada permainan level dua. Apabila user memilih level tiga, berarti terminal state-nya adalah kedalaman ketiga dan seterusnya. Berikut adalah hasil penghitungan value dari masing-masing kondisi.

Tabel. 3.4 Value Tiap Node

No. Node yang Dievaluasi Value

-570

(63)

Tabel. 3.4 Value Tiap Node (Sambungan)

No. Node yang Dievaluasi Value

-95

-165

-145

-170

-190

Apabila dilihat dari hasil perhitungan value di atas, maka peluang komputer menang relatif kecil bila dibandingkan dengan peluang kemenangan

user dengan asumsi user bermain secara maksimal.

Nilai-nilai yang telah didapat di atas kemudian dijadikan sebagai bobot dari masing-masing node pada pohon pencarian tersebut. Dengan adanya bobot dari masing-masing node maka proses penelusuran pohon pencarian mulai

(64)

dilakukan, disinilah letak tugas dari algoritma Minimax dan Alpha Beta Pruning. Minimax dan Alpha Beta Pruning akan menelusuri node-node tersebut hingga diperoleh hasil maksimal yang terdapat pada pohon permainan.

Namun ada kalanya terdapat beberapa kondisi yang perlu dilakukan beberapa pengecualian, misalnya ada kondisi permainan yang memiliki value total yang sama, sehingga agen harus mengambil keputusan yang tepat dengan melakukan memilih prioritas. Berikut adalah beberapa parameter yang perlu diterapkan untuk kondisi khusus.

1. Apabila ada dua value yang sama, dan keduanya merupakan nilai terbaik maka agen akan memilih node yang terlebih dahulu didapatkan atau ditelusuri.

2. Jika agen menemukan formasi empat, misalnya comp_capped4 atau

comp_uncapped4, maka tidak perlu lagi dilakukan penghitungan value.

Agen akan langsung membentuk Five In Row.

3.2 Perancangan Aplikasi

Menurut John Burch dan Gary Grudnitski dalam Yatini (2007) menyebutkan bahwa perancangan dapat didefinisikan sebagai penggambaran, perencanaan dan pembuatan sketsa atau pengaturan dari beberapa elemen yang terpisah ke dalam suatu kesatuan yang utuh dan berfungsi.

Perancangan sistem dapat dibagi menjadi dua tahap yaitu perancangan konseptual dan perancangan fisik yang tujuan utamanya adalah menghasilkan suatu rancangan yang mampu memenuhi kebutuhan pengguna aplikasi.

(65)

3.2.1 Perancangan Konseptual

Tahapan perancangan ini menitikberatkan pada perencanaan konsep, misalnya sistem kontrol, rancangan modul dan aliran data.

Berikut adalah diagram UML dari aplikasi Five in Row ini yang dibuat dengan perangkat lunak Bouml.

3.2.1.1 Deskripsi Class Diagram Aplikasi

Sebuah aplikasi tentunya memerlukan gambaran sistem secara menyeluruh agar perancangan fisik aplikasi menjadi lebih mudah. Gambaran umum class diagram aplikasi Five in Row dapat dilihat pada gambar di bawah ini.

Gambar 3.10 Class Diagram

Diagram di atas menunjukkan hubungan (asosiasi) dari masing-masing

class secara keseluruhan. Namun tanggung jawab dan fungsi dari class – class

(66)

Collaboration) Card dari masing-masing class. Berikut ini adalah CRC Card dari

masing-masing class.

Tabel 3.5 CRC Card Class Interface

Class Name : Interface

Responsibilities Collaborations

1. Create tampilan board.

2. Create tampilan menu-menu pada interface.

3. Clear board untuk new game.

1. Memanggil class Board.

2. Memanggil class Constanta untuk mendefinisikan Col dan

Row Board.

Tabel 3.6 CRC Card Class Constanta

Class Name : Constanta

Responsibilities Collaborations

1. Mendefenisikan banyaknya kolom.

2. Mendefenisikan banyaknya baris.

3. Mendefenisikan kondisi kemenangan.

4. Mendefinisikan ComputerPiece,

UserPiece dan NoPiece.

Tabel 3.7 CRC Card Class Check

Class Name : Check

Responsibilities Collaborations

1. Memeriksa akhir permainan.

2. Memeriksa kondisi

kemenangan.

1. Check memanggil class

(67)

Tabel 3.8 CRC Card Class AIPlayer

Class Name : AIPlayer

Responsibilities Collaborations

1. Evaluasi nilai formasi piece.

2. Membangkitkan gerakan selanjutnya.

3. Mengaktifkan ABPruning. 4. Set Level yang telah ditentukan

user.

1. Berasosiasi dengan class Check

Tabel 3.9 CRC Card Class Game

Class Name : Game

Responsibilities Collaboration

1. Menentukan giliran pemain. 2. Membaca gerakan pemain.

1. Menampilkan piece untuk class

Interface.

Tabel 3.10 CRC Card Class User

Class Name : User

Responsibilities Collaborations

1. Mendefinisikan objek piece. 1. Menggunakan ActionListener untuk membaca inputan user.

3.2.1.2 Deskripsi Kebutuhan Fungsional Aplikasi

Use case adalah teknik untuk mendeskripsikan persyaratan fungsional sebuah

sistem. Fungsi use case adalah mendeskripsikan interaksi antara user dan aplikasi secara ekternal, mirip dengan diagram konteks pada DFD sehingga tidak dijumpai adanya hubungan antara use case dengan class-class. Berikut adalah diagram use

(68)

Gambar 3.11 Use case Aplikasi

3.2.1.3 Deskripsi Proses dan Aktivitas Aplikasi

Proses yang akan dideskripsikan adalah proses yang terdapat pada diagram use

case di atas, yaitu Play, New game, Level dan About. Sedangkan aktivitas aplikasi

akan digambarkan dengan activity diagram.

Activity diagram adalah teknik untuk menggambarkan logika prosedural,

proses bisnis dan aplikasi kerja (Fowler, 2005). Activity diagram sebenarnya mirip dengan flowchart namun diperluas dengan menunjukkan aliran kendali dari satu aktivitas ke aktivitas lain dan mendukung behavior paralel.

Berikut ini adalah tabel proses dan diagram aktivitas untuk use case di atas.

(69)

Tabel 3.11 Proses Play

Hal Deskripsi

Usecase Name Play

Brief Description Player menjalankan aplikasi dan

langsung mulai bermain melawan AI.

Precondition Aplikasi aktif.

Flow of Events 1. Player menjalankan aplikasi

Five in Row.

2. Sistem menampilkan

interface aplikasi.

3. Player meletakkan

UserPiece pada board.

4. Aplikasi membaca inputan

Player.

5. Aplikasi mengevaluasi nilai formasi piece dan membangkitkan gerakan komputer.

6. Posisi ComputerPiece ditampilkan pada board.

7. Jika permainan berakhir maka sistem akan menampilkan message dialog menang, kalah atau

seri.

Post Condition Tampilan message dialog.

Alternative Flows and Exception Jika permainan belum berakhir maka proses akan kembali berulang, dan Player diminta melangkah lagi.

(70)

Gambar 3.12 Activity diagram Play

2) New game

Berikut ini adalah tabel proses dan activity diagram New game.

Tabel 3.12 Proses New game

Hal Deskripsi

Usecase Name New game

Brief Description Proses ini berfungsi untuk memulai permainan baru dan menampilkan new

board.

Precondition Permainan sebelumnya telah berakhir

atau Player ingin mengganti level.

Flow of Events 1. Aplikasi menampilkan papan

(71)

3. Aplikasi akan menerima inputan

Player dan menghapus objek

pada papan permainan.

4. Aplikasi menampilkan papan permainan baru.

Post Condition Tampilan new board.

Alternative Flows and Exection Tidak ada.

Gambar 3.13 Activity diagram New game

3) Level

Berikut ini adalah tabel proses dan activity diagram Level.

Tabel 3.13 Proses Play

Hal Deskripsi

Usecase Name Level

Brief Condition Proses ini memungkinkan Player untuk mengubah level permainan.

Precondition Level default = 2.

(72)

permainan.

2. Player memilih menu level dan

mengubah level permainan. 3. Aplikasi menetapkan level

pilihan Player sebagai level baru.

4. Aplikasi menampilkan new

board.

Post Conditions AIPlayer bermain sesuai dengan level. Alternative Flows and Exception Tidak ada.

Gambar 3.14 Activity diagram Level

4) About

Berikut ini adalah tabel proses dan activity diagram About.

Tabel 3.14 Proses About

(73)

menampilkan informasi mengenai aplikasi.

Precondition Tidak ada.

Flow of Events 1. Aplikasi menampilkan interface

papan permainan beserta menubar.

2. Player memilih menu About.

3. Aplikasi akan menampilkan jendela about.

Post Condition Tidak ada.

Alternative Flows and Exception Tidak ada.

Gambar 3.15 Activity diagram About

3.2.1.4 Deskripsi Sequence Diagram Aplikasi

Sequence Diagram digunakan untuk memodelkan barisan kejadian yang terjadi

selama satu eksekusi sistem. Fungsi Sequence Diagram antara lain untuk

(1)

Berdasarkan tabel di atas, diperoleh hasil: a. Level 1 :

1. Menang = (0/25) * 100% = 0%. 2. Kalah = (25/25) * 100% = 100%. 3. Seri = (0/25) * 100% = 0% b. Level 2 :

1. Menang = (18/25) * 100% = 72% 2. Kalah = (5/25) * 100% = 20% 3. Seri = (2/25) * 100% = 8% c. Level 3 :

1. Menang = (22/25) * 100% = 88% 2. Kalah = (2/25) * 100% = 8% 3. Seri = (1/25) * 100% = 4% d. Level 4 :

1. Menang = (12/13) * 100% = 92,3% 2. Kalah = (1/13) * 100% = 7,6% 3. Seri = (0/13) * 100% = 0%

Dari hasil perhitungan di atas diperoleh bahwa pada level dua aplikasi mampu memenangkan pertandingan sebanyak 72%, kalah 20% dan seri 8%. Pada

level tiga mampu memenangkan pertandingan sebanyak 88%, kalah 8% dan seri

4%.

(2)

Gambar 4.21 Diagram Hasil Pengujian Kehandalan Aplikasi

0 10 20 30 40 50 60 70 80 90 100

Level 1 Level 2 Level 3 Level 4

Menang

Kalah

(3)

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan pembahasan dan penelitian yang telah dipaparkan pada bab sebelumnya maka dapat diambil kesimpulan seperti berikut ini.

1. Algoritma Minimax tidak efisien apabila digunakan secara tunggal pada permainan Five In Row ini karena ruang pencarian yang terlalu besar, sehingga perlu dilakukan pemangkasan dengan Alpha Beta Pruning.

2. Aplikasi JFiNRo dapat berjalan baik pada beberapa platform seperti Windows dan Linux dengan sama baiknya.

3. Untuk mendapatkan bobot nilai dari pohon pencarian, maka perlu didefinisikan bobot formasi yang terbentuk oleh keping, baik dari user maupun komputer kemudian dilakukan evaluasi.

4. Semakin tinggi level permainan, maka semakin lama pula waktu yang dibutuhkan komputer untuk mengevaluasi langkah sebab ruang pencarian semakin besar.

5. Agen yang terdapat pada aplikasi JFiNRo telah diuji dan hasilnya sesuai dengan konsep perancangan agen cerdas.

(4)

5.2 Saran

Berikut ini adalah beberapa saran yang perlu dipertimbangkan untuk menjadi landasan penelitian selanjutnya.

1. Aplikasi JFiNRo memiliki kelemahan pada lamanya waktu yang diperlukan untuk eksekusi langkah komputer. Kelemahan ini mulai dapat dirasakan pada

level 4.

2. Sebaiknya perlu dikembangkan aplikasi serupa namun dengan beberapa pilihan lawan, misalnya human player versus human player dan sebagainya.

3. Ukuran papan permainan dapat ditambah, sehingga pemain memiliki kesempatan lebih besar untuk mengembangkan strategi baru.

4. Sebaiknya aspek multimedia perlu ditambahkan, misalnya grafik ataupun suara untuk mendukung tampilan aplikasi.

(5)

DAFTAR PUSTAKA

Allis, L.V dan Van Hendrik, H. J. 1992. Go-Moku and Threat-Space Search. Netherland : University of Limburg.

David. 2008. Anilisis dan Pengembangan Sistem Aplikasi Catur Komputer Berbasis

Kecerdasan Buatan dalam Bahasa Pemrograman Java. Skripsi. Medan :

Departemen Ilmu Komputer FMIPA USU.

Desiani, Anita dan Arhami, Muhammad. 2006. Konsep Kecerdasan Buatan. Yogyakarta : Penerbit Andi.

Fowler, Martin. 2005. UML Distilled Edisi 3 Panduan Singkat Bahasa Pemodelan

Objek Standar. Yogyakarta: Penerbit Andi.

Hariyanto, Bambang. 2004. Rekayasa Sistem Berorientasi Objek. Bandung : Penerbit Informatika.

Indrajani dan Martin. 2007. Pemrograman Berbasis Objek dengan Bahasa Java. Jakarta: Elex Media Komputindo.

Irwanto, Djon. 2006. Perancangan Object Oriented Software dengan UML. Yogyakarta: Penerbit Andi.

Kristanto, Andri. 2004. Kecerdasan Buatan. Yogyakarta : Graha Ilmu.

Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta : Graha Ilmu.

Lubis, Rifki. R. Ashari. 2010. Rancang Bangun Aplikasi Permainan Edukatif

Aritmatika Cepat Pada Mobile Phone Menggunakan J2ME. Skripsi. Medan :

Departemen Ilmu Komputer FMIPA USU.

Pearl, Judea. 1984. Heuristics : Intelligent Search Strategies for Computer Problem

Solving. California : Addison-Wesley Publishing Company.

Prabawa, Aditya Eka W. 2009. Kombinasi Greedy, Minimax dan Alpha Beta Pruning

untuk Permainan Reversi. Bandung : Institut Teknologi Bandung.

Russel, Stuart, dan Norvig, Peter. 2004. Artificial Intelligence A Modern Approach. Second Edition. New Jersey: Prentice Hall.

Setiawan, Sandi. 1993. Artificial Intelligence. Yogyakarta : Andi Offset.

(6)

Sutopo, Ariesto Hadi. 2001. Analisis dan Desain Berorientasi Objek. Yogyakarta : J & J Learning Yogyakarta.

Vaughan, T. 2004. Multimedia: Making It Work. Edisi keenam. Yogyakarta: Penerbit Andi.

Vebrina, Yus Gias. 2008. Penerapan Q Learning pada Aplikasi Board Game. Skripsi. Bandung: Institut Teknologi Bandung.

Whitten, Jeffrey, L. and Bentley, Lonnie, D. 1998. System Analysis and Design

Method. Fourth Edition. New York : Irwin McGraw Hill.

Analisis Dan Implementasi Algoritma Minimax Dengan Optimasi Alpha Beta Pruning .