Minggu, 27 Januari 2019
Rabu, 17 Oktober 2018
Analisis Risiko
Analisis
Risiko adalah suatu metode analisis yang meliputi faktor penilaian,
karakterisasi, komunikasi, manajemen dan kebijakan yang berkaitan dengan risiko
tersebut. Tahapan kegiatan analisis risiko antara lain meliputi: identifikasi,
proyeksi risiko, penilaian risiko, dan manajemen risiko. Penilaian risiko dapat
dilakukan secara kuantitatif atau kualitatif.
Identifikasi
risiko
Identifikasi risiko
adalah proses menetapkan apa, dimana, kapan, mengapa, dan bagaimana sesuatu
dapat terjadi, sehingga dapat berdampak negatif terhadap pencapaian tujuan.
Tujuannya adalah untuk menghasilkan suatu daftar sumber-sumber risiko dan
kejadian-kejadian yang berpotensi membawa dampak terhadap pencapaian tiap
tujuan yang telah diidentifikasi dalam penetapan tujuan. Setelah
mengidentifikasi apa yang dapat terjadi, maka perlu dipertimbangkan penyebab
dan skenarioskenario yang dapat terjadi.
Proyeksi
Risiko
Proyeksi atau estimasi
risiko dilakukan untuk me-rating risiko berdasarkan kecenderungan bahwa risiko
tersebut akan menjadi kenyataan dan segala konsekuensi dari masalah yang
berhubungan dengan risiko tersebut. Proyeksi risiko merupakan komponen utama
dalam tahap penilaian risiko.
Tahap ini meliputi:
penetapan skala yg merefleksikan persepsi kecenderungan suatu risiko (skala
dapat bersifat kualitatif ataupun kuantitatif), menggambarkan konsekuensi dari
risiko, menetapkan dampak dari risiko, dan ketepatan secara menyeluruh dari
proyeksi risiko.
Penilaian
Risiko
¨ Suatu
organisasi mungkin tidak memerlukan analisis dan penetapan tujuan secara
berkala, namun organisasi perlu melakukan penilaian terhadap risiko secara
berkala.
¨ Risiko dapat
mengalami perubahan seiring dengan lingkungan internal maupun eksternal yang
selalu berubah.
¨ Penilaian
risiko dapat dilakukan untuk setiap tingkatan, baik tingkat unit kerja, atau
kegiatan.
¨ Pendekatan yang
sama dapat digunakan pada penilaian risiko di tingkatan yang berbeda tersebut.
Tujuan
Penilaian Risiko
¨
mengidentifikasi risiko-risiko potensial, baik yang berasal dari faktor
internal maupun faktor eksternal;
¨ memeringkat
risiko-risiko berdasarkan kebutuhan untuk segera mendapat penanganan;
¨ meyakinkan
pihak manajemen instansi bahwa terdapat risiko-risiko yang menjadi prioritas
untuk dikelola secara efektif.
Keluaran
yang Diharapkan dari Penilaian Risiko
¨ kriteria dan
skala dampak dan kemungkinan;
¨ kriteria
penerimaan risiko;
¨ daftar risiko
dan peta risiko sesuai tujuan terpilih; dan
¨ daftar risiko
dan peta risiko tervalidasi sesuai tujuan terpilih.
Teknik Penilaian Risiko
Teknik penilaian risiko dapat
dilakukan secara kualitatif atau kuantitatif.
Karakteristik penilaian kualitatif
meliputi tipe efek kesehatan, estimasi frekuensi pemajanan (harian, mingguan,
bulanan), lokasi hazard dalam hubungannya dengan tempat kerja. Sedangkan
karakteristik penilaian kuantitatif meliputi data pengukuran pemajanan,
konsentrasi zat, angka kesakitan/kematian, modeling analisis konsekuensi dari
pemajanan terhadap hazard dan modeling frekuensi pemajanan.
Penilaian Kuantitatif Risiko
Kuantifikasi terhadap suatu risiko
akan sangat tergantung pada kondisi nature hazard, kemudahan utk diukur
(measurable) dan adanya suatu standar yg dipakai. Untuk mengkuantifikasi
risiko, ketiga komponen risiko (frekuensi, probabilitas dan hasil jadi atau
outcome) harus bisa diekspresikan secara matematika (modeling). Modeling
merupakan teknik untuk melihat pola kejadian.
Frekuensi dapat diekspresikan dengan
menggunakan data riwayat pemajanan atau incident record. Probabilitas dapat
dibuat skala dengan rentang nilai ( 0 < P < 1 ). Hasil jadi (outcome)
atau konsekuensi dari hasil pemajanan terhadap suatu hazard dapat diukur
sebagai berikut: jumlah kasus kematian atau cedera, kasus sakit serius dan biaya
kerusakan (lost cost). Kelemahan penilaian risiko kuantitatif, antara lain
sifatnya sangat natur sehingga tidak memperhatikan persepsi dan perlakuan
terhadap hazard.
Hal lain yang dapat dilakukan secara
kuantifikasi, misalnya untuk modeling kebakaran (fire and explosion). Penilaian
kuantitatif risiko ini pada umumnya sangat aplikatif untuk chemical atau
process engineers. Contoh penilaian kuantitatif, misalnya penentuan LD50 dan
LC50. Keduanya adalah modeling utk penilaian lethal dose dan lethal
concentration dengan pengukuran durasi pemajanan, konsentrasi atau dosis hazard
dan hasil jadi (kematian).
Penilaian Kualitatif Risiko
Metode penilaian risiko secara
kualitatif terkesan subjektif dan memberi peluang multiinterpretasi dan debat.
Persepsi risiko bisa bervariasi untuk setiap orang. Ada beberapa metode yang
dapat diterapkan.
Fine’s Risk Score
Fine’s risk score adalah model untuk
melakukan penilaian risiko dengan formula sbb: Risiko adalah hasil pengalian
faktor-faktor yang terdiri dari: konsekuensi x faktor exposure x faktor
probabilitas (R = C x E x P).
Ketiga faktor tersebut
diklasifikasikan dalam beberapa kelas dan diberi rating. Hasil
perhitungan risiko (risk score) dapat dipergunakan untuk memperkirakan
kejadian, mengalokasikan resources dan mengontrol hazard. Maka apabila sudah
dapat men-score risiko, dapat dilakukan kalkulasi biaya untuk intervensi.
|
FACTOR
|
CLASSIFICATION
|
RATING
|
|
1. Consequence
|
Catastrophe, numerous facilities
|
100
|
|
Multiple facilities
|
50
|
|
|
Fatality
|
25
|
|
|
Extremely serious injury
|
15
|
|
|
Disabling injury
|
5
|
|
|
Minor cuts, bruises, bumps
|
1
|
|
|
2. Exposure
|
Hazard event occurs:
|
|
|
Continuously
|
10
|
|
|
Frequently
|
6
|
|
|
Occasionally
|
3
|
|
|
Unusually
|
2
|
|
|
Rarely
|
1
|
|
|
Remotely
|
0,5
|
|
|
3. Probability
|
Complete accident sequence:
|
|
|
Is the most likely and expected
result
|
10
|
|
|
Is quite possible, not unusual
|
6
|
|
|
Would be an unusual sequence
|
3
|
|
|
Remotely possible
|
1
|
|
|
Has never happened after many
years of exposure, but conceivably possible
|
0,5
|
|
|
Practically impossible
|
0,1
|
Beberapa keterbatasan model ini
antara lain:
Data bukan merupakan data konkret,
tetapi berupa data estimasi,
Potensi personal bias dan pengalaman
akan mempengaruhi hasil akhir, dan
Risk score hanya dipergunakan sbg
baseline level dari risiko tidak didifinisikan sbg safe atau unsafe.
Sumber:
http://bawas.mahkamahagung.go.id/portal/rb/spip/sosialiasi/BAHAN_ANALISA_RESIKO_DAN_AKTIVITAS_PENGENDALIAN.pdf
https://fadhilhayat.wordpress.com/2010/08/27/analisis-risiko-2/
Kamis, 05 April 2018
Membuat Efek Photoshop (Efek Double Exposure)
Oke kali ini
membuat topic tutorial, Cara Membuat Efek Double Exposure di Photoshop.
Nah mungkin
dari kalian ada yang belum tau Efek Double Exposure itu? Nah sebetul nya saya
juga kurang tau sih sejarah nya dan history
nya apa. Langsung aja kita mulai tutorial nya, nah sekarang siapkan 1 foto
utama dan 1 gambar untuk menjadi background nya.
Oke lanjut
ke tahap berikut nya!
Pertama jalankan program Adobe Photoshop. Kemudian
masukan foto yang ingin kalian edit.
Berhubung latar belakang foto yang saya ambil berwarna
putih, sangat mudah nantinya kita edit ke langkah berikut nya. Diusahakan
background foto yang kita edit berwarna putih. Lalu kita pilih Quick
Selection tool kemudian pilih Add to selection pada option bar.
Seleksi pada area luar selain object / foto anda.
Jika sudah terseleksi, pilih menu Select pada menubar
kemudian pilih Inverse atau dengan menekan Shift + Ctrl + I.
Jika sudah, centang bagian Smart Radius kemudian sesuaikan radiusnya. Ubah output-nya menjadi New Layer agar hasil dari seleksi tadi bisa langsung pisah dari foto aslinya
Lalu buat layer baru, dan posisikan di bawah layer yang sudah
diseleksi tadi.
Fill dengan warna putih menggunakan Paint Bucket Tool.
Masukkan foto landscape pemandangan ke photoshop. Kemudian Drag kedalam
lembar kerja utama seperti gambar dibawah ini. Atur posisi layernya menjadi
paling atas. Apabila ukuran foto landscape terlalu besar kalian bisa
mengoptimasi ukurannya dengan cara pilih menu Edit > Free Transform atau dengan menekan Ctrl + T. Lalu kecilkan.
Ketika sudah pas, kembalikan tingkat opacity-nya menjadi
semula. Lalu tekan tombol Ctrl, tahan, kemudian arahkan kursor mouse tepat pada icon layer
foto kita, kemudian klik kiri. Layer akan otomatis terseleksi mengikuti bentuk
pada layer foto kita.
Lalu tekan icon Add layer mask yang berada di bawah jendela Layer.
Maka foto landscape akan ter-Clipping Mask mengikuti bentuk foto kita.
Jadikan foto yang utama kita menjadi Black and White.
Lalu tekan Add layer mask. Kemudian pilih Brush tool, ubah foreground menjadi hitam, lalu
atur hardness-nya menjadi 0%. Mulai
mem-brush pada area objek selain
wajah dengan perlahan.
Dan lakukan di layer copy 3 menjadi Black and White. Dan ubah blending mode menjadi screen.
Selesai, jika ingin menambahkan efek tulisan dan
kreasi lain nya bisa di terapkan sendiri yass.
Kamis, 30 November 2017
Perancangan Game AI
Perancangan
Salah satu komponen yang kini
diterapkan pada Game adalah kecerdasan
buatan (Artificial Intelligence
atau AI). Game dengan AI mengacu pada teknik
yang digunakan dalam permainan
komputer dan video untuk menghasilkan ilusi
intelijen dalam perilaku
non-player character (NPC). Penelitian tentang AI
(Artificial Intelligence) pada
NPC (Non-Player Character) dalam Game hingga
saat ini masih terus di
kembangkan. Artificial Intelligence tersebut dikembangkan
untuk merancang perilaku
Non-Player Character
Shooter
Genre FPS atau First Person
Shooter adalah jenis game yang
mengutamakan kecepatan gerakan
kita dalam permainan. Dalam jenis ini akan
lebih banyak baku tembak serta
kita harus bertahan hidup selama mungkin hingga
permainan berakhir. Disebut First
Person Shooter karena pandangan dalam game
jenis ini adalah pandangan orang
pertama (first person) dan disini hanya
menggerakkan/memainkan satu orang
player
Driving
Racing atau Driving Simulation
Game Game dengan genre racing atau driving mensimulasikan pemain dalam
mengendarai suatu kendaraan yang dapat berupa mobil, Motor, dan jenis kendaraan
lainnya. Genre ini dapat dibagi menjadi dua jenis, yaitu arcade style dan
racing simulation. Arcade style lebih menekankan pada aksi balapan antar
kendaraan, sedangkan racing simulation lebih menekankan pada simulasi yang
lebih dalam dan nyata. Contoh racing game dengan arcade style adalah Burnout
dan Mario Kart, sedangkan contoh racing game dengan racing simulation antara lain
Gran Turismo.
Real Time Strategy
Real Time Strategy adalah salah
satu jenis game yang masih mendominasi sampai saat ini di Personal Computer.
Game jenis ini memungkinkan pemain untuk memerintahkan sekelompok dari karakter
kedalam suatu konflik atau memulai untuk
membangun suatu peradaban. Game
jenis ini menuntut pemain untuk megembangkan strategy yang mendalam dalam
rangka memenangkan kompetisi di bidang ekonomi atau militer terhadap komputer
atau pemain lain. Game semacam Age of Empire II,Command and Conquer Tiberian
Sun adalah beberapa game yang mengedepankan strategi dan memperkenalkan sebuah
kompetisi dalam bentuk real time strategy.
Real Time Strategy Games menuntut
pemain untuk berpikir dan merencanakan strategy secara tepat dan cepat untuk
mengarahkan dan mengatur unit mendapatkan kemenangan sesuai dengan rule yang
sudah ditentukan diawal. Real Time disini memiliki arti bahwa ada aliran yang
terus terjadi didalam game, sehingga menuntut pemain untuk berpikir cepat dalam
menanggapi situasi yang timbul. Yang menjadi ciri khas dalam game jenis ini
adalah bagaimana pemain mengumpulkan sumber daya, membangun tentara dan
mengendalikan unit untuk menyerang musuh. Perhatian pemain akan dibagi menjadi
2 yaitu pada aspek ekonomi dan tempur. Game ini termasuk dalam game yang
cenderung berisikan kekerasan. Unit disini memiliki arti sebuah objek dalam
game yang bias dikendalikan baik oleh pemain atau komputer. Beberapa dari unit
ini dibekali senjata, dan beberapa lain memiliki suatu tugas yang seperti
membangun bangunan atau mata-mata. Hal ini memerlukan kecerdasan buatan yang
dalam bahasa Inggris disebut “Artificial Intelligence” atau disingkan AI, yaitu
intelligence adalah kata sifat yang berarti cerdas, sedangkan artificial
artinya buatan. Kecerdasan buatan yang dimaksud disini merujuk pada mesin yang
mampu berpikir, menimbang tindakan yang akan diambil dan mampi mengambil
keputusan seperti yang dilakukan oleh manusia.
Olahraga
Permainan olahraga (Sports
games), yaitu ragam permainan video yang menuntut keterampilan pemain untuk
melakukan pertandingan olahraga secara virtual, seperti pertandingan sepak
bola, basket, dan sebagainya.
Turn Based Strategi Game
Game turn-based strategy (TBS)
adalah permainan strategi (biasanya beberapa jenis wargame, terutama wargame tingkat
strategis) di mana pemain bergiliran saat bermain. Ini dibedakan dari strategi
real time, dimana semua pemain bermain secara bersamaan.
Referensi
https://fti.uajy.ac.id/sentika/publikasi/makalah/2013/2013_32.pdf
http://nabilahaidahnandaganari.blogspot.co.id
elib.unikom.ac.id/download.php?id=203042
Board Game
1.1 Game Theory
Teori permainan adalah disiplin matematika yang berkaitan dengan
studi tentang ideologi yang disarikan. Ini hanya aplikasi yang sangat lemah
untuk game komputer real-time, namun terminologi yang digunakan dalam game
berbasis giliran berasal darinya. Bagian ini akan memperkenalkan teori
permainan yang cukup untuk memungkinkan Anda memahami dan menerapkan AI
berbasis giliran, tanpa terjebak dalam poin matematika yang cerdas.
Types Of Game
Teori permainan mengklasifikasikan permainan sesuai dengan jumlah
pemain, jenis sasaran yang dimiliki pemain tersebut, dan informasi yang
dimiliki setiap pemain tentang permainan tersebut.
1.Number Of Players
Permainan papan yang mengilhami algoritma AI berbasis giliran
hampir semuanya memiliki dua pemain. Sebagian besar algoritma populer dibatasi
oleh dua pemain dalam bentuknya yang paling dasar. Mereka dapat disesuaikan
untuk digunakan dengan jumlah yang lebih besar, namun jarang menemukan
deskripsi tentang algoritma untuk hal lain selain dua pemain.
2.The Goal of the Game
Dalam kebanyakan game strategi, tujuannya adalah untuk menang.
Sebagai pemain, Anda menang jika semua lawan Anda kalah. Ini dikenal sebagai
permainan zero-sum: kemenangan Anda adalah kehilangan lawan. Jika Anda mencetak
1 poin untuk menang, maka akan sama dengan skor-1 karena kalah. Ini tidak akan
terjadi, misalnya, dalam permainan kasino, saat Anda semua bisa keluar lebih
buruk.
Dalam permainan zero-sum tidak masalah jika Anda mencoba untuk
menang atau jika Anda mencoba membuat lawan kalah; thecomeisthesame.Foranon-zero-sumgame,
di mana Anda bisa menemukan semua yang Anda inginkan, Anda ingin melakukan
fokus pada kemenangan Anda, mengumpulkankan semua hasil akhir (kecuali jika
Anda ada orang lain)
Untuk game dengan lebih dari dua pemain, semuanya lebih kompleks.
Bahkan dalam permainan zero-sum, strategi terbaik tidak selalu membuat lawan
masing-masing kalah. Mungkin lebih baik untuk mengeroyok lawan terkuat, memberi
keuntungan pada lawan yang lebih lemah dan berharap bisa menjemput mereka
nanti.
3.Information
Dalam game seperti Chess, Drafts, Go, dan Reversi, kedua pemain
mengetahui segala hal yang perlu diketahui tentang kemungkinan terjadinya hal
tersebut. Mereka mengetahui berapa banyak yang harus dilakukan pada setiap
kesempatan dan kesempatan untuk melakukan langkah selanjutnya. Mereka tahu
semua ini sejak awal permainan. Game semacam ini disebut "informasi yang
sempurna." Meskipun Anda tidak tahu mana yang akan dipilih lawan Anda,
Anda memiliki pengetahuan lengkap tentang setiap gerakan yang mungkin bisa
dilakukan lawan dan efek yang dimilikinya.
4. Applying Algorithms
Algoritma yang paling dikenal dan paling maju untuk game berbasis
giliran dirancang untuk bekerja dengan permainan informasi dua pemain,
zero-sum, sempurna. Jika Anda menulis AI bermain catur, maka ini adalah
implementasi yang Anda butuhkan. Tapi banyak game komputer berbasis turn over
lebih rumit, melibatkan lebih banyak pemain dan informasi yang tidak sempurna.
1.2 Algoritma Minimaxing
Sebuah komputer memainkan permainan berbasis giliran dengan
melihat tindakan yang ada pada gerakan ini dan memilihnya daripadanya. Untuk
memilih salah satu dari mereka, dibutuhkan stok sekarang apa yang bergerak
lebih baik daripada yang lain. Pengetahuan ini diberikan ke komputer oleh
programmer menggunakan heuristik yang disebut fungsi evaluasi statis.
1.3 Transposition Tables anda Memory
Sejauh ini algoritma yang kita lihat mengasumsikan bahwa setiap
gerakan mengarah ke posisi papan yang unik. Seperti yang kita lihat sebelumnya,
posisi dewan yang sama dapat terjadi sebagai hasil kombinasi gerakan yang
berbeda. Dalam banyak game posisi board yang sama bahkan bisa terjadi beberapa
kali dalam game yang sama. Agar pekerjaan ekstra mencari posisi dewan yang sama
beberapa kali, algoritma dapat menggunakan tabel transposisi. Meskipun tabel
transposisi dirancang untuk menghindari duplikasi pekerjaan pada transposisi,
namun tabel tersebut memiliki manfaat tambahan. Beberapa algoritma mengandalkan
tabel transposisi sebagai memori kerja posisi papan yang telah dipertimbangkan.
Teknik seperti tes yang ditingkatkan memori, pendalaman berulang, dan berpikir
pada giliran lawan Anda semua menggunakan tabel transposisi yang sama (dan
semua diperkenalkan di bab ini). Tabel transposisi menyimpan catatan posisi
papan dan hasil pencarian dari posisi itu. Ketika sebuah algoritma diberi
posisi papan, pertama-tama periksa apakah papan itu ada dalam memori dan
gunakan nilai yang tersimpan jika benar. Membandingkan status permainan yang
lengkap adalah prosedur yang mahal, karena keadaan permainan mungkin berisi
puluhan atau ratusan item informasi. Membandingkan ini dengan keadaan tersimpan
dalam ingatan akan memakan waktu lama. Untuk mempercepat pemeriksaan tabel
transposisi, nilai hash digunakan.
1.4 . Memori tambahan pda uji algoritma
Algoritma memory-enhanced test (MT) bergantung pada adanya tabel
transposisi yang efisien untuk bertindak sebagai algoritma'memory. MT hanyalah
sebuah negamax AB nol-lebar, menggunakan tabel transposisi untuk menghindari
duplikat pekerjaan. Keberadaan memori memungkinkan algoritma melompati pohon
pencarian melihat gerakan yang paling menjanjikan terlebih dahulu. Sifat
rekursif dari algoritma negamax berarti bahwa ia tidak dapat melompat; itu
harus menggelembung dan recurse down.
1.5 Pembukaan buku dan set permainan
Dalam banyak permainan, selama bertahun-tahun, pemain ahli telah
membangun sebuah pengalaman tentang pergerakan mana yang lebih baik daripada
yang lain di awal permainan. Tempat ini lebih jelas daripada di buku pembuka
Catur. Pakar ahli mempelajari database besar kombinasi pembuka tetap, belajar
tanggapan terbaik untuk bergerak. Hal ini tidak biasa untuk 20 sampai 30
langkah pertama dari permainan Catur Grandmaster yang akan direncanakan
sebelumnya. Buku pembuka adalah daftar urutan bergerak, bersama dengan beberapa
indikasi seberapa bagus hasil rata-rata akan menggunakan urutan tersebut.
Dengan menggunakan seperangkat aturan ini, komputer tidak perlu mencari
menggunakan minimaxing untuk menentukan langkah terbaik yang akan dimainkan.
Ini hanya bisa memilih langkah selanjutnya dari urutan, selama titik akhir dari
urutan itu bermanfaat baginya.
Membuka database buku dapat diunduh untuk beberapa permainan yang
berbeda, dan untuk game terkemuka seperti database komersial Chess tersedia
untuk lisensi ke dalam game baru. Untuk game berbasis giliran asli, buku
pembuka (jika berguna) perlu dibuat secara manual.
1.6 Optimisasi
Meskipun dasar permainan-bermain algoritma masing-masing relatif
sederhana, mereka memiliki array membingungkan optimasi yang berbeda. Beberapa
pengoptimalan ini, seperti pemangkasan dan tabel transposisiAB, sangat penting
untuk kinerja yang baik. Pengoptimalan lainnya cukup memanfaatkan sebagian
besar kinerja. Bagian ini membahas beberapa pengoptimalan lainnya yang
digunakan untuk turn-basedAI. Tidak ada cukup ruang untuk mencakup detail
pelaksanaan untuk sebagian besar dari mereka. Lampiran memberi petunjuk lebih
jauh
informasi tentang pelaksanaannya Selain itu, optimasi khusus yang
digunakan hanya dalam jumlah yang relatif kecil dari permainan papan tidak
disertakan. Catur, khususnya, memiliki keseluruhan rakit pengoptimalan khusus
yang hanya berguna dalam sejumlah kecil skenario lainnya.
1.7 Turn Base strategy game
Bab ini memusatkan perhatian pada game board AI. Di hadapannya,
game board AI memiliki banyak kemiripan permainan strategi berbasis toturn.
Game strategi komersial jarang menggunakan teknik pencarian pohon di bab ini
sebagai alat utama mereka. Kompleksitas permainan ini berarti algoritma
pencarian macet sebelum mereka dapat membuat keputusan yang masuk akal. Teknik
pencarian yang paling sederhana dirancang untuk permainan informasi dua pemain,
zero-sum, informasi sempurna, dan banyak pengoptimalan terbaik tidak dapat
disesuaikan untuk digunakan dalam permainan strategi umum. Beberapa permainan
strategi berbasis turn-turn sederhana dapat langsung diperoleh dari algoritme
pencarian pohon di bab ini. Konstruksi penelitian dan konstruksi, gerakan
pasukan, dan aksi militer semuanya bisa menjadi bagian dari serangkaian
kemungkinan pergerakan. Posisi dewan tetap statis selama sebuah pergantian.
Antarmuka permainan yang diberikan di atas dapat, secara teori, diterapkan
untuk mencerminkan turn- permainan berbasis Antarmuka yang diterapkan ini
kemudian dapat digunakan dengan algoritma pencarian pohon reguler.
Referensi:
https://kummara.com/media-coverage/kummara-pionir-board-game-indonesia
Download ebook:
http://lecturer.ukdw.ac.id/~mahas/dossier/gameng_AIFG.pdf
http://www.tentik.com/10-board-games-seru-yang-wajib-dimainkan-bareng-sahabat-monopoli-mah-lewat/
Kamis, 23 November 2017
Teknik Pembangunan Game AI
1.1 Movement
Komputer sebagai alat
untuk pemindahan data yaitu untuk pemindahan data yang telah dibuat dan
akan bisa membuka kembali file yang telah kita buat dengan cara mengcopy paste
file yang telah kita buat. Contohnya dari keyboard ke layar monitor. Dalam game, movement adalah
metode yang menekankan konsep gerak tubuh, meliputi konsep kesadaran tubuh,
konsep usaha, konsep ruang, dan konsep keterhubungan.
1.2 Pathfinding
Pencarian jalur
(pathfinding) merupakan bagian dari medel AI. Algoritma pathfinding menggunakan
‘Directed Non-Negative Weighted Graph’. Algoritma seperti Dijkstra dan A*
menggunakan struktur data graf . Graf digunakan untuk menggambarkan jalur
yang dapat diambil pada sebuah geometri ruang.
1.3 Pengambilan Keputusan
pengambilan keputusan adalah suatu proses pemilihan dari berbagai
alternatif baik kualitatif maupun kuantitatif untuk mendapat suatu alternatif
terbaik guna menjawab masalah atau menyelesaikan konflik (pertentangan).
Proses penurunan suatu keputusan mengandung empat unsur, yaitu :
§ Model : Model menunjukkan gambaran suatu
rnasalah secara kuantitatif atau kualitatif.
§ Kriteria: Kriteria yang dirumuskan menunjukkan
tujuan dari keputusan yang diambil. Jika terdapat beberapa kriteria yang saling
bertentangan, maka pengambilan keputusan harus melalui kompromi (misalnya
menambah jasa langganan dan mengurangi persediaan, maka keputusan mana yang
diambil perlu kompromi).
§ Pembatas: Faktor-faktor tambahan yang perlu
diperhatikan dalam memecahkan masalah pengambilan keputusan. Misalnya dana yang
kurang tersedia.
§ Optimalisasi: Apabila masalah keputusan telah
diuraikan dengan sejelas jelasnya, maka manajer menentukan apa yang diperlukan
(kriteria) dan apa yang diperbolehkan (pembatas). Pada keadaan ini pengambil
keputusan siap untuk memilih pemecahan yang terbaik atau yang optimal.
Proses Pengambilan Keputusan
§ Penyelidikan: Mempelajari lingkungan atas
kondisi yang memerlukan keputusan. Data mentah diperoleh, diolah, dan diuji
untuk dijadikan petunjuk yang dapat mengidentifikasi persoalan.
§ Perancangan: Mendaftar, mengembangkan, dan
menganalisis arah tindakan yang mungkin. Hal ini meliputi proses-proses untuk
memahami persoalan, menghasilkan pemecahan, dan menguji kelayakan pemecahan
tersebut.
§ Pemilihan: Memilih arah tindakan tertentu dari
semua yang ada. Pilihan ditentukan dan dilaksanakan.
Jadi, proses keputusan dapat dianggap sebagai sebuah arus dari
penyelidikan sampai perancangan dan kemudian pada pemilihan. Tetapi pada setiap
tahap hasilnya mungkin dikembalikan ke tahap sebelumnya untuk dimulai lagi.
Jadi tahapan tersebut merupakan unsur-unsur sebuah proses yang
berkesinambungan.
Teori Pengambilan Keputusan
Teori pengambilan keputusan menekankan bahwa terdapat tujuh
langkah yang harus ditempuh, yaitu:
1. Identifikasi permasalahan yang dihadapi
Ada ungkapan yang mengatakan bahwa suatu “permasalahan yang sudah
dikenali hakikatnya dengan tepat sesungguhnya sudah separo terpecahkan.”
Ungkapan ini mempunyai tiga implikasi, yaitu:
§ Bahwa mutlak perlu mengenali secara mendasar
situasi problematik yang menimbulkan ketidakseimbangan dalam kehidupan
organisasi atau perusahaan.
§ Pengenalan secara mendasar berarti “akar”
penyebab timbulnya ketidakseimbangan harus digali sedalam-dalamnya.
§ Mengambil keputusan tidak boleh puas hanya
dengan diagnosis gejala-gejala yang segera tampak. Jika hanya gejala yang
diidentifikasikan, sangat mungkin “terapinya” pun hanya mampu menghilangkan
gejala tersebut. Padahal yang harus dihilangkan adalah “sumber penyakitnya”.
2. Pengumpulan data
Berangkat dari pandangan bahwa pengambilan keputusan memerlukan
dukungan informasi yang lengkap, mutakhir, dapat dipercaya, dan diolah dengan
baik. Berarti bahwa dalam pengumpulan data ada tiga hal yang mutlak mendapat
perhatian, yaitu:
§ Pentingnya menggali data dari semua sumber yang
layak digali, baik secara internal maupun secara eksternal. Dari segi inilah
harus dilihat pentingnya akses bagi para pengolah data terhadap semua sumber
data.
§ Pentingnya untuk menjamin bahwa data yang
dikumpulkan relevan dengan permasalahan yang hendak diatasi.
§ Bahwa mutu data yang dikumpulkan haruslah
setinggi mungkin sehingga informasi yang dihasilkan akan bermutu tinggi pula.
3. Analisis data
Analisis data harus mampu menunjukkan berbagai alternatif yang
mungkin ditempuh untuk memecahkan masalah. Oleh karena itu, analisis data
diarahkan pada pembentukan persepsi yang sama diantara berbagai pihak tentang
arti data yang dimiliki, dengan demikian memberikan interpretasi yang sama
tentang data tersebut.
4. Analisis berbagai alternatif
Salah satu tantangan yang dihadapi dalam mengambil keputusan ialah
menemukan jawaban yang paling tepat terhadap pertanyaan: Apakah dalam mengambil
keputusan harus selalu terdapat berbagai alternatif? Pertanyaan ini penting
karena jika seorang pengambil keputusan dihadapkan kepada hanya satu alternatif
dan ia memutuskan untuk menggunakan alternatif tersebut, yang bersangkutan
sudah mengambil keputusan. Bahkan teori pengambilan keputusan mengatakan bahwa
jika seseorang memutuskan untuk tidak mengambil keputusan, tindakannya itu
adalah pengambilan keputusan juga.
5. Pemilihan alternatif
Jika dilakukan dengan cermat, analisis berbagai alternatif akan
“memberi petunjuk” tentang alternatif yang sebaiknya digunakan karena akan
membuahkan solusi yang paling efektif. Alternatif di pilih dengan demikian,
merupakan alternatif yang tampaknya paling baik. Pengalaman mengambil keputusan
di masa lalu dan keyakinan bahwa keputusan yang diambil adalah keputusan yang
terbaik.
6. Implementasi (pelaksanaan)
Apakah alternatif yang dipilih merupakan pilihan yang terbaik atau
tidak diuji pada waktu digunakan dalam arti mampu tidaknya menghilangkan
situasi permasalahan dan apakah permasalahan yang dihadapi tersebut dapat
dipecahkan secara efektif atau tidak.
7. Evaluasi (penilaian)
Hasil pelaksanaan memerlukan penilaian yang objektif, rasional dan
berdasarkan tolok ukur yang baku. Seperti dimaklumi, hasil penilaian dapat
menunjukkan bahwa hasil yang di capai melampaui harapan, sekedar sesuia dengan
sasaran atau kurang dari sasaran. Kesemuanya itu menjadi bahan penting dalam
mengelola organisasi atau perusahaan di masa depan.
1.4 Taktik dan strategi AI
AI dalam game biasanya memiliki kecepatan dalam taktik bermain
sehingga mengharuskan pemain untuk berfikir lebih cepat untuk menyusun strategi
terbaik agar dapat memperoleh skor yang maksimal. Kecerdasan buatan merupakan
kecerdasan yang ditujukan oleh suatu entitas buatan, yang diciptakan dan
diterapkan kedalam sebuah mesin (komputer) sehingga dapat melakukan perbuatan
seperti manusia. Strategi dalma gamepun bervariasi. Salah satunya adalah dalam
game Othello yaitu strategi bermain reversy, sperti jumlah pin, penguasaan
sudut/x-square/c-square, jumlah pin stabil, mobility, jumlah pin tepi, parity,
dan pola sisi/sudut.
1.5 Pembelajaran
Machine learning adalah
teknik AI yang berkaitan dengan pembelajaran data dan menggunakannya untuk
memprediksi informasi yang ada di dunia.
Machine learning dibangun
dengan menggunakan algoritma. Rangkaian instruksi ini akan
menyelesaikan suatu permasalahan. Contoh algoritma yang dimaksud adalah decision tree learning dan association rule learning.
Namun, algoritma machine learning yang
berperan dalam kehidupan di dunia adalah jaringan saraf buatan, suatu teknik
yang terinspirasi oleh cara kerja neuron otak manusia.
Sederhananya begini: suatu jaringan saraf terdiri dari beberapa
lapisan neuron. Input masuk melalui lapisan
pertama. Tiap neuronnya menerima input, sehingga setiap
neuron memiliki muatan, dan menghasilkan output berdasarkan
muatan mereka. Output dari lapisan pertama
kemudian didistribusikan ke lapisan kedua untuk diproses, dan begitu seterusnya
hingga output akhir dapat dihasilkan.
Kemudian hal menarik pun terjadi. Siapapun yang menjalankan
jaringan dapat mendefinisikan seperti apa output akhir yang
“benar” seharusnya. Setiap kali data didistribusikan melalui jaringan tersebut,
hasil akhirnya dibandingkan dengan hasil yang “benar”, dan sejumlah
penyempurnaan akan dilakukan hingga tercipta outputakhir yang benar.
Dengan kata lain, jaringan tersebut mampu melatih dirinya sendiri.
Otak buatan ini dapat mempelajari bagaimana cara mengidentifikasi
banyak hal. Misalnya kursi dalam sebuah foto,. Seiring berjalannya waktu, ia
dapat mempelajari karakteristik kursi tersebut, dan meningkatkan kemampuannya
dalam mengidentifikasi benda tersebut.
Langganan:
Postingan
(
Atom
)
