Perancangan Sistem Pintu Otomatis Menggunakan Heuristic Search Generate and Test
Keywords:
Artificial Intelligence, Generate and Test, Heuristic Search, Intelligent Agent, Pintu OtomatisAbstract
Perkembangan teknologi Artificial Intelligence mendorong terciptanya sistem otomatisasi yang mampu membantu aktivitas manusia secara lebih efektif dan efisien. Salah satu penerapannya adalah sistem pintu otomatis yang dapat membuka dan menutup pintu secara mandiri berdasarkan kondisi lingkungan. Permasalahan pada sistem konvensional adalah proses pengoperasian pintu masih dilakukan secara manual sehingga kurang praktis dan kurang responsif terhadap keberadaan pengguna. Penelitian ini bertujuan untuk merancang simulasi Intelligent Agent pada sistem pintu otomatis menggunakan metode Generate and Test sebagai bagian dari Heuristic Search. Sistem dirancang menggunakan bahasa pemrograman Python dengan antarmuka grafis berbasis Tkinter. Agent bekerja dengan menerima data jarak dari sensor sebagai perception, kemudian melakukan proses evaluasi jalur untuk menentukan tindakan membuka atau menutup pintu. Hasil penelitian menunjukkan bahwa jalur terbaik yang diperoleh adalah S0 → S1 → S2 → S3 dengan total cost sebesar 3 karena berhasil mencapai goal state. Sistem juga mampu melakukan simulasi penanganan kesalahan seperti sensor error, obstacle, dan kesalahan mekanik. Berdasarkan hasil pengujian, sistem yang dirancang mampu memvisualisasikan proses pencarian solusi dan pengambilan keputusan secara interaktif serta berjalan sesuai dengan konsep Intelligent Agent.
References
A. Maulana, “Pemanfaatan Algoritma Generate and Test Dalam Kasus Travelling Salesman Problem Pencarian Jalur Terpendek,” json, vol. 3, no. 2, p. 128, Dec. 2021, doi: 10.30865/json.v3i2.3617.
S. Welianto, R. G. Santosa, and A. R. Chrismanto, “IMPLEMENTASI ALGORITMA GENERATE AND TEST PADA PENCARIAN RUTE TERPENDEK,” INF, vol. 7, no. 2, Jul. 2012, doi: 10.21460/inf.2011.72.103.
Lymmy Ogbidi and Benneth Oteh, “Advances in Hybrid Machine Learning and Physics-Based Models for Enhanced Reservoir Simulation,” Int. J. Sci. Res. Comput. Sci. Eng. Inf. Technol, vol. 10, no. 6, pp. 2533–2543, Dec. 2024, doi: 10.32628/IJSRCSEIT.
A. Lissovoi, P. Oliveto, and J. A. Warwicker, “How the Duration of the Learning Period Affects the Performance of Random Gradient Selection Hyper-Heuristics,” AAAI, vol. 34, no. 03, pp. 2376–2383, Apr. 2020, doi: 10.1609/aaai.v34i03.5617.


