Penerapan Alpha-Beta Pruning dalam Pengembangan AI Catur: Evaluasi dan Peningkatan Strategi
Abstract
Permainan catur merupakan permainan strategis yang dimainkan oleh dua pemain untuk mematikan pergerakan lawan mereka. Ketika bermain catur, orang belajar berpikir abstrak dan mencoba untuk menyelesaikan masalah, hal ini dapat berpengaruh terhadap pola pikir seseorang dalam kehidupan sehari-hari. Seiring berkembangnya zaman, teknologi digital mengalami bertumbuh pesat dan berdampak pada sistematis permainan catur itu sendiri. Penerapan algoritma alpha-beta pruning dalam pengembangan kecerdasan buatan untuk permainan catur telah menunjukkan peningkatan efisiensi dalam proses pencarian langkah yang optimal. Penelitian ini bertujuan untuk mengevaluasi pengaruh tingkat kedalaman alpha-beta pruning terhadap kesulitan dan waktu komputasi dalam permainan catur. Algoritma ini diimplementasikan menggunakan bahasa pemrograman python di lingkungan pengembangan Visual Studio Code (VS Code) dengan pustaka pygame untuk antarmuka grafis. Algoritma alpha-beta pruning mampu mengoptimalkan pencarian dengan memangkas cabang yang tidak relevan, namun membutuhkan sumber daya komputasi yang lebih besar pada kedalaman yang lebih tinggi.
Kata Kunci: Alpha-beta pruning, kecerdasan buatan, catur, algoritma pencarian, optimasi.
References
Brooks, J. (2022). The Art of Problem Solving And Its Translation Into Practice. Diambil dari https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9442556/
Fédération Internationale des Échecs (FIDE). (2020). Laws of Chess. Diambil dari https://www.fide.com/FIDE/handbook/LawsOfChess.pdf
Felstiner, C. (2019, May 9). Alpha-Beta Pruning. Diambil dari https://www.whitman.edu/documents/Academics/Mathematics/2019/Felstiner-Guichard.pdf
Gobet, F., & Campitelli, G. (2006). Educational Benefits of Chess Instruction: A critical review. Diambil dari https://researchportal.murdoch.edu.au/esploro/fulltext/bookChapter/Educational-benefits-of-chess-instruction-A/991005542720507891?repId=12135852430007891&mId=13136703660007891&institution=61MUN_INST
Indra, E., Christnatalis, Sijabat, N.P., Riady, M.A., & Lumbantombing, J.S.M. (2020). Analisa Efektivitas Algoritma Minimax, Alpha Beta Pruning, dan Negamax dalam Penerapannya pada Permainan Papan (Board Game). Diambil dari http://ejournal.sisfokomtek.org/index.php/jikom/article/view/48/52
Nanu,C.C., Coman, C., Bularca, M.C., Schmitz, L.M., Gotea, M., Atudorei, I., Turcu, I., & Negrila, I. (2023). The Role of Chess In The Development of Children-Parents’ Perspectives. Diambil dari https://www.frontiersin.org/articles/10.3389/fpsyg.2023.1210917/full
Ribeiro, A.C., Rios, L.M., Gomes, R.M., Faria, B.M., & Reis, L.P. (2017). Data mining in adversarial search — Players Movement Prediction In Connect 4 Games. Diambil dari https://www.researchgate.net/profile/Ana-Ribeiro-56/publication/318417488_Data_mining_in_adversarial_search_-_players_movement_prediction_in_connect_4_games/links/5c1bfcf2a6fdccfc705da5fe/Data-mining-in-adversarial-search-players-movement-prediction-in-connect-4-games.pdf
Root, A. W. (2008). Children and Chess: A Guide for Educators. Diambil dari https://books.google.co.id/books?hl=id&lr=&id=CbvOEAAAQBAJ&oi=fnd&pg=PR7&dq=Root,+A.+W.,+%22Children+and+Chess:+A+Guide+for+Educators,%22+2008.&ots=auIgAgfTf4&sig=TT1hpRGshI-qa5KCeYjRCGjNHMU&redir_esc=y#v=onepage&q&f=false
Saffidine, A., Finnson, H., & Buro, M. (2012). Alpha-Beta Pruning for Games with Simultaneous Moves. Diambil dari https://ojs.aaai.org/index.php/AAAI/article/download/8148/8006
Sari, A.P., Prasetya, D.A., Haromainy, M.M.A., Aditiawan, F.P., Sihananto, A.N., & Saputra, W.S.J. (2022). Analisis Faktor Kesuksesan Penggunaan eBelajar Menggunakan Metode Hot-Fit di STIKI Malang. Diambil dari https://prosiding-senada.upnjatim.ac.id/index.php/senada/article/download/54/16
Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., Van Den Driessche, G., ... & Hassabis, D. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), 484-489. https://doi.org/10.1038/nature16961
Silver, D., Schrittwieser, J., Simonyan, K., Antonoglou, I., Huang, A., Guez, A., ... & Hassabis, D. (2017). Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm. arXiv preprint arXiv:1712.01815. Diambil dari https://arxiv.org/abs/1712.01815
Singhal, S.P. & Sridevi, M. (2019). Comparative Study Of Performance Of Parallel Alpha Beta Pruning For Different Architectures. Diambil dari https://arxiv.org/pdf/1908.11660
Utami, W. Y. D. (2013). Meningkatkan Minat Belajar Matematika Melalui Permainan Teka-Teki. Diambil dari https://journal.unj.ac.id/unj/index.php/jiv/article/download/7694/5504
Wicaksono, A.I., Ardianto, D.T., & Erandaru, E. (2019). Perancangan Boardgame Augmented Reality Sebagai Media Pembelajaran Bertema Perang Kerajaan Kediri Melawan Tentara Mongol. diambil dari https://publication.petra.ac.id/index.php/dkv/article/viewFile/8667/7824
