Perpustakaan Digital ITB

Sebuah penelitian membuktikan bahwa puzzle catur dapat diciptakan dengan algoritma genetik, tetapi masih memiliki kualitas rendah. Untuk meningkatkan kualitas puzzle tersebut, dapat ditambahkan skor realisme pada fungsi objektif. Skor tersebut diberikan oleh suatu model AI yang memprediksi seberapa realistis suatu posisi dalam permainan catur. Model dilatih menggunakan banyak data posisi realistis pada lichess.org. Penelitian lain mengatakan bahwa model AI dengan masukan posisi catur, cocok dikembangkan dengan arsitektur CNN. Berdasarkan hal tersebut, dilakukan penelitian berupa pengembangan model klasifikasi yang memprediksi puzzle catur menjadi realistis atau tidak menggunakan CNN. Tahapan eksperimen dimulai dengan pembuatan data posisi catur tidak realistis yang tidak terdapat pada lichess.org. Data tersebut dibuat menggunakan Counterfactual Data Augmentation (CDA) berbasis aturan. Setelah dataset berhasil diciptakan, dilakukan pengembangan model CNN dan model pembanding. Pada tahap akhir, performa tiap model dievaluasi menggunakan data testing dan data tambahan. Pada penelitian ini, ditemukan 7 buah aturan augmentasi yang dapat menciptakan posisi catur tidak realistis. Aturan tersebut dapat menghasilkan posisi catur yang tidak valid atau tidak umum. Selanjutnya dikembangkan 4 buah model, yaitu CNN baseline, CNN modifikasi, Vision Transformer (ViT), dan Hybrid (CNN + ViT). Keempat model memiliki hasil evaluasi yang tinggi pada data testing dengan akurasi mencapai 99%. Akan tetapi, hasil evaluasi pada data tambahan menurun hingga 81%. Di antara keempat model, arsitektur CNN, terutama versi modifikasi, menunjukkan performa generalisasi paling baik. Hal ini terjadi karena fitur pada papan catur terletak pada peletakan bidak yang lebih cocok ditangkap secara lokal ketimbang global.