TUGAS KECERDASAN BUATAN

(Dosen : Dr. Sudarno)

1. Berikut adalah kasus robot vacuum cleaner, yang berfungsi untuk membersihkan
ruangan A dan B.

a. Tuliskan semua action/rule (condition – action – result)

b. Jelaskan perbedaan antara “simple reflex agent” dengan “reflex agent with
state”. Tipe Agent yang mana yang lebih baik untuk robot vacuum cleaner
tersebut?

2. (SEARCHING) Berikut adalah graf pencarian, dengan simpul start = A dan

simpul goal = G atau H. Label pada tanda panah (edge) menyatakan cost antar
simpul.

2 7
Nilai heuristic (f) dan estimasi (h’)
Start sebagai berikut :
A C F
3 4 2 Simpul f h’
1 A 8 7
5
B 6 6
B E 3 H Goal C 5 5
4 D 4 4
4
E 5 2
D G Goal F 2 1
G 0 0
H 0 0

Tentukan jalur yang dilalui menggunakan algoritma :

a. Lowest Cost First Search (fungsi heuristic node = nilai cost pada diagram)
b. Best First Search (fungsi heuristic node = nilai f pada tabel)
c. A* (fungsi heuristic node = nilai cost + h’)
d. Dari hasil ketiga pencarian tersebut, algoritma apakah yang paling
efisien? Berikan penjelasannya.
3. Perhatikan gambar tree berikut.
A
Maks.

B C D
Min.

E F G H I J K

Maks.

L M N O P Q R S T U V W X Y
7 6 8 5 2 3 0 -2 6 2 5 8 9 2

b. Hitunglah score semua node pada tree tersebut dengan prosedur

MINIMAX. Apa langkah terbaik yang dilakukan pemain pertama?
c. Node mana saja yang seharusnya tidak perlu diperiksa menggunakan
prosedur alpha-beta pruning? Jelaskan langkah-langkah prosedur
alpha-beta cutoff untuk mengeliminasi node-node tersebut.

********************
JAWAB

1. A. Percepts:
Lokasi dan status
Mis : [A, Kotor]
Percept sequence:
{[A, Kotor], [A, Bersih], [B, Kotor], [B, Bersih], ……}
{[A, Kotor], {[A, Kotor], {[A, Kotor], {[A, Bersih],……}
Actions :
DoKeKiri, DoKeKanan, Doedot, DoSantai
Goal :
Menjaga Kebersihan
Environment:
Ruang A dan B Beserta isi debunya

B. Perbedaan antara “simple reflex agent” dengan “reflex agent with state”.

Simple reflex agents

Contoh :

Function REFLEX-VACUUM-AGENTS([location, status]) returns an action

if status = Dirty then return Suck
else if location = A then return Right
else if location = B then return Left

function SIMPLE-REFLEX-AGENT(percept) returns an action

static: rules, a set of condition-action rules
state <- INTERPRET-INPUT(percept)
rule <- RULE-MATCH(state, rule)
action <- RULE-ACTION[rule]
return action

Gambar diatas menunjukkan struktur Simple reflex agent, struktur yang paling
sederhana dalam bentuk skema, menunjukkan bagaimana aturan condition action
memungkinkan agen untuk membuat sambungan dari persepsi untuk bertindak. Persegi
 panjang untuk menunjukkan keadaan internal saat proses keputusan agen,dan oval untuk mew
akili latar belakang informasi yang digunakan dalam proses. Secara ringkat dapat disampaikan
sebagai berikut:

 Memiliki rule base dalam bentuk "aksi-kondisi"

 Memiliki komponen untuk mengekstrak Fitur
 Tidak ada akses untuk menyelesaikan keadaan dunia
 Pekerjaan hanya jika keputusan yang tepat dapat dilakukan atas dasar persepsi saat ini

Function REFLEX-AGENT-WITH-STATE(percept) returns an action

static: state, a description of the current world state

rules, a set of condition-action rules
action, the most recent action, initially none
state <- UPDATE-STATE(state, action, percept)
rule <- RULE-MATCH(state, rules)
action <- RULE-ACTION[rule]
return action

Goal-based agents

←
Mengetahui tentang keadaan saat ini saja tidak selalu cukup untuk memutuskan apa
yang harus dilakukan.
← Agen membutuhkan informasi tujuan (goal) yang menggambarkan situasi yang
diinginkan

Kesimpulannya

Type Agent “reflex agent with state” lebih baik dari “simple reflex agent” untuk robot vacuum
cleaner tersebut
2. a. Lowest Cost First search
A
Inisialisasi {[A,0]}
Iterasi 1 :{[A-C,2],[A-B,3]}
Iterasi 2 :{[A-C-E,6],[A-B-D,7],[A-C-F,9]} B C
Iterasi 3 :{[A-C-E-H,9],[A-B-D-G,11],[A-C-F-H,10],

[ A,C,E,H] (9)
D E E F

G F H H

b. Best First Search

A
Fungsi heuristic node = nilai f pada tabel 8
A(8),C(7),B(9)
B,D(13),B,E(14),C,E(11),C,F(14) B C
A,B,D,G(21),A,C,E,H(19),A,C,F,H(17)

D E E F

G F H H

c. A*
Fungsi heuristic node = nilai h pada tabel A
A(7),C(7),B(9) 8
B,D(17),B,E(14),C,E(13),C,F(15)
A,B,D,G(21),A,C,E,H(16),A,C,F,H(16) B C

D E E F

G F H H

d. Dari ketiga perncarian tersebut ternyata algortma Lowest Cost First search lah yang
paling efisien karena tidak membutuhkan niali heuristic dan estimasi
a. Nod pada tree dengan procedure MINIMAX
V= 7 V= 7
β=7 β= 7
α=7 A α=7
Maks.
V=5
V=8 V=2
V=7 β=8
β= β=8
β=7 B α=8 C α=8 D α=
α=7
Min.
V=8 V=2 V=2 V=6 V=9
V=8
β= β=8 β=8 β=6 β=8
V=7 E F α=
G α=
H α=8
I α=
J β=5 K α=
β=7 α=8
α=7
Maks.

L M N O P Q R S T U V W X Y
7 6 8 5 2 3 0 -2 6 2 5 8 9 2

MAX = V >= β
MIN = V <= α

b. Nod yang tidak perlu di periksa dalah F-O,H-S