W2

Kecerdasan Buatan
Artificial Intelligence

Anthon Roberto Tampubolon

Fakultas Teknik Informatika dan Elektro

Institut Teknologi Del
ART-DEL-1617
Pengenalan dan Latar
Belakang AI
3rd Week : Problem Solving Agent

Anthon Roberto Tampubolon

Fakultas Teknik Informatika dan Elektro

Institut Teknologi Del
ART-DEL-1617
 Jenis Intelligent Agent

1. Simple Reflex Agents : Hanya berdasarkan percept terakhir.

2. Model Based Agents : Memiliki representasi internal mengenai keadaan lingkungan.

3. Goal Based Agents : Memiliki informasi tujuan (Goal), memilih tindakan yang mencapai
tujuan.

4. Utility Based Agents : Melakukan penilaian kuantitatif terhadap suatu keadaan lingkungan →
utility function. Berkaitan dengan performance measure.

5. Learning Based Agents : Memiliki Kemampuan belajar dari pengalaman dan meningkatkan kinerja.

ART-DEL-1617
Simple Reflex Agents

ART-DEL-1617
Goal Based Aget

ART-DEL-1617
 Goal Based Agent
Goal-based agent: memiliki tujuan, memungkinkan evaluasi tindakan
dan memilih yang terbaik

Contoh Goal Based Agent adalah Problem Solving Agent

Problem-solving agent menghasilkan solusi dalam bentuk

serangkaian tindakan yang diambil untuk mencapai tujuan.

ART-DEL-1617
 Problem Solving Agent
1. Perumusan Tujuan (Goal Formulation): Tentukan Tujuan!
2. Perumusan Masalah (Problem Formulation): Tentukan tindakan
(action) dan keadaan (state) yang dipertimbangkan untuk mencapai
tujuan.
3. Pencarian Solusi (Searching): Tentukan rangkaian tindakan yang
perlu diambil untuk mencapai tujuan.
4. Eksekusi: Jalankan rangkaian tindakan yang sudah ditentukan di
tahap sebelumnya

ART-DEL-1617
 Problem Solving Agent

Asumsi Problem Solving Agent Environment :

1. Fully Observable
2. Deterministic
3. Sequential
4. Static
5. Discrete

Setelah mencari solusi, agent ini melaksanakan tindakan dengan

“Blind Search” → tidak melihat percept!

ART-DEL-1617
Contoh I Agent di Rumania

ART-DEL-1617
 Agent di Rumania

Suatu “tourist agent” yang sedang berlibur di Rumania, saat

ini berada di Arad. Besok, dia harus terbang dari bandara
Bucharest

Perumusan tujuan: berada di Bucharest

Perumusan masalah:
• Tindakan (action): Pergi (by Car) dari kota ke kota
• Keadaan (state): kota-kota di Rumania

Pencarian solusi: rangkaian kota yang dituju, mis:

Arad, Sibiu, Fagaras, Bucharest

ART-DEL-1617
Perumusan masalah sebagai state space

Initial state: keadaan awal di mana si agent mulai, mis: In(Arad )

Possible actions: tindakan yang dapat dilakukan si agent, mis: Go(Arad, Zerind ).

Sebuah successor function S menentukan untuk suatu state X, himpunan tindakan yang
mungkin diambil beserta state yang dihasilkan.
mis:
X = In(Arad)
S(X) = { < Go(Arad,Zerind ), In(Zerind ) >, ... }

Initial state dan successor function mendefinisikan state space: himpunan semua state
yang dapat dicapai dari initial state.

Dapat direpresentasikan dengan graph. Path dalam state space adalah serangkaian
state (dihubungkan dengan serangkaian action).

ART-DEL-1617
Menelusuri sebuah state space
Goal test: penentuan apakah suatu state adalah tujuan yang ingin
dicapai.
Eksplisit: himpunan goal state, mis: {In(Bucharest) }.
Implisit: deskripsi tujuan, mis: dalam catur → skak mat.

Path cost function: sebuah fungsi yang memberikan nilai numerik terhadap setiap
path. Fungsi ini merefleksikan performance measure si agent.

Asumsi path cost function = ∑ step cost: cost action a dari state x ke y: c(x , a, y ).

Sebuah solusi adalah path dari initial state ke goal state.

Sebuah solusi optimal adalah solusi dengan path cost function minimal

ART-DEL-1617
 Memilih state space

Dunia nyata luar biasa kompleks dan rumit! State space har us mer
upakan abstraksi masalah supaya bisa dipecahkan.

State = himpunan “keadaan nyata”. Mis: In(Arad ) – dengan siapa? kondisi cuaca?
Action = kombinasi berbagai “tindakan nyata”. Mis: Go(Arad , Sibiu ) – jalan tikus, isi
bensin, istirahat, dll.
Solution = representasi berbagai “path nyata” yang mencapai tujuan

Abstraksi ini membuat masalah yang nyata lebih mudah dipecahkan.

ART-DEL-1617
 Contoh II: Vacuum Cleaner

State: lokasi agent, status debu

Possible action: DoKeKiri(L), DoKeKanan(R), DoSedot(S)
Goal test: apakah semua ruangan bebas debu?
Path cost: asumsi step cost sama untuk semua action,
mis: 1. Path cost = jumlah langkah dalam path.

ART-DEL-1617
Vacuum Cleaner Problem

ART-DEL-1617
 Contoh III: 8-Puzzle

State: lokasi 8 buah angka dalam matriks 3x3

Possible action: Kiri, Kanan, Atas, Bawah
Goal test: apakah konfigurasi angka seperti goal state di atas
Path cost: asumsi step cost = 1. Path cost = jumlah langkah dalam path.

ART-DEL-1617
8-Puzzle Problem

ART-DEL-1617
 Contoh IV: 8-Queens
Letakkan 8 bidak menter i ( queen!) sedemikian sehingga tidak
ada yang saling “makan” (menteri bisa makan dalam satu baris,
kolom, diagonal).

ART-DEL-1617
8-Queens Problem

ART-DEL-1617
Pencarian solusi

ART-DEL-1617
 Pencarian solusi
• Mulai dari root node (Arad) sebagai current node

ART-DEL-1617
 Pencarian solusi
• Mulai dari root node (Arad) sebagai current node
• Lakukan node expansion terhadapnya

ART-DEL-1617
 Pencarian solusi
• Mulai dari root node (Arad) sebagai current node
• Lakukan node expansion terhadapnya
• Pilih salah satu node yang di-expand sebagai current node yang baru.
Ulangi langkah sebelumnya.

ART-DEL-1617
Pencarian solusi

ART-DEL-1617
Pencarian solusi

ART-DEL-1617
Algoritma Pencarian Tree

ART-DEL-1617
Node Vs. State

ART-DEL-1617
Strategi Pencarian

ART-DEL-1617
 Strategi Pencarian

Time & space complexity diukur berdasarkan

b - branching factor dari search tree

d - depth (kedalaman) dari solusi optimal
m - kedalaman maksimum dari search tree (bias infinite!)

ART-DEL-1617
Uninformed search strategies

ART-DEL-1617
 Referensi
• Stuart J Russell & Peter Norvig, Artificial Intelligence: A Modern
Approach, 3rd Edition, Prentice-Hall International, Inc, 2010 (Pustaka
Utama)
• Ruli Manurung, IKI 30320: Sistem Cerdas: Silabus Kuliah UI

ART-DEL-1617