06/10/21 2 / 38
MK : INTELLIGENT INFORMATION SYSTEMS
Input,
Masalah,
Pertanyaan, BASIS MOTOR Output
dll PENGETAHUAN INFERENSI Jawaban
Solusi
06/10/21 3 / 38
MK : INTELLIGENT INFORMATION SYSTEMS
06/10/21 4 / 38
Problem-Solving Agent &
Search
06/10/21 5 / 38
Pemecahan Masalah dengan Metoda
Pencarian (Searching)
06/10/21 6 / 38
Problem-Solving Agent (PSA)
sensors
?
environment
agent
actuators
o Formulate Goal
o Formulate Problem
Intial States
Actions
Goal Test
Path Cost
o Find Solution
o Execution
06/10/21 7 / 38
Pokok Bahasan
• Problem-solving agent
• Representasi masalah : state space
• Pencarian solusi : search
• Search strategies
• Uninformed search
• Ringkasan
06/10/21 8 / 38
Problem-Solving Agent
• Goal-based agent → mempertimbangkan
action-action yang akan datang dan hasil
yang ingin dicapai
• Agent problem solving → Menemukan
rangkaian tindakan (sequence action)
untuk mencapai tujuannya
• Algoritma Uninformed → Tidak ada
informasi untuk problem, hanya deskripsi
pada masalah tersebut
06/10/21 9 / 38
Simple Problem-Solving Agent
Function Simple-Problem-Solving-Agent(percept) return an
action
Input : percept //a percept
Static : seq //an action sequence, initially empty
state //some description of the current world state
goal //a goal, initially null
problem //a problem formulation
Action First(seq)
Seq Rest(seq)
Return action
06/10/21 10 / 38
Mekanisme Kerja Problem-
Solving Agent
• Perumusan tujuan (goal formulation): tentukan tujuan yang
ingin dicapai
• Kondisi saat ini
• Performance measure
• Perumusan masalah (problem formulation): tentukan
tindakan (action) dan keadaan (state) yang
dipertimbangkan dalam mencapai tujuan
• Pencarian solusi masalah (searching) : tentukan rangkaian
tindakan yang perlu diambil untuk mencapai tujuan
• Input: problem, output: solusi dalam bentuk rangkaian tindakan
• Pelaksanaan solusi (execution): laksanakan rangkaian
tindakan yang sudah ditentukan di tahap sebelumnya
06/10/21 11 / 38
Well-Define Problem & Solution
• Problem dapat dirumuskan dengan 5
komponen
• Initial state
• Actions : Successor function :
Successor-Fn(x) = <Action,Successor>
• Goal Test
• Path Cost
• Optimal Solution → path cost terkecil
06/10/21 12
12/ 38
/
38
Contoh Kasus : Romania
• Seorang agent sedang berlibur dan
sekarang sedang di kota Arad Romania
• Besok dia harus naik pesawat dari
Bucharest
• Goal dari agent sekarang adalah pergi ke
Bucharest
• Action yang tidak berhubungan dengan
goal akan dibuang -> decision agent
lebih sederhana
06/10/21 13
13/ 38
/
38
Contoh : Turis di Romania
06/10/21 14 / 38
Contoh : Turis di Romania
• Formulate Goal
Berada di Bucharest
• Formulate Problem
– States : Kota-kota
– Actions : Perjalanan antar kota-kota
• Find Solution
– Sederatan kota-kota yang menghasilkan jarak
terpendek : Arad, Sibiu, Fagaras, Bucharest.
• Execution
06/10/21 15 / 38
Contoh Kasus: Romania
• Agent → Mencapai tujuan (ke Bucharest)
dengan naik mobil
• Kemana akan pergi setelah dari Arad ?
• Ada tiga jalan : ke Sibiu, Timisoara, Zerind
• Agent kita ini masih belum tahu jalan disana
(mana yang tercepat) tapi hanya memiliki
peta.
• Dari informasi peta, dilakukan hipotesa
terhadap ketiga jalur tsb untuk sampai ke
Bucharest
06/10/21 16
16/ 38
/
38
Contoh Kasus: Romania
(Agent & Environment)
• Static
• Tidak perlu memperhatikan perubahan yang
terjadi pada environment
• Observable
• Ada peta, initial state diketahui (di Arad)
• Discreet
• Enumeration action
• Deterministic
• Tidak bisa menangani terhadap hal-hal yang
tidak diperkirakan
06/10/21 17 / 38
Contoh Kasus: Romania
(Well-Defined problem agent)
• Initial State → di Arad
• Actions : Successor function →
• {<Go(Sibiu),In(Sibiu)>,
<Go(Timisoara),In(Timisoara)>,
<Go(Zerind),In(Zerind)>}
• Goal Test → In(Bucharest)
• Path Cost → di slide berikutnya
06/10/21 18 / 38
Contoh Kasus: Romania
(Path Cost Solusi Agent)
06/10/21 20 / 38
06/10/21 21 / 38