INTELLIGENT INFORMATION SYSTEMS

Total Jumlah Pertemuan: 14x (Sudah Termasuk UAS & UTS)

Topik Pertemuan 4: TREN AI
Dosen: JUANTO SIMANGUNSONG, ST., M.Kom. IPP

Terakreditasi: SK BAN PT No. 413/AK/BAN-PT/Ak-PNB/PT/IX/2019

Kampus Milenial Medan: Jln. Setia Budi No. 20 Simpang Pemda. Tanjung Sari - Medan
Kampus Milenial Serdang Bedagai: Jln. Lintas Tebing Tinggi – Sei Rampah, Depan Bank BRI Kampung Pon – Sei
Bamban
Program Studi: Teknik Informatika S1 – Sistem Informasi S1 – Teknik Industri S1 – Teknik Elektro S1 – Akuntansi D3
Web: http:///milenial.itbi.ac.id
 MK
INTELLIGENT INFORMATION SYSTEMS

By : JUANTO SIMANGUNSONG, ST., Mkom., IPP

06/10/21 2 / 38
 MK : INTELLIGENT INFORMATION SYSTEMS

Input,
Masalah,
Pertanyaan, BASIS MOTOR Output
dll PENGETAHUAN INFERENSI Jawaban
Solusi

Gambar 1.1 Penerapan Kecerdasan Buatan (Puspitaningrum, 2006)

06/10/21 3 / 38
 MK : INTELLIGENT INFORMATION SYSTEMS

4 Type AGEN CERDAS :

❑ Problem-solving/searching
agent
❑ Logical Agent
❑ Probabilistic Agent
❑ Learning Agent (Machine
learning, Deep Learning and
Reinforcement Learning)

06/10/21 4 / 38
 Problem-Solving Agent &
Search

06/10/21 5 / 38
 Pemecahan Masalah dengan Metoda
Pencarian (Searching)

• Problem-Solving Agent (PSA)

• Memutuskan Tindakan yang Harus

dilakukan untuk mencapai hasil yang
diinginkan.
• Dengan cara : mengidentifikasi tiap
urutan aksi yang mendahuluinya.

•Sasaran Problem-Solving Agent, adalah

mencapai suatu Goal yang diinginkan (PSA
merupakan Tipe Goal-Based Agents).

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

State  Update-State(state, percept)

If seq is empty then do
goal  Formulate-Goal(state)
problem  Formulate-Problem(state,goal)
seq  Search(Problem)

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

• Liburan ke Romania, khususnya : Arad. Penerbangan

dilakukan besok dari Bucharest.

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 Problem-Solving Agent & Search @ Kecerdasan Buatan 19 / 38

(KI092301)
 Contoh Kasus: Romania
(Perumusan Tujuan, Masalah, & Solusi)
• Perumusan Tujuan
• Tiba di Bucharest besok
• Perumusan Masalah
• States : kota-kota
• Actions : mengemudi antar kota
• Pencarian Solusi
• Rangkaian kota : Arad, Sibiu, Fagaras,
Bucharest

06/10/21 20 / 38
06/10/21 21 / 38