Tugas Personal ke-1

Minggu ke 2

1. Perhatikan denah RS. Amelia Kediri di bawah ini.

a. Ubahlah gambar denah RS. Amelia Kediri menjadi sebuah pohon pencarian dengan
node akar node S pada ruang IGD.

Artificial Intelligence
 Dikarenakan ukuran graph terlalu besar maka saya juga menyertakan link file graph
tersebut sebagai berikut ini: https://viewer.diagrams.net/?page-id=kCcJ9--
r_FGMr_Vtfdli&highlight=0000ff&layers=1&nav=1&hide-
pages=1#G1kPmXitLai1B7T1bz7LKsqsRu1AIk375F

b. Berdasarkan pohon pencarian yang sudah Anda buat, carilah jalur pencarian dari node S
(ruang IGD) menuju node G (ruang Donal 3) dengan menggunakan metode Depth First
Search (DFS)
Dengan metode Depth First Search yang selalu melakukan ekspansi node terdalam dari
pohon pencarian. Pencarian dilakukan sampai tingkat terdalam dari pohon pencarian, di
mana node sudah tidak memiliki cabang lagi. Depth-First Search menggunakan antrian
LIFO. Sebuah antrian LIFO berarti bahwa node yang terakhir dipilih untuk dilakukan
ekspansi. (Lecture Notes 01)
Sehingga dengan metode tersebut proses pencarian tersebut menghasilkan graph seperti
berikut ini:

Artificial Intelligence
Dikarenakan ukuran gambar yang sangat besar saya menyertakan link berikut ini untuk
melihat pohon pencarian lebih jelas: https://viewer.diagrams.net/?page-
id=L1NPZQu0ieFmA_fVY4Ey&highlight=0000ff&layers=1&nav=1&page-
id=L1NPZQu0ieFmA_fVY4Ey#G1kPmXitLai1B7T1bz7LKsqsRu1AIk375F

Sehingga dengan metode DFS ini menghasilkan jalur sebagai berikut ini:
IGD > R. Oksigen > Melati 1 – 2 > R.Perawat > Melati 3 – 4 > Flamboyan 1 – 4 >
Parkir Mobil Dokter > Parkir Mobil > Taman > Kantin / Toko > Teratai 6 – 12 >

Artificial Intelligence
 Teratai 1 – 5 > Alat – Alat > Donal 1 - 5

c. Dengan menggunakan metode Breadth First Search (BFS), tunjukkan path (jalur
pencarian) dari node C jika dimulai dari node A.

Breadth-First Search adalah strategi sederhana dimana node akar akan diperluas terlebih
dahulu, dan node cabangnya akan dipeluas pada langkah selanjutnya, sampai node pada
cabang terakhir.
selebihnya Path akan diambil berdasarkan cost yang paling kecil dalam kasus ini karena
setiap Lorong Lorong dipenuhi dengan ruangan dan ruangan tersebut direpresentasikan
dalam bentuk node dalam graph ini maka dapat disimpulkan jalan dengan node yang
dilalui paling sedikit adalah jalan yang paling optimal.
Maka jalan / path yang akan digunakan adalah: IGD > R. Bersalin > R. Oksigen >
ICU > Melati 3-4 > Parkir Motor > Emergency Anak > Bobo 1-5 > Tintin >
Taman > Donal 1-5
Dikarenakan ukuran gambar yang sangat besar saya menyertakan link berikut ini untuk
melihat pohon pencarian lebih jelas: https://viewer.diagrams.net/?page-
id=gu3luIKIsrJFH8JLrYO7&highlight=0000ff&layers=1&nav=1&page-
id=gu3luIKIsrJFH8JLrYO7#G1kPmXitLai1B7T1bz7LKsqsRu1AIk375F

Artificial Intelligence
2. Perhatikan pohon pencarian berikut:

h(S) = 10 h(E) = 4
h(A) = 12 h(F) = 6
h(B) = 9 h(G) = 5
h(C) = 8 h(H) = 3
h(D) = 2 h(I) = 0

Jika diketahui node S merupakan node awal, biaya

lintasan g(n) seperti ditunjukkan pada gambar, dan
nilai estimasi h(n) dapat dilihat pada tabel, tunjukkan
path pencarian menuju node I dan hitunglah nilai f(n)
menggunakan algoritma:

a. Uniform Cost Search (UCS)

Kuning = Visited List (Node yang sudah dikunjungi), Node yang sudah dikunjungi
tidak perlu dikunjungi oleh node lain
Merah = Pencarian dihentikan dengan alasan
Hijau = Goal / Finish / Tujuan
Dengan algoritma Uniform Cost Search kita mendapatkan 3 cara dari node S menuju
node I yang optimal:
 S–B–D–G–I
 S–A–E–H–I

Dengan solusi solusi tersebut maka costnya adalah sebagai berikut ini:

Artificial Intelligence
 S – B – D – G – I = 6 + 6 + 3 + 2 = 17

S – A – E – H – I = 5 + 3 + 7 + 2 = 17

Oleh karena itu dihasilkanlah 2 solusi yang optimal karena memiliki cost yang
sama dari node S menuju node I yaitu:

 S–B–D–G–I
 S–A–E–H–I

b. Greedy

Algoritma Greedy mencari solusi dengan melakukan ekspansi node yang paling dekat
dengan node tujuan. Evaluasi node menggunakan fungsi heuristic f(n) = h(n) (Lecture Notes
01). Oleh karena ini maka untuk Pohon pencarian berikut ini didapatkan hasil :
S – C – D – G - I dengan cost 10 + 2 + 3 + 2 = 17
f(n) = h(S) + h(C) + h(D) + h(G) + h(I)
f(n) = 10 + 8 + 2 + 5 + 0
f(n) = 25
c. A *
f(n) = g(n) + h(n)
 Level 1
o S = 0 + 10 = 10
 Level 2
o A = 5 + 12 = 17
o B = 6 + 9 = 15
o C = 10 + 8 = 18
 Level 3
o D=6+2=8

Artificial Intelligence
 o E = 18 + 4 = 12
 Level 4
o F = 4 + 6 = 10
o G=3+5=8
 Finish
o I=2+5=7

f(n) = h(S) + h(B) + h(D) + h(G) + h(I) = 10 + 9 + 2 + 5 + 0 = 26

Artificial Intelligence
3. Jika game “word scramble” dan aplikasi “medical diagnosis” dianggap sebagai sebuah
agen cerdas, lengkapilah tabel PEAS (Performance measure, Environment, Actuators,
Sensors) dibawah ini. Beri penjelasan dari setiap atribut yang Anda didefinisikan dalam
tabel

Lingkungan Obseravble Agents Deterministic/ Episodic/ Static/ Discrete/

Agen (Fully/Partially) (Single/Multi) Stochastic Sequential Dynamic Continuous
Word Fully Multi Stochastic Sequential Dynamic Discreate
Scramble
Medical Partially Multi Deterministic Episodic Dynamic Continuous
Diagnosis
 World Scramble
o Fully Obseravble, Agent dapat mengakses atau melihat keseluruhan dari
environment, Agent dapat melihat semuah alfabet yang tersedia dan menyusunnya
menjadi sebuah kata.
o Multi Agent, Dalam satu waktu yang sama dan dalam environment yang sama
permainan dapat dimainkan oleh lebih dari 1 orang.
o Stochastic, Action yang dilakukan selanjutnya tidak terdefinisi oleh action yang
terakhir dilakukan.
o Sequential, Action yang sekarang dilakukan dipengaruhi oleh action sebelumnya
karena dalam permainan word scramble alfabet yang sudah digunakan tidak bisa
digunakan Kembali sehingga bisa ada kemungkinan berbeda jika action
sebelumnya berbeda.
o Dynamic, Action yang dilakukan akan mengubah environment, alfabet yang
sudah dipilih tidak bisa dipilih sehingga alfabet berkurang artinya environment
berubah ubah.
o Discreate, Action yang dilakukan terbatas pada alfabet yang tersedia dalam
permainan.
 Medical Diagnosis
o Partially Observable, Sistem Medical Diagnosis memerlukan inputan bantuan
tenaga Kesehatan untuk mengetahui keluhan pasien, Sistem Medical Diagnosis
tidak bisa mengetahui keluhan pasien.
o Multi Agent, Membutuhkan inputan dari tenaga Kesehatan untuk mengetahui
keluhan pasien, juga membutuhkan pasien yang dapat menceritakan keluhannya
baru kemudian agen dapat berjalan dengan cerdas.
o Deterministic, Action selanjutnya yang rasional yang dilakukan oleh sistem
Medical Diagnosis (agen) ditentukan dari action sekarang atau bisa dikatakan
berdasarkan inputan keluhan pasien.
o Episodic, Karena diagnosis pasien A tidak mempengaruhi diagnose pasien B.
o Dynamic, Karena inputan keluhan setiap pasien bisa saja berubah ubah sesuai
denga napa yang dikeluhkan pasien
o Continuous, Karena diagnosa atau Tindakan treatment medis tidak terbatas oleh
jumlah pasien. Sistem medical diagnosis bisa menangani pasien tanpa batas
jumlah.

PEAS

Artificial Intelligence
 Word Scramble
o Performance Measure: Tersedia huruf yang acak dan pemain harus bisa
menyusun huruf tersebut menjadi sebuah kata. Semakin banyak kata yang
dapat disusun maka kemungkinan memenangkan permainan semakin cepat
o Environment: Pemain, Huruf acak, Device
o Akuator: Jari, Touch Screen
o Sensor: Jari (Device touch screen), Mouse, Keyboard, Mata
 Medical Diagnosis
o Performance Measure: Berhasil mendiagnosa penyakit berdasarkan keluhan
pasien, Berhasil memberikan saran perawatan terhadap penyakit pasien,
Berhasil memberikan obat yang tepat terhadap penyakit pasien, dan Berhasil
menyembuhkan pasien.
o Environment: Pasien, Dokter, Perawat, Obat dan Rumah sakit
o Akuator: Sistem mendiagnosa penyakit berdasarkan keluhan yang diberikan
pasien, Dari hasil diagnosa sistem dapat memberikan saran perawatan
terhadap pasien, Dari hasil diagonosa sistem dapat memberikan resep obat
kepada pasien. Semua hal tersebut ditunjukkan dalam sebuah layar monitor
o Sensor: Jika kita asumsikan sistem medical diagnosis didalam sebuah
komputer maka sensornya adalah, keyboard, mouse

Artificial Intelligence