INTELLIGENT AGENT

Maryona Septiara
 MATERI 2

MAHASISWA MEMAHAMI KONSEP DAN JENIS AGENT

❖ Agen
❖ Rasionalitas
❖ PEAS (Performance measure, Environment, Actuators, Sensors)
❖ Jenis-jenis Lingkungan
❖ Jenis-jenis Agen
AGENT

• Agent adalah sesuatu yang dapat melihat/ merasakan/ memahami

(perceiving) lingkungan (environment) nya melalui sensors dan
bertindak (action) sesuai dengan lingkungannya menggunakan
peralatan penggerak (actuators) (Russel dan Norvig).

• Sebuah sistem komputer yang berada dalam suatu lingkungan dan

memiliki kemampuan bertindak secara autonomus didalam situasi
lingkungan tersebut sesuai dengan sasaran yang dirancang.
KONSEP AGENT

• Agen manusia:
• Sensor: mata, telinga, hidung, kulit, lidah dan organ tubuh lain;
• Actuator: tangan, kaki, otot, mulut, dan bagian tubuh lain

• Agen robotik:
• Sensor: kamera, audio, e-nose, microphone, sensor lingkungan, sensor
jarak, dan sensor lainnya
• Actuator: Motor, speaker, penggerak roda, berbagai macam motor
KONSEP AGENT

• Agen robotik :
• Sensor: kamera, infrared, dll
• Actuator: lengan serta berbagai motor
• Agen software:
• Antarmuka pengguna grafis sebagai sensor dan sekaligus sebagai
penggeraknya.
AGENT CERDAS

• Program yang dapat diberi tugas dan dapat menyelesaikan tugasnya secara
mandiri, serta mempunyai inteligensi.
• Dengan bantuan system agen tersebut, maka pekerhaan ang membutuhkan
waktu lama dapat diselesaikan dengan baik dan lebih cepat.
• Dengan adanya agen cerdas pada aplikasi diharapkan aplikasi tersebut dapat
berfikir dan dapat menentukan pilihan Langkah terbaik sehingga dapat
mengalahkan manusia.
KONSEP RATIONAL AGENT

• Rational: melakukan hal yang terbaik

• Kita harus mendefinisikan tujuan dari si agent (goal)
• Goal bisa dinyatakan sebagai performance measure (ukuran kinerja si agen)
• Contoh:
Goal performance measure

Lulus kuliah IPK

Cepat kaya Gaji bulanan

Juara liga sepakbola Posisi klasemen

Bahagia Tingkat kebahagiaan

RATIONAL AGENT

• RATIONAL AGENT: suatu agent yang selalu bertindak memaksimalkan ukuran

kinerja, mengingat apa yang ia amati tentang lingkungan dan pengetahuan
lain yang dimilikinya.
• Rational tidak berarti sempurna : ada aspek lingkungan yang tidak diketahui,
diluar kendali.
• Agent melakukan Tindakan → memperbaiki wawasan kedepan untuk
memperoleh informasi penting
• Agent dikatakan autonomus jika perilaku agent ditentukan oleh pengalaman
sendiri (kemampuan untuk belajar dan beradaptasi).
AGENT

Intelligent Agent adalah agents yang sudah dilengkapi dengan kecerdasan

buatan (Intelligent Agent). Adapun contoh dalam kehidupan sehari-hari sebagai
berikut:
1. Google Assist
2. Alexa
3. Autonomous Car
4. Chat GPT
5. Recommendator dalam Netflix, Spotify,
6. Smart Things: Smart TV, Smart Watch, Smart Home, dll
7. Fitbit, dll
LINGKUNGAN AGENT

Ketika merancang sebuah agent, kita harus mendefinisikan lingkungan masalah (task
environment) yakni PEAS:

• Performance measure : apa saja komponen pengukur keberhasilan si agent?

• Environment : kondisi apa saja yang ada disekitar agent
• Actuators : apa saja yang bisa dilakukan si agent?
• Sensors : apa saja yang menjadi input si agent?
LINGKUNGAN AGENT

Percepts : masukan yang ditangkap dari sensor

Actions : tindakan yang dilakukan oleh Agent
Environments : lingkungan dimana si Agent berada
Agents : humans, robots, etc
 CONTOH:VACUUM-CLEANER WORLD

• Percepts: location and contents, e.g., [A, Dirty]

• Actions: Left, Right, Suck, NoOp
 AGEN RASIONAL

• Sebuah agen haruslah mengarah kepada “lakukan hal yang benar", berdasarkan
kepada apa yang dapat dipahaminya dan tindakan yang dapat dilakukannya.
Tindakan yang benar adalah tindakan yang akan menyebabkan agen tersebut
paling berhasil
• Performance Measure: Sebuah kriteria objektif untuk keberhasilan sebuah
perilaku agen
• Misalnya ukuran performance dari sebuah agen vacuum-cleaner:
1. jumlah debu yang dibersihkan
2. jumlah waktu yang dihabiskan
3. jumlah listrik yang dikonsumsi
4. jumlah kebisingan yang dihasilkan, dll.
 CONTOH : AGEN TAKSI ONLINE
14

Misalnya sebua agen taksi online menerima penumpang dan mengantarkannya ke

tujuan
• Performance measure (komponen pengukur keberhasilan): tujuan penumpang,
tidak melanggar aturan lalu lintas, cepat, hemat bensin
• Environment (kondisi disekitar agent ): Jalan, trafik lain, pejalan kaki, pelanggan
• Actuators (dilakukan agent) : Kemudi, gas, rem, lampu sign, klakson
• Sensors (input agent) : speedometer, GPS, engine sensors, keyboard
 CONTOH : MEDICAL DIAGNOSIS SYSTEM
15

Misalnya sebua agen medical diagnosis system mendiagnosa pasien secara otomatis:
• Performance measure (komponen pengukur keberhasilan): pasien sembuh, biaya
murah, dll
• Environment (kondisi disekitar agent ): pasien, suster, dokter, rumah sakit
• Actuators (dilakukan agent) : layer monitor (pertanyaan, tes, diagnose,
treatment, petunjuk)
• Sensors (input agent) : keyboard (masukan gejala penyakit, jawaban pasien)
CONTOH : TUTOR BAHASA INGGRIS INTERAKTIF

Agen: Tutor Bahasa Inggris Interaktif

• Performance measure: Memaksimalkan nilai mahasiswa pada waktu ujian
• Environment: Sekumpulan mahasiswa
• Actuators: Layar display (exercises, suggestions, corrections)
• Sensors: Keyboard
JENIS-JENIS LINGKUNGAN

• Fully observable vs. Partially observable

• Deterministic vs. Stochastic
• Episodic vs. Sequential
• Static vs. Dynamic
• Discrete vs. Continuous
 JENIS-JENIS LINGKUNGAN

• Fully observable vs. Partially observable

• Fully: Ketika sensor pada sebuah agen dapat mengakses keseluruhan keadaan
pada lingkungan, maka lingkungan itu dapat dikatakan fully observable terhadap
agen. Sensor dapat mendeteksi seluruh aspek yang berhubungan dengan aksi.
• Contoh: Google Maps dapat bekerja dengan baik sesuai apa yang ada di Peta.
Jika lokasi belum ada di peta tentu google maps tidak bisa menavigasi ke lokasi
tersebut.
• Partially: Ketika sensor mengalami gangguan atau memiliki batasan kemampuan
untuk melakukan observasi.
• Contoh: Mobil bersensor mendeteksi jika didepannya ada sebuah Truk, namun
Mobil itu tidak dapat mendeteksi didepan Truk ada apa.
 JENIS-JENIS LINGKUNGAN

• Deterministic vs. Stochastic

• Deterministic: Sesuatu yang Pasti.
• Contoh: Penayangan Harga tiket pesawat, harganya pasti sesuai yang
ditayangkan berdasarkan informasi penerbangan.
• Stochastic:Ada ketidakpastian.
• Contoh: Ada ketidakpastian Google Maps karena tidak bisa melihat kondisi
jalan secara real-time apakah benar-benar macet atau ditutup.
 JENIS-JENIS LINGKUNGAN

• Episodic vs. Sequential

• Episodic:Aksi yang dilakukan saat ini tidak berpengaruh pada aksi selanjutnya.
• Contoh: Agen cerdas pemilih rute di Google Maps per pencarian, misal
mencari rute ke Lokasi A lalu selesai, kemudian mencari rute ke Lokasi B,
tentu pencarian sebelumnya tidak mempengaruhi pencarian selanjutnya.
• Sequential:Aksi yang dilakukan sekarang berpengaruh pada aksi selanjutnya.
• Contoh: Agen cerdas di Google Assistant, jika kita sering melihat skor
Pertandingan Sepak Bola Liga Inggris tentu Google Assistant akan menyimpan
data itu untuk kemudian menyarankan kita untuk melihat skor Pertandingan
tanpa kita mencarinya.
 JENIS-JENIS LINGKUNGAN

• Static vs. Dynamic

• Static: Apabila lingkungan tidak berubah saat agen sedang mengambil
keputusan, maka lingungan tersebut bersifat static.
• Contoh: Agen cerdas penentu jalur pada Google Maps, jalur atau jalan fisik
pada peta bersifat tetap, jarang berubah.
• Dynamic: Apabila lingkungan dapat berubah saat agen sedang mengambil
keputusan, maka lingungan tersebut bersifat dynamic
• Contoh: Agen cerdas estimasi waktu pada Google Maps, waktu yang
diperkirakan dapat berubah-ubah tergantung kondisi jalan.
 JENIS-JENIS LINGKUNGAN

• Discrete vs. Continuous

• Discrete: Jumlah aksi dan persepsi Terbatas, lengkapnya apabila tindakan yang
akan diterima dan dilakukan oleh agen telah ditetapkan dengan jelas.
• Contoh: Permainan Catur, karena langkah yang diambil terbatas dan telah
ditentukan dalam peraturan.
• Continuous: Jumlah aksi dan persepsi bisa berubah, lengkapnya apabila
tindakan yang akan diterima dan dilakukan oleh agen tidak ditetapkan dan bisa
berubah-ubah.
• Contoh: Agen cerdas estimasi waktu, bisa terus berubah-ubah tergantung
kondisi jalan macet, macet pun tidak dapat didaftarkan dengan mudah misal:
macet ringan, sedang atau parah.
 JENIS-JENIS LINGKUNGAN

• Single agent vs. Multi agent

• Single-agent: Sebuah agen cerdas yang berdiri sendiri tanpa kerjasama dengan
agen cerdas yang lain.
• Contoh: Agen cerdas buka-tutup pintu otomatis tidak bekerjasama agen
cerdas yang lain.
• *note: Sistem Cerdas terdiri dari beberapa agen cerdas, namun 1 agen cerdas
saja juga bisa asal kita memahami betul agen cerdas tersebut.
• Multi-agent: Agen cerdas yang bekerjasama dengan agen cerdas yang lain untuk
memaksimalkan kemampuannya.
• Contoh: Pencari rute Google Maps, membutuhkan bantuan agen cerdas
deteksi kemacetan dan estimasi waktu.
 TIPE AGEN
o Untuk pembuatan agen cerdas, ada lima tipe agen yang dapat
mengimplementasikan pemetaan dari kesan yang diterima ke tindakan yang
akan dilakukan.
o 5 tipe agen tersebut adalah simple reflex agents, model-based reflex agents,
goal-based reflex agents, utility-based reflex agents dan Learning agents.
(Stuart Russel, Peter Norvig, 2003).
1. SIMPLE REFLEX AGENTS

o Agen refleks sederhana merupakan agen yang paling sederhana karena

dia hanya menerapkan teknik kondisi-aksi.
o Jadi, jika terjadi suatu kondisi tertentu maka agen akan secara sederhana
memberikan aksi tertentu.
o Contoh : agen untuk pengendara taxi diberikan kondisi “jika mobil di
depan melakukan pengereman” maka agen akan memberikan aksi “injak
rem”.
o Agen refleks sederhana dapat melakukan tindakannya dengan baik jika
lingkungan yang memberikan kesan tidak berubah-ubah.
o Misalkan untuk kasus agen pengendara taxi, agen tersebut hanya dapat
menerima kesan dari mobil dengan model lama saja. Jika ada mobil dengan
model baru, agen tersebut tidak dapat menerima kesannya sehingga agen
tersebut tidak melakukan tindakan pengereman.
2. MODEL-BASED REFLEX AGENTS

o Pada kasus ini, dibutuhkan agen refleks berbasis model yang dapat terus
melakukan pelacakan terhadap lingkungan sehingga lingkungan dapat dikesan
dengan baik.
o Agen ini akan menambahkan suatu model tentang dunia yaitu pengetahuan
tentang bagaimana dunianya bekerja.
o Jadi, agen refleks berbasis model ini menjaga keadaan dunianya menggunakan
model internal kemudian memilih tindakan seperti agen refleks sederhana.
3. GOAL-BASED AGENTS

o Pengetahuan agen akan keseluruhan keadaan pada lingkungan tidak selalu cukup.
o Suatu agen tertentu harus diberikan informasi tentang tujuan yang merupakan
keadaan yang ingin dicapai oleh agen.
o Dengan demikian, agen akan bekerja hingga mencapai tujuannya.
o Pencarian dan perencanaan adalah dua deretan pekerjaan yang dilakukan untuk
mencapai tujuan agen.
o Agen refleks berbasis tujuan ini menambahkan informasi tentang tujuan tersebut.
o Contoh : agen taxi harus mengetahui tujuan penumpang untuk memutuskan belok
kiri, kanan, atau lurus pada suatu persimpangan.
4. UTILITY-BASED AGENTS

o Pencapaian tujuan pada agen tidak cukup untuk menghasilkan agen dengan
tingkah laku berkualitas tinggi.
o Sebagai contoh untuk agen pengendara taxi, ada beberapa tindakan yang
dapat dilakukan oleh agen sehingga dapat mencapai tempat tujuan, namun
ada yang lebih cepat, lebih aman, atau lebih murah dari yang lainnya.
o Agen refleks berbasis tujuan tidak membedakan keadaan yang bagus dengan
keadaan yang tidak bagus untuk agen.
o Pada agen refleks berbasis kegunaan ini memikirkan kondisi yang bagus
untuk agen sehingga agen dapat melakukan tugasnya jauh lebih baik.
o Walaupun untuk kasus tertentu, tidak mungkin agen dapat melakukan
semuanya sekaligus. Misalnya untuk agen pengendara taxi, untuk pergi ke
suatu tempat tujuan dengan lebih cepat, itu bertentangan dengan keadaan
lebih aman. Karena untuk perjalanan taxi yang lebih cepat, tentu saja
tingkat bahaya lebih tinggi dari pada perjalanan taxi yang santai.
5. LEARNING AGENTS

• Memungkinkan agen untuk beraksi dalam lingkungan yg tidak dikenal, dan menjadi
semakin kompeten dari sebelumnya.
• Komponen
• Learning Element : yang bertanggungjawab untuk membuat peningkatan.
• Performance Element : bertanggungjawab memilih aksi
• Critics : sebagai umpan balik dan menentukan bagaimana kinerja elemen perlu
dimodifikasi agar lebih baik dilain waktu.
• Problem Generator : bertanggungjawab dalam menyarankan aksi yang mengarah
pada pengalaman baru
TERIMAKASIH
 TUGAS
1. Carilah sensor manusia yang diterapkan pada sensor robotic, beserta
dengan contoh robot dan implementasinya.
Example:
• Sensor manusia : mata
• Sensor robotic : kamera
2. Bagaimana intelligent agent digunakan dalam bidang robotika dan
kendaraan otonom?
Dikumpul paling lama hari Senin tanggal 16 Oktober 2023, jam 00.00 di
LMS (Pertemuan 2)