Mata Kuliah : Artificial Intelligence

(AI) Agen Cerdas

Teknik Informatika
STMIK Mikroskil Medan
Dr. Pahala Sirait, S.T, M.Kom

Tujuan
Mengetahui konsep agen cerdas dan lingkungan agen
cerdas.
Mengetahui konsep PEAS (Performance measure,
Environment, Actuators, Sensors) untuk merancang
agen cerdas.
Mengetahui jenis lingkungan dan jenis agen cerdas.

KONSEP AGEN CERDAS DAN LINGKUNGAN

Agen adalah segala sesuatu yang dapat dipandang sebagai entitas
pada suatu lingkungan yang mengamati melalui alat sensor dan
bertindak melalui alat aktuator. Contoh : Agen Manusia, Agen
Semut, Dll
Agen menerima (percept) sensor dari lingkungan. Keseluruhan
percept yang diterima agen pada suatu selang waktu disebut
percept sequence.
Agen manusia :
a. Alat sensor : mata, telinga, dan organ sensor lainnya;
b. Alat aktuator : tangan, kaki, mulut, dan bagian tubuh lain sebagai
alat gerak.
Agen robot :
a. Alat Sensor : kamera dan inframerah untuk sensor
b. Alat Aktuator : lengan dan berbagai motor (penggerak)

Hubungan Agen dan Lingkungan

Hubungan Agen dan Lingkungan

Fungsi agen : Memetakan dari Percept History (sejarah
persepsi)/ Percept Sequence ke dalam tindakan
(actions):

Program agen berjalan pada arsitektur fisik untuk

menghasilkan nilai fungsi f.
agen = arsitektur + program

Konsep Perancangan Agen Cerdas

Rasional dimaknai sebagai: melakukan hal yang benar.
Agen rasional melakukan hal yang benar berdasarkan
percept apa yang ditangkap dan tindakan (action) apa
yang diambil.
Tindakan yang tepat adalah tindakan yang akan
menyebabkan agen menjadi yang paling sukses.
Tindakan Rasional yang benar juga mempertimbangkan
konsekwensi perilaku

Konsep Perancangan Agen Cerdas

Rasional pada satu waktu tertentu bergantung pada
empat hal:
a. Performance measure yang mendefinisikan kriteria
sukses
b. Pengetahuan sebelumnya dari si agen tentang
lingkungan
c. Tindakan yang dapat dilakukan si agen
d. Deretan persepsi si agen hingga saat ini

Konsep Perancangan Agen Cerdas

Beberapa hal yang perlu ditekankan:
a. Rasionalitas berbeda dari omniscience (serba
tahu/mengetahui semua dengan pengetahuan tak
terbatas).
b. Agen omniscient mengetahui hasil aktual tindakannya
dan dapat bertindak sesuai dengan itu.
c. Akan tetapi, omniscience adalah tidak mungkin dalam
realitas.

Konsep Perancangan Agen Cerdas

d. Agen dapat melakukan tindakan dalam rangka
mengubah persepsi masa depan untuk memperoleh
informasi yang berguna (pengumpulan informasi,
eksplorasi).
e. Sebuah agen dikatakan otonom jika perilaku agen
ditentukan oleh pengalaman sendiri (dengan
kemampuan untuk belajar dan beradaptasi).

Konsep Perancangan Agen Cerdas

Konsep utama perancangan agen cerdas/rasional :
PEAS (Performance measurement, Environment,
Actuators, Sensors).
PEAS ditentukan sebelum desain agen cerdas.
Berdasarkan informasi PEAS, kita benar dapat
merancang agen untuk memenuhi tujuan yang ingin
dicapai
Pengukuran kinerja: Sebuah kriteria obyektif untuk
mengukur keberhasilan suatu perilaku agen

Konsep Perancangan Agen Cerdas

Pengukuran kinerja haruslah dapat dinyatakan dalam
ukuran kuantitatif. Kata jumlah mengindikasikan suatu
ukuran kuantitatif/terukur.
Untuk setiap urutan persepsi (percept sequence) yang
ada, agen rasional harus memilih tindakan yang
diharapkan untuk memaksimalkan ukuran kinerjanya.
Pengukuran kinerja: Sebuah kriteria obyektif untuk
mengukur keberhasilan suatu perilaku agen
Tujuan (Goal): Setelah menentukan criteria obyektif, pilih
salah satu tujuan untuk menjadi fokus utama dari agen.
Goal adalah Hal utama yang berusaha dicapai oleh agen
(prioritas utama)

Contoh Kasus
Mis. : Agen vacuum-cleaner : bersihkan ruangan jika
berdebu dan pindah ke ruangan lain jika tidak.

Percept : Lokasi dan Isi

Aksi
: Left, Right, Suck, NoOpr

Contoh Kasus
Kinerja
a. Jumlah kotoran dibersihkan,
b. Jumlah waktu yang dibutuhkan,
c. Jumlah listrik yang dikonsumsi,
d. Jumlah kebisingan yang dihasilkan, dll
Pertanyaan : Apakah Rasional?

Contoh Kasus
Jawaban : Tergantung pada apa performance measure,
apa yang diketahuinya tentang lingkungan, dan sensor
serta aktuator apa yang dimiliki si Agen.
Beberapa hal yang perlu dipertimbangkan :
a. Perlu diketahui : Geography lingkungan, distribusi
debu dan lokasi awal si agen
b. Si agen menerima kesan dengan benar tentang
lokasi dan apakah lokasi itu mengandung debu.
c. Ruangan bersih tetap bersih dan Ruangan kotor
akan dilakukan penyedotan
d. Tindakan yang tersedia hanyalah Left , Right, dan
Suck

Contoh Kasus
e. Tindakan Left dan Right memindahkan agen ke kiri
dan ke kanan, Suck untuk melakukan pengisapan
f. Dll?
Dari Gambaran di atas:
a. Apakah Rasional?
b. PEAS?

Contoh Kasus
Gambaran Rancangan

Contoh Kasus
Gambaran fungsi :

Selanjutnya : Mengembangkan Fungsi untuk : Right,

Left, dan Suck

Kasus Lain
Merancang Agen : Supir Taksi Otomatis
Definisikan PEAS :
a. Performance Measure: Aman, cepat, legal,
perjalanan nyaman, memaksimalkan keuntungan
b. Environment: Jalan, lalu lintas lainnya, pejalan kaki,
pelanggan
c. Aktuator: Setir, pedal gas, rem, sinyal, klakson
d. Sensor: Kamera, sonar, speedometer, GPS,
odometer, sensor mesin, keyboard

Kasus Lain
Merancang Agen : sistem diagnosis Medis
Definisikan PEAS :
a. Performance Measure: Pasien Sehat,
meminimalkan biaya, tuntutan hukum
b. Environment: Pasien, rumah sakit, staf
c. Aktuator: Layar display (pertanyaan, tes, diagnosis,
pengobatan, rujukan)
d. Sensor: Keyboard (masuknya gejala, temuan,
jawaban pasien)

Kasus Lain
Merancang Agen : robot pengambil komponen
Definisikan PEAS :
a.
b.
c.
d.

Performance Measure: Persentase berapa bagian

masuk ke kotak yang benar
Environment: Conveyor, komponen-komponen,
kotak komponen
Aktuator: lengan dan tangan robot
Sensor: Kamera, sensor sudut persendian

Kasus Lain
Bagaimana dengan Agen :
a.
b.

Pemadam Kebakaran
Pendeteksi Jalur

Jenis Lingkungan
Sepenuhnya teramati vs Sebagian teramati: Lingkungan
sepenuhknya teramati jika sensor mendeteksi semua
aspek yang relevan dengan pilihan action. Sebuah
sensor agen memberikan akses ke keadaan lengkap
lingkungan pada setiap titik waktu. Lingkungan sebagian
teramati karena sensor berisik dan tidak akurat.
Deterministik vs Stokastic: Keadaan berikutnya
lingkungan sepenuhnya ditentukan oleh keadaan saat ini
dan tindakan yang dilakukan oleh agen. (Jika lingkungan
deterministik kecuali untuk tindakan agen lain, maka
disebut lingkungan strategis).

Jenis Lingkungan
Episodik vs Sekuensial: Pengalaman agen dibagi
menjadi "episode" atom (setiap episode terdiri dari: agen
mengamati (percept) dan kemudian melakukan tindakan
tunggal), dan pilihan tindakan di setiap episode hanya
bergantung pada episode itu sendiri.
- Contoh: Klasifikasi (episodik), catur dan pengemudi
taksi otonom (sekuensial).

Jenis Lingkungan
Statis vs Dinamis: Statis, lingkungan tidak berubah, agen tidak
perlu terus mencari pada lingkungan untuk memutuskan
sesuatu. Pada lingkungan dinamis terus meminta agen apa
yang ia ingin lakukan.
(Lingkungan semidinamis jika lingkungan itu sendiri tidak
berubah dengan berlalunya waktu namun skor kinerja agen
berubah)
Diskrit vs Kontinu: Jumlah state/tindakan untuk mencapai goal
terbatas (diskrit), persepsi yang jelas dan tindakan yang
terhingga. (misalnya, catur - diskrit, mengemudi taksi - kontinyu).
Agen tunggal vs agen multi: Seorang agen yang beroperasi
dengan sendirinya dalam suatu lingkungan.

Jenis Lingkungan
Jenis Lingkungan sangat menentukan desain agen
Dunia nyata (tentu saja) secara parsial diamati,
sekuensial, dinamis, terus menerus, multi-agen.

Jenis Agen
Agen refleks sederhana: Agen memilih tindakan
berdasarkan persepsi saat ini, mengabaikan sejarah
persepsi sebelumnya
Agen reflex berbasis model: Agen mempertahankan
state internal yang bergantung pada sejarah persepsi,
mencerminkan beberapa aspek teramati dari kondisi
saat ini.
Agen berbasis tujuan: Agen memiliki informasi tentang
tujuan dan memilih tindakan untuk mencapai tujuan

Jenis Agen
Agen berbasis utilitas: Agen menyatakan/menetapkan
pengukuran kuantitatif terhadap lingkungan (ranking).
Pemilihan tindakan yang rankingnya paling tinggi (paling
dekat mencapai tujuan).
Agen berbasis pembelajaran: Agen belajar dari
pengalaman, dapat beradaptasi untuk meningkatkan
kinerja.

Jenis Agen
1. Agen refleks sederhana (Simple Reflex Agent)

Jenis Agen
Aturan kondisi-tindakan: Kondisi yang memicu beberapa
tindakan
ex. Jika mobil di depan mengerem (kondisi) kemudian
memulai pengereman (tindakan)
Agen refleks Sederhana : sederhana dan sangat
terbatas kecerdasannya.
Menghubungkan percept ke tindakan.
keputusan yang benar dapat dibuat hanya dalam
lingkungan yang penuh teramati.

Jenis Agen
Fungsi
function SIMPLE-REFLEX-AGENT (percept) return an action
static: rules, a set of condition-action rules
state = INTERPRET-INPUT (percept)
rule = RULE-MATCH(state,rules)
action = RULE-ACTION[rule]
return action

INTERPRET-INPUT merupakan fungsi yang menghasilkan

deskripsi dari kondisi saat ini dari percept.
RULE-MATCH merupakan fungsi yang mengembalikan aturan
pertama dalam seperangkat aturan yang cocok dengan
deskripsi yang diberikan oleh suatu state.

Jenis Agen
INTERPRET-INPUT merupakan fungsi yang
menghasilkan deskripsi dari kondisi saat ini dari percept.
RULE-MATCH merupakan fungsi yang mengembalikan
aturan pertama dalam seperangkat aturan yang cocok
dengan deskripsi yang diberikan oleh suatu state.

Jenis Agen
Agen Berbasis Model

Jenis Agen
Cara yang paling efektif untuk menangani pengamatan parsial
adalah melacak bagian dari dunia yang bisa teramati saat ini
(current state).
Agen mempertahankan keadaan internal yang bergantung pada
sejarah persepsi dan dengan demikian mencerminkan beberapa
aspek teramati dari kondisi saat ini.
Untuk memperbarui informasi keadaan internal memerlukan dua
pengetahuan:
a. Bagaimana dunia berkembang secara independen
dari
agen
b. Bagaimana tindakan agen memengaruhi dunia
Pengetahuan tentang "bagaimana dunia bekerja" disebut model

Jenis Agen
Fungsi
function REFLEX-AGENT-WITH-STATE (percept) return an action
static: state, a description of the current world state
rules, a set of condition-action rules
action, the most recent action, initially none
state = UPDATE-STATE (state,action,percept)
rule = RULE-MATCH(state,rules)
action = RULE-ACTION[rule]
return action

UPDATE-STATE menciptakan keadaan internal baru

Jenis Agen
Agen Berbasis Goal

Jenis Agen
Mengetahui tentang keadaan saat ini saja tidak selalu
cukup untuk memutuskan apa yang harus dilakukan.
Agen membutuhkan informasi tujuan (goal) yang
menggambarkan situasi yang diinginkan

Jenis Agen
Agen berbasis Utilitas

Jenis Agen
Mencapai tujuan saja tidak cukup untuk menghasilkan
perilaku berkualitas tinggi perilaku dalam lingkungan.
Seberapa cepat? Seberapa aman? Bagaimana murah?
Dapat diukur
Fungsi Utilitas memetakan state ke bilangan real (ukuran
kinerja)

Jenis Agen
Agen berbasis Pembelajaran

Jenis Agen
Elemen learning bertanggung jawab untuk membuat
perbaikan
Elemen Kinerja bertanggung jawab untuk memilih
tindakan eksternal
Kritik memberikan umpan balik tentang bagaimana
tindakan yang dilakukan agen