Kecerdasan Buatan/ Artificial Intelligence Agen Cerdas Imam Chlissdin, S.Si., M.Km.
Pkk Bahasan 1. Agents and Envirnments 2. Ratinality 3. PEAS (Perfrmance measure, Envirnment, Actuatrs, Sensrs) 4. Agent types 5. Envirnment types
Agen dan Lingkungan Sistem Agen Cerdas Prgram yang dapat diberi tugas dan dapat menyelesaikan tugasnya secara mandiri, serta mempunyai inteligensi. Dengan bantuan sistem agen tersebut, maka pekerjaan yang membutuhkan waktu lama dapat diselesaikan dengan baik dan lebih cepat. Dengan adanya agen cerdas pada aplikasi diharapkan aplikasi tersebut dapat berpikir dan dapat menentukan pilihan langkah terbaik sehingga dapat mengalahkan manusia.
Agen dan Lingkungan Definisi Agen Cerdas Sebuah agen adalah segala sesuatu yang dapat merasakan lingkungannya melalui peralatan sensrsensr, bertindak sesuai dengan lingkungannya dan dengan mengunakan peralatan penggeraknya /actuatr (Russel dan Nrvig). Sebuah agen adalah sebuah sistem kmputer yang berada dalam suatu lingkungan dan memiliki kemampuan bertindak secara tnms didalam situasi lingkungan tersebut sesuai dengan sasaran yang dirancang (Wld-ridge).
Agen dan Lingkungan Agen Sensrs/Actuatr Percepts/Actins Lingkungan Gambar 1a, diperlihatkan abstraksi dari mdel kmputasi sebuah agen. Pada gambar terlihat setiap tindakan atau aktivitas akan dikerjakan leh agen adalah untuk memenuhi kndisi lingkungannya.
Agen dan Lingkungan Agen Sensrs/Actuatr Percepts/Actins (Event, Benefits, Gals, Plans) Lingkungan Gambar 1b, diperlihatkan kmpnen internal dari sebuah mdel agen BDI (belief-desire-intentin) yang memiliki : 1. events (pemacu indera), 2. beliefs (pengetahuan), 3. actins (tindakan), 4. gals (tujuan), 5. dan plans (agenda dan rencana).
Agen dan Lingkungan Human Agen memiliki : Mata, telinga, dan rgan sejenisnya sebagai sensr. Tangan, kaki, mulut dan anggta tubuh lainnya sebagai effectr. Agent Rbt : Sensr : kamera, infrared, dll Effectr : peralatan penggerak. Agent Sftware : Antarmuka pengguna grafis sebagai sensr dan sekaligus sebagai pengeraknya
Agen dan Lingkungan Struktur Agen : The agent functin maps frm percept histries t actins : [f : P* A] Tugas dari mempelajari kecerdasan buatan adalah untuk membuat suatu mesin agen Sebuah agen juga membutuhkan architecture yang dapat berupa kmputer saja, atau kmputer yang memiliki perangkat keras tertentu dapat melakukan suatu pekerjaan tertentu seperti memprses gambar kamera atau menyaring input suara.
Agen dan Lingkungan Struktur Agen : Jadi, sebuah architecture membuat kesan-kesan lingkungan dapat diterima dengan baik leh sensrsensr yang dimilikinya, lalu dapat menjalankan prgram agennya dan dapat memberikan tindakan terhadap lingkungan menggunakan actuatrs. Hubungan agen, architecture, dan prgram dapat diasumsikan sebagai berikut: agen = architecture + prgram
Agen dan Lingkungan Vacuum-cleaner wrld : Percepts: lcatin and cntents, e.g., [A,Dirty] Actins: Left, Right, Suck, NOp
Rasinalitas (1 f 6) Ratinal Agent : Sebuah agen selalu mencba untuk mengptimasikan sebuah nilai ukuran kinerja yang disebut agen memiliki rasinal (ratinal agent). Sebuah agen adalah rasinal jika dapat memilih kemungkinan untuk bertindak yang terbaik setiap saat, menurut apa yang ia ketahui mengenai lingkungannya pada saat itu. Untuk setiap deretan persepsi yang mungkin, sebuah agen rasinal hendaklah memilih satu tindakan yang diharapkan memaksimalkan ukuran kemampuannya, dengan adanya bukti yang diberikan leh deretan persepsi dan apapun pengetahuan terpasang yang dimiliki agen itu.
Rasinalitas (2 f 6) Ratinal Agent : Jadi, agen rasinal diharapkan dapat melakukan atau memberi tindakan yang benar. Tindakan yang benar adalah tindakan yang menyebabkan agen mencapai tingkat yang paling berhasil. (Stuart Russel, Peter Nrvig, 2003). Ukuran kinerja (dari ratinal agent) biasanya didefinisikan leh perancang agen dan merefleksikan apa yang diharapkan mampu dilakukan dari agen tersebut. Sebuah agen berbasis rasinal juga disebut sebuah agen cerdas. Dari perspektif ini, bidang kecerdasan buatan dapat dipandang sebagai studi mengenai prinsip-prinsip dan perancangan dari rasi agen-agen buatan.
Rasinalitas (3 f 6) Perilaku Agent : Agent rasinal : agent yang mengerjakan sesuatu yang benar. Perfrmance measure : bagaimana keberhasilan suatu agent. Diperlukan suatu standard untuk mengukur perfrmansi, dengan mengamati kndisi yang terjadi. Cnth (Perilaku Agent) Agent untuk membersihkan lantai yang ktr (vacum cleaner). Perfrmance dari vacum cleaner : Jumlah Ktran yang dibersihkan Jumlah Knsumsi listrik Jumlah Kebisingan Waktu yang dibutuhkan Gal Measure : Lulus Kuliah, Kaya Perfrmance : IPK, Gaji Bulanan
Rasinalitas (4 f 6) Sebelum membuat suatu agen, hendaknya telah mengetahui dengan baik : Semua kemungkinan kesan dan tindakan yang dapat diterima dan dilakukan leh agen. Apa tujuan atau pengukur kemampuan agen yang ingin dicapai. Dan lingkungan yang seperti apa yang akan diperasikan leh agen.
Rasinalitas (5 f 6) Cnth Tipe Agen dengan Kesan, Tindakan, Tujuan dan Lingkungan :
Rasinalitas (6 f 6) Ratinality Vs Omniscience Ratinality Mengetahui utcme seharusnya dari suatu tindakan dan mengerjakannya dengan benar. Omniscience Ketidakmungkinan dalam suatu kenyataan. Cnth: Menyebrang jalan yang tidak ada lalin.
PEAS (1 f 5) PEAS PEAS: Perfrmance measure, Envirnment, Actuatrs, Sensrs. Must first specify the setting fr intelligent agent design. Cnsider, e.g., the task f designing an autmated taxi driver : Perfrmance measure Envirnment Actuatrs Sensrs
PEAS (2 f 5) PEAS PEAS: Perfrmance measure, Envirnment, Actuatrs, Sensrs. Must first specify the setting fr intelligent agent design. Cnsider, e.g., the task f designing an autmated taxi driver: Perfrmance measure: Safe, fast, legal, cmfrtable trip, maximize prfits Envirnment: Rads, ther traffic, pedestrians, custmers Actuatrs: Steering wheel, acceleratr, brake, signal, hrn Sensrs: Cameras, snar, speedmeter, GPS, dmeter, engine sensrs, keybard
PEAS (3 f 5) PEAS PEAS: Perfrmance measure, Envirnment, Actuatrs, Sensrs. Must first specify the setting fr intelligent agent design. Cnsider, e.g., the task f designing an autmated taxi driver: Agent: Medical diagnsis system Perfrmance measure: Healthy patient, minimize csts, lawsuits Envirnment: Patient, hspital, staff Actuatrs: Screen display (questins, tests, diagnses, treatments, referrals) Sensrs: Keybard (entry f symptms, findings, patient's answers)
PEAS (4 f 5) PEAS PEAS: Perfrmance measure, Envirnment, Actuatrs, Sensrs. Must first specify the setting fr intelligent agent design. Cnsider, e.g., the task f designing an autmated taxi driver: Agent: Part-picking rbt Perfrmance measure: Percentage f parts in crrect bins Envirnment: Cnveyr belt with parts, bins Actuatrs: Jinted arm and hand Sensrs: Camera, jint angle sensrs
PEAS (5 f 5) PEAS PEAS: Perfrmance measure, Envirnment, Actuatrs, Sensrs. Must first specify the setting fr intelligent agent design. Cnsider, e.g., the task f designing an autmated taxi driver: Agent: Interactive English tutr Perfrmance measure: Maximize student's scre n test Envirnment: Set f students Actuatrs: Screen display (exercises, suggestins, crrectins) Sensrs: Keybard
Karakteristik Agen Karakteristik Agen Sebuah agen memiliki karakteristik yang menggambarkan kemampuan dari agen itu sendiri. Semakin banyak karakteristik yang dimiliki leh suatu agen, maka akan semakin cerdas agen tersebut. Ada beberapa karakteristik dari agen : 1. Autnmus 2. Reaktif 3. Praktif 4. Fleksibel 5. Rbust 6. Rasinal 7. Scial 8. Situated
Karakteristik Agen Karakteristik Agen Autnmus : kemampuan untuk melakukan tugasnya dan mengambil keputusan secara mandiri tanpa adanya intervensi dari luar seperti agen lain, manusia ataupun entitas lain. Reaktif : kemampuan agen untuk cepat beradaptasi terhadap perubahan infrmasi yang ada pada lingkungannya. Praktif : kemampuan yang berrientasi pada tujuan dengan cara selalu mengambil inisiatif untuk mencapai tujuan. Fleksibel : agen harus mempunyai banyak cara dalam mencapai tujuannya. Rbust : agen harus dapat kembali ke kndisi semula jika mengalami kegagalan dalam hal tindakan ataupun dalam menjalankan plan.
Karakteristik Agen Karakteristik Agen Rasinal : kemampuan untuk bertindak sesuai dengan tugas dan pengetahuannya dengan tidak melakukan hal yang dapat menimbulkan knflik tindakan. Scial : dalam melakukan tugasnya, agen memiliki kemampuan untuk berkmunikasi dan berkrdinasi baik dengan manusia maupun dengan agen lain. Situated : agen harus berada dan berjalan di lingkungan tertentu.
Arsitektur Agen Arsitektur Agen Black Bx : Pada knsep black bx, agen menerima masukan (percepts) dari luar lalu memprsesnya sehingga bisa dihasilkan keluaran (actin) yang berdasarkan masukan tadi. Brenner mengemukan suatu mdel untuk prses ini yang berisi tahapan : interactin, infrmatin fusin(peleburan, penyatuan), infrmatin prcessing dan actin. BDI( kepercayaan (belief), keinginan (desire), dan kehendak (intentin) ) :
Arsitektur Agen Arsitektur Agen BDI Agent : Kepercayaan atau Belief : Apa-apa saja yang diketahui dan tidak diketaui leh agen tentang lingkunganya. Atau belief merupakan pengetahuan agen atau infrmasi yang diperleh agen tentang lingkungannya. Keinginan atau desire : Tujuan, tugas yang harus diselesaikan leh agen atau sesuatu yang ingin dicapai leh agen. Kehendak atau intentin : Rencana-rencana yang disusun untuk mencapai.
Arsitektur Agen Cnth Rancang bangun sistem agen cerdas untuk mnitring stk perusahaan leh Rika Yunitarini (Percept dan Actin) Adapun masukan dan tindakan adalah: Percept. Percept yang digunakan di dalam sistem antara lain data pemask baru, data barang jual, data barang beli, dan data barang tiba. Actin. Actin yang terlibat adalah bandingkan harga barang pemask, bandingkan waktu antar barang, tentukan pemask, menentukan persediaan.
Tipe Agen Tipe Agen Untuk pembuatan agen cerdas, ada lima tipe agen yang dapat mengimplementasikan pemetaan dari kesan yang diterima ke tindakan yang akan dilakukan. 5 tipe agen tersebut adalah simple reflex agents, mdel-based reflex agents, gal-based reflex agents, utility-based reflex agents dan Learning agents. (Stuart Russel, Peter Nrvig, 2003).
Tipe Agen Simple Reflex Agents (1 f 5) Agen refleks sederhana merupakan agen yang paling sederhana karena dia hanya menerapkan teknik kndisi-aksi. Jadi, jika terjadi suatu kndisi tertentu maka agen akan secara sederhana memberikan aksi tertentu. Cnth : agen untuk pengendara taxi diberikan kndisi jika mbil di depan melakukan pengereman maka agen akan memberikan aksi injak rem.
Tipe Agen Mdel-Based Reflex Agents (2 f 5) Agen refleks sederhana dapat melakukan tindakannya dengan baik jika lingkungan yang memberikan kesan tidak berubahubah. Misalkan untuk kasus agen pengendara taxi, agen tersebut hanya dapat menerima kesan dari mbil dengan mdel terbaru saja. Jika ada mbil dengan mdel lama, agen tersebut tidak dapat menerima kesannya sehingga agen tersebut tidak melakukan tindakan pengereman. Pada kasus ini, dibutuhkan agen refleks berbasis mdel yang dapat terus melakukan pelacakan terhadap lingkungan sehingga lingkungan dapat dikesan dengan baik.
Tipe Agen Mdel-Based Reflex Agents (2 f 5) Agen ini akan menambahkan suatu mdel tentang dunia yaitu pengetahuan tentang bagaimana dunianya bekerja. Jadi, agen refleks berbasis mdel ini menjaga keadaan dunianya menggunakan mdel internal kemudian memilih tindakan seperti agen refleks sederhana.
Tipe Agen Gal-Based Agents (3 f 5) Pengetahuan agen akan keseluruhan keadaan pada lingkungan tidak selalu cukup. Suatu agen tertentu harus diberikan infrmasi tentang tujuan yang merupakan keadaan yang ingin dicapai leh agen. Dengan demikian, agen akan bekerja hingga mencapai tujuannya. Pencarian dan perencanaan adalah dua deretan pekerjaan yang dilakukan untuk mencapai tujuan agen. Agen refleks berbasis tujuan ini menambahkan infrmasi tentang tujuan tersebut.
Tipe Agen Utility-Based Agents (4 f 5) Pencapaian tujuan pada agen tidak cukup untuk menghasilkan agen dengan tingkah laku berkualitas tinggi. Sebagai cnth untuk agen pengendara taxi, ada beberapa tindakan yang dapat dilakukan leh agen sehingga dapat mencapai tempat tujuan, namun ada yang lebih cepat, lebih aman, atau lebih murah dari yang lainnya. Agen refleks berbasis tujuan tidak membedakan keadaan yang bagus dengan keadaan yang tidak bagus untuk agen. Pada agen refleks berbasis kegunaan ini memikirkan kndisi yang bagus untuk agen sehingga agen dapat melakukan tugasnya jauh lebih baik.
Tipe Agen Utility-Based Agents (4 f 5) 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.
Tipe Agen Learning agents (5 f 5) Learning agents belajar dari pengalaman, meningkatkan kinerja bertanggung jawab untuk membuat perbaikan Elemen kinerja bertanggung jawab untuk memilih tindakan eksternal Kritikus memberikan umpan balik tentang bagaimana agen bekerja
Jenis Lingkungan Envirnment types Fully bservable vs. Partially bservable Deterministic vs. Stchastic Episdic vs. Sequential Static vs. Dynamic Discrete vs. Cntinuus Single agent vs. Multi agent
Jenis Lingkungan Fully bservable partially bservable Apabila sensr pada sebuah agen dapat mengakses keseluruhan keadaan pada lingkungan, maka lingkungan itu dapat dikatakan fully bservable terhadap agen. Lebih efektif lagi lingkungan dikatakan fully bservable jika sensr dapat mendeteksi seluruh aspek yang berhubungan dengan pilihan aksi yang akan dilakukan. Lingkungan yang fully bservable biasanya sangat memudahkan, karena agen tidak perlu mengurus keadaan internal untuk terus melacak keadaan lingkungan. Suatu lingkungan bisa menjadi partially bservable akibat ada gangguan dan ketidakakurasian sensr ataupun karena ada bagian keadaan yang hilang dari data sensr.
Jenis Lingkungan Deterministic stchastic Apabila keadaan lingkungan selanjutnya sepenuhnya bergantung pada keadaan sekarang dan juga tindakan yang akan dilakukan leh agen, maka lingkungan tersebut bersifat deterministic. Sedangkan stchastic adalah kebalikan dari deterministic, di mana keadaan selanjutnya tidak bergantung pada keadaan sekarang dan juga tindakan yang akan dilakukan leh agen. Apabila lingkungan bersifat deterministic terkecuali untuk tindakan dari agen, maka lingkungan tersebut bersifat strategic. Permainan Reversi bersifat deterministic karena keadaan selanjutnya bergantung pada keadaan sekarang (saat mengambil langkah).
Jenis Lingkungan Episdic sequential Untuk lingkungan yang bersifat episdic, pengalaman agen dibagi-bagi menjadi beberapa epidse pendek. Tiap episde terdiri dari apa yang dirasakan agen dan kemudian melakukan satu tindakan tertentu. Kualitas dari tindakan agen hanya tergantung pada episde itu saja, karena tindakan selanjutnya tidak tergantung pada tindakan apa yang akan dilakukan di episde sebelumnya. Lingkungan episdic lebih sederhana karena agen tidak perlu memikirkan langkah-langkah pada keadaan selanjutnya. Sedangkan pada lingkungan sequential, tindakan saat sekarang dapat mempengaruhi tindakan selanjutnya. Permainan Reversi bersifat sequential karena agen berpikir untuk langkah-langkah selanjutnya dan seluruh langkah yang akan diambil leh agen saling bergantung.
Jenis Lingkungan Static dynamic Apabila lingkungan dapat berubah saat agen sedang mengambil keputusan, maka lingungan tersebut bersifat dynamic, sebaliknya bersifat static. Lingkungan yang bersifat static lebih mudah dihadapi karena agen tidak perlu memperhatikan lingkungannya saat dia sedang mengambil tindakan, maupun waktu yang terus berjalan. Apabila lingkungan tidak berubah seiring waktu berjalan, namun menyebabkan nilai kemampuan agen berubah-ubah, maka lingkungan tersebut bersifat semidynamic. Permainan Reversi bersifat static karena saat agen mengambil tindakan, lingkungan tidak berubah dan juga tidak mempengaruhi nilai kemampuan agen.
Jenis Lingkungan Discrete cntinuus Apabila kesan dan tindakan yang akan diterima dan dilakukan leh agen telah ditetapkan dengan jelas, maka lingkungan tersebut bersifat discrete. Catur bersifat discrete, karena langkah yang akan diambil terbatas dan tertentu. Sedangkan pengendara taxi bersifat cntinuus, karena kecepatan dan lkasi pada taxi untuk suatu jangka tertentu mempunyai nilai yang terus-menerus berubah. Permainan Reversi bersifat discrete karena seluruh kesan dan tindakan telah jelas ditetapkan sesuai dengan peraturan permainan Reversi
Jenis Lingkungan Single agent multi agent Agen pemecah permainan teka teki silang berada pada lingkungan yang bersifat single agent. Agen pemain catur berada pada lingkungan yang bersifat multiagent. Ada hal lain yang memberikan perbedaan lingkungan agen, yaitu akan hal apakah agen memberikan bantuan kepada agen lain atau apakah agen akan memaksimalkan kemampuannya bergantung pada prilaku agen lain. Permainan Reversi bersifat multi agent karena memikirkan langkah yang akan diambil leh lawan.
Agen Cerdas Cnth Lingkungan dan karakteristiknya Permainan Reversi
Selesai