2. OUTLINE
• Definisi Kecerdasan Buatan
• Kecerdasan buatan vs kecerdasan alami
• Perkembangan dan aplikasinya
• Definisi Agen Cerdas
• Agen dan Lingkungannya
• Jenis Lingkungan Agen
4. Arti Kecerdasan
kemampuan untuk …
• belajar atau mengerti dari pengalaman,
• memahami pesan yang kontradiktif dan ambigu,
• menanggapi dengan cepat dan baik atas situasi yang baru,
• menggunakan penalaran dalam memecahkan masalah serta
menyelesaikannya dengan efektif
(Winston dan Pendergast, 1994)
5. Definisi Kecerdasan Buatan
simulasi dari kecerdasan yang dimiliki oleh
manusia yang dimodelkan di dalam mesin dan
diprogram agar bisa berpikir seperti halnya
manusia.
suatu disiplin ilmu yang terkait dengan
pemrograman komputer untuk melakukan
sesuatu hal - yang dalam pandangan manusia
adalah “CERDAS”(H. A. Simon [1987])
6. Kecerdasan buatan adalah studi bagaimana membuat komputer
dapat melakukan sesuatu sebaik yang dilakukan manusia
Kecerdasan buatan meliputi studi tentang pemrograman simbolik
/ pemrograman non-simbolik untuk menyelesaikan masalah
Detail Kecerdasan Buatan
Sudut
Pandang
Penelitian
Sudut
Pandang
Pemrogram
7. Kecerdasan buatan adalah kumpulan peralatan yang sangat
powerful dan metodologis dalam menyelesaikan masalah bisnis
Kecerdasan buatan mampu membuat mesin menjadi cerdas
(berbuat seperti yang dilakukan manusia)
Detail Kecerdasan Buatan
Sudut
Pandang
Bisnis
Sudut
Pandang
Kecerdasan
8. Tujuan Kecerdasan Buatan
• Membuat komputer lebih cerdas
• Memudahkan pekerjaan manusia, efisiensi
• Membuat mesin lebih berguna
9. Konsep Kecerdasan Buatan
Suatu strategi untuk melakukan proses pencarian (search) ruang problem secara efektif, yang
memandu proses pencarian yang kita lakukan di sepanjang jalur yang memiliki kemungkinan sukses
paling besar.
Heuristic
Contoh:
• Traveling salesman problem (TSP)
• Search optimization problems
• Antivirus software, dll
10. Konsep Kecerdasan Buatan
Contoh:
Machine learning belajar membedakan mana yang email Spam
dan bukan Spam
berfokus pada penggunaan data dan algoritma untuk meniru cara manusia belajar dan secara
bertahap dapat meningkatkan akurasinya.
Learning Process
11. Konsep Kecerdasan Buatan
AI mencoba membuat mesin memiliki kemampuan berpikir atau mempertimbangkan (reasoning),
termasuk didalamnya proses (inferencing) berdasarkan fakta-fakta dan aturan dengan menggunakan
metode heuristik, dll
Inferensi (Penarikan Kesimpulan)
Contoh:
- Sistem pakar diagnose penyakit menggunaka logika predikat dan
aturan inferensinya
12. Konsep Kecerdasan Buatan
Berusaha untuk menjelaskan obyek, kejadian (events) atau proses, dalam hubungan logik atau
komputasional
Pencocokan Pola (Pattern Matching)
Contoh:
Data-driven decision trees and machine-learning classifiers: You can
use data-driven decision trees and machine-learning classifiers to
identify patterns in order to recognize certain data patterns and
categorize them accordingly
14. Kecerdasan Buatan VS Kecerdasan Alami
AI lebih permanen
dapat diduplikasi
mudah dalam penyebaran
lebih murah
Konsisten dan menyeluruh
melakukan pekerjaan tertentu lebih
cepat & lebih baik dari manusia
HUMAN
lebih kreatif
Dapat melakukan proses pembelajaran
secara langsung, sementara AI harus
mendapatkan masukan berupa simbol
dan representasi-representasi
Menggunakan fokus yang luas sebagai
referensi untuk pengambilan keputusan.
Sebaliknya, AI menggunakan fokus yang
sempit
15. APLIKASI AI SAAT INI
Abdul Rahman, S.Si., M.T.I
Voice Asistant Spam Filter Gmail Content-on-demand
Netflix
The best route
Google Maps
- guessing keyword
- learning linguistic value
placing ads on users with certain market segments Chatbot optimasi pemilihan driver
17. AGEN CERDAS
• Agen adalah “segala sesuatu yang bertindak
mengamati lingkungannya melalui sensor dan
merespon lingkungan itu melalui efektor”.
• Seorang agen manusia memiliki mata, telinga,
dan organ lainnya sebagai sensor, kemudian
tangan, kaki, mulut, dan bagian tubuh lainnya
untuk efektor.
• Efektor → jaringan tubuh, struktur, atau organ
(sebagai kelenjar atau otot) yang menjadi aktif
sebagai respons terhadap rangsangan.
18. Perilaku Agen Cerdas
• Agen rasional → agen berupaya untuk melakukan sesuatu dengan benar
•Percepts : masukan yang
ditangkap dari sensor
•Actions : tindakan yang
dilakukan oleh Agent
•Environments : lingkungan
dimana si Agent berada
•Agents : humans, robots,
softbots, thermostats, etc.
19. Contoh: Vacuum Cleaner World
• Percepts: lokasi dan kondisi, mis: [A, Kotor]
• Actions: Kiri, Kanan, Menghisap, Berhenti
20. Agent & Lingkungan
• Agent function memetakan dari rekaman inputan (percept histories)
ke tindakan (actions):
• Agent program menjalankan architecture (kumpulan agent function)
untuk menghasilkan f (tindakan)
21. Konsep Agen Rasional
• Agen rasional selalu berupaya melakukan sesuatu dengan benar agar
berhasil
• Kriteria untuk keberhasilan perilaku agent disebut performance
measure
• Contoh : A vacuum-cleaner agent
• jumlah kotoran yang dibersihkan
• jumlah waktu yang dibutuhkan
• jumlah konsumsi listrik
• jumlah kebisingan yang dihasilkan
• dll
Amarey A900 robotic vacuum cleaner with AI.
Built-in navigation sensor with visual SLAM technology, which allows this smart cleaner accurately mapping for optimal cleaning path with easy-to-use APP remote control.
22. Agen Rasional
• Agen rasional → suatu agent yang selalu bertindak memaksimalkan
ukuran kinerja, mengingat apa yang ia amati tentang lingkungan dan
pengetahuan lain yang dimilikinya
• Rasionalitas berbeda dari kemahatahuan (mengetahui segala sesuatu
tanpa batas)
• Agent melakukan tindakan: memperbaiki wawasan kedepan untuk
memperoleh informasi penting (information gathering, exploration)
• Agent disebut autonomous jika perilaku ditentukan oleh pengalaman
sendiri (kemampuan untuk belajar dan beradaptasi)
23. PEAS
• PEAS → Performance measure, Environment, Actuators, Sensors
• Ketika merancang sebuah agent, harus mendefinisikan lingkungan
masalah (task environment), yakni:
• Performance measure : apa saja komponen pengukur keberhasilan si agent?
• Environment : kondisi apa saja yang ada disekitar si agent?
• Actuators : apa saja yang bisa dilakukan si agent?
• Sensors : apa saja yang menjadi input si agent?
24. Contoh : Taksi Otomatis
• Sebuah agent taksi otomatis yang menerima penumpang dan
mengantarkannya ke tujuan :
• Performance measure: sampai tujuan, tidak melanggar aturan
lalu lintas, perjalanan nyaman, hemat bensin
• Environment: jalan, lalu lintas, pejalan kaki, pelanggan
• Actuators: arah stir, gas, rem, klakson, sinyal kiri atau kanan
• Sensors: video, speedometer, GPS, keyboard
25. Contoh : Medical Diagnosis System
• Sebuah agent Medical diagnosis system
yang mendiagnosa pasien secara otomatis:
• Performance measure: pasien sembuh, biaya
murah, tidak menyalahi hukum
• Environment: pasien, rumah sakit, suster,
dokter
• Actuators: layar monitor (pertanyaan, tes,
diagnosa, treatment, petunjuk)
• Sensors: keyboard, mouse (masukan gejala
penyakit, jawaban pasien)
26. Contoh : Robot pabrik penjamin mutu
• Sebuah robot yang melakukan pemisahan
komponen yang bermutu tinggi pada ban
berjalan ke dalam kotak berbeda
• Performance measure:?
• Environment: ?
• Actuators: ?
• Sensors: ?
27. Contoh : Robot pabrik penjamin mutu
• Sebuah robot yang melakukan pemisahan
komponen yang bermutu tinggi pada ban
berjalan ke dalam kotak berbeda
• Performance measure: prosentase jumlah
komponen yg diletakkan pada kotak yang
benar
• Environment: ban berjalan, komponen yang
diuji, kotak
• Actuators: gerak lengan dan tangan robot
• Sensors: kamera, sensor fisik
28. Contoh : Interactive English Tutor
• Sebuah agent tutor yang memberikan
latihan english secara interaktif
• Performance measure:?
• Environment: ?
• Actuators: ?
• Sensors: ?
29. Contoh : Interactive English Tutor
• Sebuah agent tutor yang memberikan
latihan english secara interaktif
• Performance measure:nilai skor maksimal
• Environment: para siswa
• Actuators: layar monitor (latihan, saran koreksi)
• Sensors: keyboard
31. 6 Jenis Environment
Fully observable
Fully: Ketika sensor pada sebuah agen dapat
mengakses keseluruhan keadaan pada
lingkungan, maka lingkungan itu dapat
dikatakan fully observable terhadap agen.
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 observable
VS 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
32. 6 Jenis Environment
Single 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 tugas agen
cerdas tersebut
Multi agent
VS 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.
33. Episodic
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
VS 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.
6 Jenis Environment
34. Deterministic
Deterministic: Sesuatu yang Pasti.
Contoh: Penayangan Harga tiket pesawat,
harganya pasti sesuai yang ditayangkan
berdasarkan informasi penerbangan.
Stochastic
VS Stochastic: Ada ketidakpastian.
Contoh: Ada ketidakpastian Google Maps
karena tidak bisa melihat kondisi jalan secara
real-time apakah benar-benar macet atau
ditutup.
6 Jenis Environment
35. Static
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
VS 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.
6 Jenis Environment
36. Discrete
Discrete: Jumlah aksi dan persepsi Terbatas,
atau dengan kata lain 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.
Continues
VS Continuous: Jumlah aksi dan persepsi bisa
berubah, atau dengan kata lain 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 dianalisa
dengan mudah misal: macet ringan, sedang
atau parah.
6 Jenis Environment
37. Contoh : Jenis Environment
• Jenis environment menentukan desain seorang agent
• Di dunia nyata pada umumnya: partially observable, stochastic, sequential,
dynamic, continuous, multi-agent
38. 5 Jenis Agent
• Simple reflex agents: melakukan
tindakan sesuai dengan inputan
yang diterima
39. 5 Jenis Agent
• Bertindak berdasarkan input saat
ini dan menggunakan histori input
sebelumnya sebagai informasi
pelengkap.
• Merekam histori kondisi
lingkungan, tindakan yang diambil
oleh agen serta dampak dari
tindakan tersebut.
• Rekaman histori kondisi lingkungan
tersebut disebut model
40. 5 Jenis Agent
• Memiliki informasi mengenai
kondisi saat ini ditambah informasi
tujuan yg ingin dicapai, agen
memilih tindakan yang dapat
mencapai tujuan
41. 5 Jenis Agent
• Melakukan penilaian kuantitatif
terhadap suatu keadaan lingkungan
–> utility function.
• Agen melakukan perhitungan
terhadap kinerja/kualitas tindakan
yang diambil untuk mencapai
tujuan
42. 5 Jenis Agent
• Belajar dari pengalaman, bisa
meningkatkan kinerja agen
A learning agent is a tool in AI that is capable of learning
from its experiences. It starts with some basic
knowledge and is then able to act and adapt
autonomously, through learning, to improve its own
performance. Unlike intelligent agents that act on
information provided by a programmer, learning agents
are able to perform tasks, analyze performance, and
look for new ways to improve on those tasks - all on
their own.
43. Ringkasan
• Kecerdasan buatan adalah suatu konsep untuk memberikan mesin
kemampuan untuk dapat berpikir layaknya manusia
• kecerdasan buatan bersifat lebih permanen, mudah duplikasi, efisien,
cakupan berpikir sempit
• kecerdasan alami bersifat lebih kreatif dan dan cakupan berpikir luas
44. Ringkasan
• Sebuah rational agent harus memiliki tujuan (goal)
• Sebuah task environment mendefiniskan performance measure,
environment, action, dan sensors (PEAS) sebuah agent.
• Agent function memetakan persepsi terhadap tindakan.
• Agent program mengimplementasikan agent function.
• Jenis-jenis agent: simple reflex, model-based, goal-based, utility-
based, dan learning.