Dokumen tersebut membahas tentang agen cerdas, termasuk definisi, rasionalitas agen, tipe-tipe agen, dan lingkungan. Secara ringkas, agen cerdas adalah sesuatu yang dapat merasakan lingkungan melalui sensor dan memberikan respon melalui efektor, memiliki tujuan, dan mampu memecahkan masalah. Terdapat berbagai tipe agen seperti agen refleks sederhana, berbasis model, berbasis tujuan, dan belajar. Lingkungan
Teknologi kendaraan otonom berpotensi mengubah sistem transportasi dengan meningkatkan keamanan. Kendaraan otonom dapat beroperasi tanpa pengemudi berkat sistem sensor dan komputer pusat yang memproses data sensor untuk menentukan jalur berkendara. Proyek Google Driverless Car bertujuan mengembangkan mobil yang dapat mengendalikan diri sendiri untuk memudahkan transportasi manusia.
Teknologi kendaraan otonom berpotensi mengubah sistem transportasi dengan meningkatkan keamanan. Kendaraan otonom dapat beroperasi tanpa pengemudi berkat sistem sensor dan komputer pusat yang memproses data sensor untuk menentukan jalur berkendara. Proyek Google Driverless Car bertujuan mengembangkan mobil yang dapat mengendalikan diri sendiri untuk memudahkan transportasi manusia.
Dokumen ini membahas penggunaan UML dan ROSE dalam presentasi dengan menjelaskan cara menggunakan PowerPoint untuk mencatat item-item tindak lanjut selama presentasi. Dokumen ini juga menjelaskan konsep dasar rekayasa perangkat lunak berorientasi objek dengan mendefinisikan objek, kelas, pewarisan, agregasi, dan keunggulannya dibanding paradigma lain.
Teks tersebut merangkum penelitian terkait aplikasi sensor ultrasonik dalam berbagai bidang seperti deteksi hambatan di jalan untuk keamanan bersepeda dan bantuan navigasi tuna netra, pemetaan kondisi permukaan jalan untuk sistem suspensi kendaraan, serta deteksi kecelakaan dan pengukuran kecepatan kendaraan menggunakan sensor ultrasonik. Berbagai metode dan algoritma dipaparkan beserta hasil eksperimen yang mendukung penerapan sensor
Dokumen ini membahas penggunaan UML dan ROSE dalam presentasi dengan menjelaskan cara menggunakan PowerPoint untuk mencatat item-item tindak lanjut selama presentasi. Dokumen ini juga menjelaskan konsep dasar rekayasa perangkat lunak berorientasi objek dengan mendefinisikan objek, kelas, pewarisan, agregasi, dan keunggulannya dibanding paradigma lain.
Teks tersebut merangkum penelitian terkait aplikasi sensor ultrasonik dalam berbagai bidang seperti deteksi hambatan di jalan untuk keamanan bersepeda dan bantuan navigasi tuna netra, pemetaan kondisi permukaan jalan untuk sistem suspensi kendaraan, serta deteksi kecelakaan dan pengukuran kecepatan kendaraan menggunakan sensor ultrasonik. Berbagai metode dan algoritma dipaparkan beserta hasil eksperimen yang mendukung penerapan sensor
4. INTELLIGENT AGENT IS…
RUSSEL&NORVIG, 1955
Sesuatu yang memiliki kemampuan
merasakan pengaruh lingkungan melalui
sensor dan mampu melakukan respon balik
kepada lingkungan tsb melalui effector
OKAMOTO & TAKAOKA, 1997
Mempunyai tujuan
Memberdayakan resource
Memecahkan masalah
HUMAN AGENT (agen yang menyerupai manusia)
Sensor : mata, telinga.
Effector : tangan, kaki, mulut dan lain-lain.
.
Environment
Action
Perceipt
Sensors
Actuator
5. “
The process by which intelligent agents
sense, perceive, and interpret their external worlds,
called domains. Agents use built-in sensors in order
to obtain sensory data
Intelligent Agent Perceptions
6. Cara sensor menginterpretasi data
Probabilitas
Bayes Theorem
Akibat keterbatasan sensor,
kebisingan, dan dinamisme
lingkungan dan ketidakpastian,
masukan menjadi tidak pasti.
Algoritma probabilistic
menggunakan data sensor
dengan cara yang menghitung
distribusi probabilitas mengenai
apa yang mungkin terjadi di
lingkungan agen secara
keseluruhan, versus
menghasilkan satu tebakan
terbaik
Neural Network
Backpropagation
Teknik pengolahan informasi
terinspirasi sistem saraf manusia.
JST terdiri dari tiga lapisan:
lapisan masukan, lapisan
tersembunyi, dan lapisan
keluaran. Setiap masukan
sensorik masuk dalam simpul
masukan. Masukan ini kemudian
diberikan ke setiap simpul di
lapisan tersembunyi. Nilai output
dari setiap simpul tersembunyi
kemudian diberikan ke node
output, dan output sebagai
persepsi
11. PERFORMANCE MEASURES (PM)
Dalam setiap rangkaian persepsi yang
memungkinkan, Agen rasional
seharusnya memilih aksi yang
diharapkan memaksimalkan PM,
dengan memiliki bukti persepsi dan
pengetahuan apapun yang ada dalam
agen.
12. PRIOR KNOWLEDGE OF ENVIRONMENT
◦Pengetahuan yang diperlukan oleh agen untuk
melakukan aksinya.
◦Contoh:
◦Agen dapat mengenali debu atau bentuk-bentuk
yang harus dihindari
13. ACTIONS & SENSOR
◦Tindakan yang perlu dapat
dilakukan oleh agen untuk
mencapai kinerja yang baik
Contoh:
◦Penyedot debu otomatis
dapat bergerak ke kiri, kanan,
dan menyedot
◦Alat yang digunakan untuk
menangkap persepsi dari
lingkungan
Contoh:
◦Sensor debu, camera(untuk
mempersepsikan lingkungan)
17. SIMPLE REFLEX AGENT
◦Memilih aksi berdasarkan persepsi saat ini, dan mengabaikan
persepsi yang lalu
◦Contoh : agen penyedot debu hanya memutuskan menyalakan
alat sedot saat terindikasi ada kotoran.
18. MODEL BASE REFLEX AGENT
◦Menggunakan model lingkungan.
◦Model lingkungan : pengetahuan bagaimana lingkungan
bekerja.
◦Contoh : taxi akan semakin mendekati tujuan setelah lima
menit melaju.
Function Reflex_Agent_State(percept)
StateUpdate_state(state, action,percept)
RuleRule_match(state,rule)
ActionRule_action(rule)
19. GOAL BASE AGENT
Agent membutuhkan gambaran/informasi tujuan yg menggambarkan
situasi yang diharapkan untuk menentukan aksi.
Pencarian dan perencanaan
Contoh : agen taxi harus mengetahui tujuan penumpang untuk
memutuskan belok kiri, kanan, atau lurus pada suatu persimpangan
20. UTILITY BASE AGENT
◦Tujuan bukan satu-satunya ukuran tercapainya perilaku yang
berkualitas tinggi
◦Banyaknya aksi yang dilakukan agen untuk mencapai
tujuan→dapat menjadi ukuran.
◦Contoh : kepuasan penumpang dapat diukur juga dari
kecepatan, keamanan, atau biaya yang dikeluarkan.
21. LEARNING AGENT
Memungkinkan agen untuk beraksi dalam lingkungan yg tidak dikenal,
dan menjadi semakin kompeten dari sebelumnya.
• memilih aksi
• menyarankan
aksi yang
mengarah pada
pengalaman baru
• Monev kinerja
elemen
menentukan
strategi agar lebih
baik dilain waktu.
• untuk
peningkatan.
Learning
element
Critics
Performance
element
Problem
generators
23. Environment
lingkungan yang akan dihadapi oleh agen
Sensors
alat atau cara agen mendeteksi kondisi lingkungan
Actuators
alat yang akan mendukung pencapaian tujuan
Performance :
kualitas atau harapan yang diinginkan
Task Environment (PEAS)
24. Tipe agen PM Environment Actuators Sensors
Taxi Aman, cepat,
legal, nyaman,
menguntungkan
Jalan, kendaraan
lain, pejalan kaki,
penumpang
Stir, rem,
klakson,
display,
Kamera, sonar,
GPS, keyboard
Sistem
diagnosa
medis
Kesehatan
pasien, ongkos
murah
Pasien rumah
sakit
Pertanyaan, uji,
perawatan
Gejala,
jawaban pasien
Sistem
analisa
image
satelit
Memperbaiki
kategorisasi
Citra dari satelit
yang mengorbit
Cetak
kategorisasi
Pixel ,
intensitas
warna
Tutorial
interaktif
bhs. Inggris
Memaksimalkan
nilai siswa pada
tes
Himpunan siswa Cetak latihan,
saran,
perbaikan
Kata-kata yang
dimasukkan
Contoh PEAS
26. PERBEDAAN PRINSIP LINGKUNGAN BERDASARKAN SIFAT :
Deterministic
Episodic
Static
Discrete
Stochastic
Sequential
Dynamic
Continous
Fully
observable
partially
observable
27. Fully observable vs. partially observable
Fully observable
jika sensor agen memberi
akses untuk melengkapi
status lingkungan pada tiap
titik dalam satu waktu. Sensor
akan mendeteksi semua
aspek yang relevan untuk
memilih tindakan.
Partially observable
Dapat disebabkan oleh noisy
dan ketidakakuratan sensor
atau karena sebagian kondisi
hilang dari sensor data.
Contoh : taxi otomatis tidak
mengetahui apa yg dipikirkan
sopir mobil lain.
28. Deterministic vs Stochastic
Deterministic
jika status lingkungan
selanjutnya ditentukan
dengan lengkap oleh status
saat ini.
Stochastic
Jika sebaliknya dari
Deterministic
Contoh : taxi otomatis tidak
dapat memprediksi
kemacetan jalan raya.
29. Episodic vs Sequential
Episodic
jika pengalaman agen dibagi
menjadi episode yang kecil-
kecil. Setiap episode berisi
tentang agen memahami dan
melakukan sebuah tindakan.
Secara krusial episode
berikutnya tidak tergantung
pada tindakan yang diambil
pada episode sebelumnya.
Sequential
Tindakan agen sangat
tergantung pada kondisi
sebelumnya
Contoh : taxi otomatis adalah
sistem yang harus
mengetahui apa yg ada di
depan.
30. Static vs Dynamic
Dynamic
jika lingkungan berubah
selama agen melakukan
penyesuaian.
Static
Lingkungan statis lebih
mudah karena agen tidak
perlu terus mengamati
lingkungan saat memutuskan
tindakan atau
mengkhawatirkan perjalanan
waktu.
Contoh : taxi otomatis karena
kendaraan lain tetap berjalan
selama algoritma taxi
menentukan keputusan
berikutnya.
31. Discrete vs Continous
Discrete /continuous
dapat diterapkan pada status
lingkungan, ke cara
menangani waktu, dan ke
persepsi dan tindakan sebuah
agen.
Contoh : status lingkungan
diskrit seperti permainan
catur memiliki jumlah
tertentu status yang berbeda.
Status lingkungan Taxi
otomatis kontinyu dari waktu
ke waktu.
32. Single agent vs. multi agent
Tergantung bagaimana agent
memandang lingkungannya
sebagai agent lain atau
bukan.
Kunci perbedaannya adalah
apakah tingkah laku agen B
dapat menggambarkan
dengan baik hal-hal yang
memaksimalkan PM yang
nilainya tergantung ukuran
kinerja agen A.
Contoh :
crossword puzzle adalah
single-agent environment
catur adalah two-agent
environment.
35. TUGAS KECIL 1
Cari beberapa artikel yang mengulas teknologi yang memiliki AI.
Buat ulasan tentang agent tersebut dengan mengisi tabel
berikut sehingga semua kolom terisi
TABEL 1.
TABEL 2.
Unggah ke kuliah online di kelas masing-masing dalam waktu
kurang dari 1 minggu dari pemberian tugas ini
Tipe
agen
observable Single / multi
agent
deterministic episodic static discrete
Tipe agen PM environment actuator sensor