Intelligent Agent

Back to IF3170 Inteligensi Artifisial

Topic

Questions/Cues

• Apa definisi Agent?

• Bagaimana hubungan Agent & Lingkungan?

• Apa itu Sensor & Actuator?

• Contoh-contoh Agent?

• Bagaimana cara memodelkan dunia Agent?

• Apa tujuan dari Desain Agent?

• Apa itu Agent Rasional?

• Apa itu Ukuran Kinerja (Performance Measure)?

• Beda Rasionalitas vs. Kesempurnaan?

• Apa itu Rasionalitas Terbatas & PEAS?

Reference Points

• Modul: Intelligent Agent (IF3170)

Definisi dan Konsep Dasar Agent

Agent adalah segala sesuatu yang dapat melihat (perceiving) lingkungannya melalui sensor dan bertindak (acting) terhadap lingkungan tersebut melalui aktuator. Secara fundamental, agent adalah entitas komputasi yang dirancang untuk berperilaku secara otonom atau mandiri.

Analogi Sederhana: Pikirkan sebuah robot penyedot debu otomatis.

• Agent: Robot itu sendiri.

• Lingkungan: Lantai ruangan yang mungkin kotor atau bersih.

• Sensor: Sensor inframerah untuk mendeteksi dinding, sensor debu untuk mengetahui apakah area di bawahnya kotor.

• Aktuator: Roda untuk bergerak dan motor penyedot untuk membersihkan.

Interaksi Agent dan Lingkungan

Interaksi ini adalah sebuah siklus yang berkelanjutan:

1. Percepts: Agent menerima masukan atau data dari lingkungan melalui sensor-nya. Kumpulan data yang diterima pada satu waktu disebut percept.

2. Actions: Agent melakukan tindakan yang telah diputuskan menggunakan aktuator-nya, yang kemudian mengubah keadaan lingkungan.

Contoh-contoh Agent, Sensor, dan Aktuator

Agent	Sensor (Input)	Aktuator (Output)
Manusia	Mata, telinga, hidung, kulit	Tangan, kaki, mulut, otot
Robot Penyelesai Rubik	Kamera Raspberry Pi (untuk membaca warna kubus)	Motor Pivot (untuk memutar), Motor Shuffler (untuk menggeser)
Program Belanja Web	Halaman web (HTML), data produk, input pengguna	Klik mouse (simulasi), pengisian formulir, request HTTP
Pabrik Otomatis	Sensor suhu, sensor tekanan, kamera pengawas	Lengan robot, katup, ban berjalan

Model Dunia Agent dan Desain Agent

Untuk merancang agent secara formal, kita perlu memodelkan dunianya:

• Percept Space: Seluruh kemungkinan percept yang bisa diterima agent.

• Action Space: Seluruh kemungkinan action yang bisa dilakukan agent.

• Internal State (S): Representasi internal agent tentang keadaan dunia.

• World Dynamics ($S\times A\to S$): Mendefinisikan bagaimana dunia berubah. Jika dunia berada dalam keadaan S dan agent melakukan aksi A, dunia akan bertransisi ke keadaan baru.

Tujuan Desain Agent:

Masalah utama dalam desain agent adalah menemukan pemetaan (fungsi) yang ideal dari urutan persepsi ($P^{\ast }$) ke sebuah aksi ($A$). Tujuannya adalah untuk memilih aksi yang akan memaksimalkan Fungsi Utilitas ($U$), yaitu sebuah ukuran seberapa “baik” atau “diinginkan” urutan keadaan dunia ($S$) yang dihasilkan.

Agent Rasional (Rational Agent)

Agent rasional adalah agent yang berusaha melakukan hal yang benar (do the right thing) berdasarkan apa yang ia persepsikan dan tindakan yang bisa ia lakukan.

Ukuran Kinerja (Performance Measure):

“Hal yang benar” ini didefinisikan oleh Ukuran Kinerja, yang merupakan sebuah kriteria objektif untuk menilai keberhasilan perilaku agent. Agent dianggap rasional jika ia memilih tindakan yang diharapkan dapat memaksimalkan ukuran kinerjanya, berdasarkan bukti dari urutan persepsi yang telah diterima dan pengetahuan bawaan yang dimilikinya.

Rasionalitas BUKAN Kesempurnaan:

• Rasionalitas bukanlah Omniscience (Maha Tahu). Agent tidak mengetahui hasil pasti dari tindakannya. Ia bekerja berdasarkan ekspektasi dari informasi yang ada.

• Rasionalitas tidak menjamin Success (Kesuksesan). Bisa saja tindakan yang rasional secara ekspektasi ternyata menghasilkan outcome yang buruk.

Contoh: Anda melihat langit cerah (percept) dan memutuskan tidak membawa payung (action) untuk memaksimalkan kenyamanan (ukuran kinerja). Jika tiba-tiba hujan badai, keputusan Anda tetap rasional berdasarkan informasi yang ada, meskipun hasilnya tidak sukses.

Rasionalitas Terbatas (Limited Rationality)

Dalam praktiknya, agent memiliki keterbatasan komputasi (waktu dan memori). Oleh karena itu, agent beroperasi dalam rasionalitas terbatas. Tujuannya tetap sama: memaksimalkan fungsi utilitas, namun kini dibatasi oleh kendala komputasi yang ada.

Kerangka kerja yang umum digunakan untuk mendefinisikan masalah bagi agent rasional adalah PEAS:

• Performance (Ukuran Kinerja)

• Environment (Lingkungan)

• Actuators (Aktuator)

• Sensors (Sensor)

Summary

Agent adalah entitas otonom yang berinteraksi dengan lingkungannya melalui siklus persepsi (menggunakan sensor) dan aksi (menggunakan aktuator). Tujuan dari perancangan agent adalah untuk memetakan urutan persepsi ke aksi yang dapat memaksimalkan ukuran kinerja objektif (Fungsi Utilitas), yang mendefinisikan perilaku rasional. Namun, rasionalitas ini tidak berarti maha tahu atau jaminan kesuksesan, melainkan tindakan terbaik berdasarkan informasi yang tersedia dan seringkali dibatasi oleh kendala komputasi (rasionalitas terbatas).

Additional Information

Fungsi Agent vs. Program Agent

Penting untuk membedakan dua hal ini:

• Fungsi Agent: Ini adalah konsep abstrak matematis yang memetakan setiap urutan persepsi (P∗) ke sebuah aksi (A). f:P∗rightarrowA. Ini adalah deskripsi ideal dari perilaku agent.

• Program Agent: Ini adalah implementasi konkret yang berjalan pada arsitektur fisik (misalnya, komputer atau robot). Program ini yang menjalankan fungsi agent tersebut.

Detail Matematis: World Dynamics & Utility Function

• World Dynamics (StimesArightarrowS): Notasi ini adalah inti dari pemodelan lingkungan. Artinya, jika kita tahu keadaan dunia saat ini (S) dan aksi (A) yang diambil oleh agent, kita dapat memprediksi keadaan dunia selanjutnya. Dalam dunia nyata, fungsi ini sering bersifat probabilistik (tidak pasti).

• Utility Function (U): Fungsi ini memberikan nilai numerik untuk setiap urutan keadaan dunia. Agent yang rasional akan selalu mencoba bertindak sedemikian rupa sehingga urutan keadaan yang dihasilkannya memiliki nilai utilitas yang paling tinggi. Misalnya, dalam catur, keadaan “menang” memiliki utilitas +1, “kalah” -1, dan “seri” 0.

Eksplorasi Mandiri: Analisis PEAS

Coba definisikan kerangka PEAS untuk agent-agent berikut untuk memperdalam pemahaman:

1. Mobil Self-Driving:

   • Performance: Keamanan (tidak ada kecelakaan), kecepatan, kenyamanan penumpang, efisiensi bahan bakar.

   • Environment: Jalan raya, lalu lintas, pejalan kaki, marka jalan, cuaca.

   • Actuators: Setir, pedal gas, rem, lampu sein, klakson.

   • Sensors: Kamera, LiDAR, radar, GPS, odometer.

2. Filter Email Spam:

   • Performance: Meminimalkan email spam di inbox (presisi tinggi), meminimalkan email non-spam yang masuk ke folder spam (recall tinggi).

   • Environment: Server email, akun pengguna, email yang masuk.

   • Actuators: Menandai email sebagai spam, memindahkannya ke folder spam.

   • Sensors: Penganalisis konten email (header, pengirim, isi teks).

Sumber & Referensi Lanjutan:

• Buku Teks: “Artificial Intelligence: A Modern Approach” oleh Stuart Russell dan Peter Norvig. Bab 2 dari buku ini adalah sumber definitif dan pembahasan yang jauh lebih mendalam untuk semua konsep yang disajikan di modul ini.

• Tools & Software: Cobalah untuk mengimplementasikan agent sederhana, seperti simple reflex agent untuk vacuum-cleaner world, menggunakan bahasa pemrograman Python untuk melihat bagaimana konsep ini diwujudkan dalam kode.