Kecerdasan Artifisial

Pertemuan 01

Pengantar AI dan Agen Cerdas

Mata Kuliah: Kecerdasan Artifisial (AI401) | 3 SKS

🎯 Capaian Pembelajaran

Setelah pertemuan ini, mahasiswa mampu:

  1. Menjelaskan definisi dan sejarah perkembangan AI
  2. Membedakan empat pendekatan dalam AI
  3. Menjelaskan konsep agen cerdas dan lingkungannya
  4. Mengidentifikasi lima jenis agen cerdas
  5. Menganalisis karakteristik lingkungan tugas
  6. Menerapkan kerangka PEAS untuk analisis sistem AI

📋 Agenda Hari Ini

Bagian 1

  • Definisi AI
  • Sejarah AI
  • Empat Pendekatan AI

Bagian 2

  • Konsep Agen Cerdas
  • Jenis-jenis Agen
  • Karakteristik Lingkungan
  • Kerangka PEAS

🤖 Apa itu Kecerdasan Artifisial?

Kecerdasan Artifisial (AI) adalah cabang ilmu komputer yang berfokus pada pembuatan sistem yang dapat melakukan tugas-tugas yang memerlukan kecerdasan manusia.

Kemampuan yang ditiru:

  • 🧠 Penalaran (Reasoning)
  • 📚 Pembelajaran (Learning)
  • 🧩 Pemecahan Masalah (Problem Solving)
  • 🎯 Pengambilan Keputusan (Decision Making)

Contoh AI di Sekitar Kita

🏠 Kehidupan Sehari-hari

  • Virtual Assistant (Siri, Alexa)
  • Rekomendasi Netflix/Spotify
  • Filter spam email
  • Face unlock smartphone

🎖️ Bidang Pertahanan

  • Drone otonom
  • Sistem radar cerdas
  • Analisis citra satelit
  • Cybersecurity AI

📜 Sejarah Singkat AI

Tahun Peristiwa
1950 Alan Turing mengusulkan "Turing Test"
1956 Dartmouth Conference - lahirnya istilah "AI"
1997 Deep Blue mengalahkan Kasparov (Catur)
2016 AlphaGo mengalahkan Lee Sedol (Go)
2022+ Era Large Language Models (ChatGPT)

🧪 Turing Test

Turing Test: Metode pengujian untuk menentukan apakah mesin dapat menunjukkan perilaku cerdas yang setara dengan manusia.

Prosedur:

  1. Penguji berkomunikasi via teks dengan mesin dan manusia
  2. Penguji tidak tahu mana yang mesin
  3. Jika tidak bisa membedakan → Mesin "lulus"

❄️ AI Winter

Periode penurunan minat dan pendanaan AI:

AI Winter 1 (1974-1980)
  • Keterbatasan hardware
  • Kompleksitas kombinatorial
AI Winter 2 (1987-1993)
  • Expert systems gagal scale
  • Biaya maintenance tinggi

💡 Pelajaran: Ekspektasi harus realistis dengan kapabilitas teknologi

🔄 Empat Pendekatan dalam AI

Empat Pendekatan AI

Gambar 1.1: Matriks empat pendekatan dalam AI

Pendekatan "Berpikir"

🧠 Berpikir seperti Manusia

Mensimulasikan proses kognitif manusia

Bidang: Cognitive Science

⚙️ Berpikir Rasional

Menggunakan logika formal untuk penalaran

Bidang: Logic, Mathematics

Pendekatan "Bertindak"

👤 Bertindak seperti Manusia

Perilaku tidak dapat dibedakan dari manusia

Benchmark: Turing Test

🎯 Bertindak Rasional ⭐

Memilih tindakan untuk hasil optimal

Pendekatan paling populer di AI modern

🎯 Rational Agent

Rational Agent adalah agen yang bertindak untuk mencapai hasil terbaik atau, ketika ada ketidakpastian, hasil yang diharapkan terbaik.

⚠️ Rational ≠ Omniscient (Maha Tahu)
Agen rasional memaksimalkan hasil berdasarkan informasi yang tersedia, bukan hasil aktual.

🤖 Konsep Agen

Agen adalah entitas yang mempersepsi lingkungan melalui sensor dan bertindak melalui aktuator.
Interaksi Agen-Lingkungan

Komponen Agen

Komponen Fungsi Contoh (Robot)
Sensor Menerima input dari lingkungan Kamera, LIDAR, microphone
Aktuator Melakukan tindakan Motor, speaker, display
Agent Function Memetakan percept → action Program kontrol

Percept dan Percept Sequence

  • Percept: Input yang diterima agen pada satu waktu
  • Percept Sequence: Sejarah lengkap semua percept

Agent Function (matematis):

f : P* → A

P* = semua percept sequence, A = semua tindakan

🏗️ Lima Jenis Agen Cerdas

  1. Simple Reflex Agent - Hanya berdasarkan percept saat ini
  2. Model-Based Reflex Agent - Memiliki internal state
  3. Goal-Based Agent - Mempertimbangkan tujuan
  4. Utility-Based Agent - Mengukur "kebahagiaan"
  5. Learning Agent - Belajar dari pengalaman

↑ Kompleksitas meningkat ↑

1️⃣ Simple Reflex Agent

Simple Reflex Agent

Karakteristik:

  • Aturan IF-THEN sederhana
  • Tidak ada memori (stateless)
  • Sangat cepat
  • Hanya untuk fully observable

Contoh: Thermostat

IF suhu > 25 THEN matikan_AC

2️⃣ Model-Based Reflex Agent

Model-Based Agent

Tambahan dari Simple Reflex:

  • Internal State - Menyimpan informasi
  • Transition Model - Bagaimana dunia berubah
  • Sensor Model - Interpretasi percept

Contoh: Robot yang mengingat posisi objek yang pernah dilihat

3️⃣ Goal-Based Agent

Goal-Based Agent

Tambahan dari Model-Based:

  • Goal - Keadaan yang ingin dicapai
  • Planning - Mencari cara mencapai goal

Lebih fleksibel! Ubah goal = ubah perilaku

Contoh: Robot navigasi dengan tujuan tertentu

4️⃣ Utility-Based Agent

Utility-Based Agent

Tambahan dari Goal-Based:

  • Utility Function - Mengukur "kebahagiaan"
  • Dapat membandingkan alternatif
  • Menangani trade-off

Contoh: Self-driving car

Menyeimbangkan: kecepatan, keamanan, kenyamanan

📊 Contoh Utility Function

Skenario: Drone militer memilih target

U(target) = Military_Value × Survival_Prob - Fuel_Cost

Target Value Survival Fuel Cost Utility
A 80 0.70 20 36
B ⭐ 60 0.90 10 44
C 100 0.50 30 20

Target B optimal meskipun value-nya bukan tertinggi!

5️⃣ Learning Agent

Learning Agent

Dapat meningkatkan kinerja dari pengalaman

Komponen Learning Agent

Komponen Fungsi
Elemen Kinerja Memilih tindakan (seperti agen biasa)
Elemen Pembelajaran Memperbaiki elemen kinerja
Kritik Mengevaluasi performa
Generator Masalah Menyarankan eksplorasi

📌 Akan dibahas lebih dalam di Pertemuan 13-14 (Machine Learning)

📋 Perbandingan Jenis Agen

Jenis Agen State? Goal? Utility? Belajar?
Simple Reflex ❌ ❌ ❌ ❌
Model-Based Reflex ✅ ❌ ❌ ❌
Goal-Based ✅ ✅ ❌ ❌
Utility-Based ✅ ✅ ✅ ❌
Learning ✅ ✅ ✅ ✅

🌍 Karakteristik Lingkungan Tugas

Enam dimensi untuk menganalisis lingkungan:

Karakteristik Lingkungan

👁️ Observable

Fully Observable

Agen dapat melihat seluruh state lingkungan

Contoh: Permainan catur

Partially Observable

Agen hanya melihat sebagian state

Contoh: Poker, self-driving car

⚠️ Partially observable → perlu internal state!

🎲 Deterministic vs Stochastic

Deterministik

State berikutnya pasti ditentukan oleh state dan aksi

Contoh: Catur

Stokastik

Ada elemen ketidakpastian

Contoh: Backgammon (ada dadu)

🔄 Episodic vs Sequential

Episodik

Episode independen, keputusan tidak mempengaruhi episode lain

Contoh: Klasifikasi gambar

Sekuensial

Keputusan saat ini mempengaruhi keputusan masa depan

Contoh: Permainan catur

⏱️ Static vs Dynamic

Statis

Lingkungan tidak berubah saat agen berpikir

Contoh: Crossword puzzle

Dinamis

Lingkungan dapat berubah kapan saja

Contoh: Combat drone

📌 Semi-dynamic: Lingkungan tidak berubah, tapi skor/waktu berubah (catur dengan timer)

📊 Discrete vs Continuous

Diskret

State dan action dapat dihitung

Contoh: Permainan papan

Kontinu

State/action dalam rentang kontinu

Contoh: Robot navigasi (posisi x, y, z)

👥 Single vs Multi-Agent

Agen Tunggal

Hanya satu agen di lingkungan

Contoh: Sudoku solver

Multi-Agen

Beberapa agen berinteraksi

Cooperative: Bekerja sama
Competitive: Bersaing

📋 Kerangka PEAS

PEAS adalah kerangka untuk menspesifikasikan lingkungan tugas:
Komponen Pertanyaan
Performance Bagaimana mengukur kesuksesan?
Environment Apa saja yang ada di lingkungan?
Actuators Apa yang dapat dilakukan agen?
Sensors Apa yang dapat dipersepsi agen?

📝 Contoh PEAS: Automated Taxi

Komponen Spesifikasi
Performance Keselamatan, waktu tempuh, kenyamanan, efisiensi BBM
Environment Jalan, lalu lintas, pejalan kaki, rambu, cuaca
Actuators Kemudi, akselerator, rem, klakson
Sensors Kamera, LIDAR, GPS, speedometer

🎖️ Contoh PEAS: UAV Pengintai

Komponen Spesifikasi
Performance Area coverage, detection rate, survival rate
Environment Airspace, terrain, target, ancaman, cuaca
Actuators Flight controls, camera gimbal, transmitter
Sensors Cameras (visual, thermal), radar, GPS, altimeter

🧠 Quiz Time!

Pertanyaan 1:

Pendekatan AI mana yang paling banyak diadopsi dalam AI modern?

A. Berpikir seperti Manusia
B. Berpikir Rasional
C. Bertindak seperti Manusia
D. Bertindak Rasional ✅

🧠 Quiz Time!

Pertanyaan 2:

Jenis agen apa yang diperlukan untuk lingkungan partially observable?

A. Simple Reflex Agent
B. Model-Based Agent (minimal) ✅
C. Hanya Learning Agent
D. Tidak ada yang cocok

💡 Model-based agent memiliki internal state untuk menyimpan informasi yang tidak terlihat

🧠 Quiz Time!

Pertanyaan 3:

Lingkungan permainan catur (tanpa timer) memiliki karakteristik:

Observable Fully Observable
Determinism Deterministik
Episode Sekuensial
Dynamics Statis
State/Action Diskret
Agents Multi-Agent (Competitive)

📝 Ringkasan

Konsep Poin Kunci
AI Sistem yang meniru kecerdasan manusia
4 Pendekatan Think/Act × Human/Rational
Agen Sensor → Agent Function → Aktuator
5 Jenis Agen Simple Reflex → Learning Agent
6 Karakteristik Observable, Deterministic, Episodic, Static, Discrete, Single
PEAS Performance, Environment, Actuators, Sensors

📅 Pertemuan Berikutnya

Pertemuan 02: Uninformed Search

Pemecahan Masalah dengan Pencarian

  • Formulasi masalah pencarian
  • Breadth-First Search (BFS)
  • Depth-First Search (DFS)
  • Uniform-Cost Search (UCS)

📚 Referensi

  1. Russell, S. & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th Ed.). Pearson. Chapter 1-2
  2. Poole, D.L. & Mackworth, A.K. (2023). Artificial Intelligence: Foundations of Computational Agents (3rd Ed.). Cambridge University Press. Chapter 1.
  3. CS188 Berkeley AI Materials: https://inst.eecs.berkeley.edu/~cs188/

Terima Kasih

🤖 Kecerdasan Artifisial

Pertemuan 01: Pengantar AI dan Agen Cerdas


Ada pertanyaan?