Pertemuan Minggu ke-4

Hal penting dalam menentukan keberhasilan sistem berdasarkan kecerdasan adalah dalam pencarian dan pencocokan. Pada dasarnya ada 2 teknik pencarian danpelacakan yang digunakan, yaitu pencarian buta (blind search) dan pencarianterbimbing (heuristic search)

4.1 Metode Pencarian Buta (Blind Search) :

4.1.1 Breadth First Search

Breadth-First Search, Blind Searching adalah model pencarian buta atau pencarian yang tidak memiliki inforamasi awal, model pencarian ini memiliki tiga ciri – ciri utama yaitu:

·        Membangkitkan simpul berdasarkan urutan.

·        Kalau ada solusi maka solusi akan ditemukan.

·        Hanya memiliki informasi tentang node yang telah dibuka (node selanjutnya tidak diketahui).

Semua node pada level n akan dikunjungi terlebih dahulu sebelum level n+1. Pencarian dimulai dari akar terus ke level 1 darikiri ke kanan, kemudian ke level selanjutnya hingga solusi ditemukan

Metode Breadth-First Search

Algoritma

1.Buat suatu variabel Node_List dan tetapkan sebagai keadaan awal.
2. Kerjakan langkah-langkah berikut ini sampai tujuan tercapai atau Node_List dalam keadaan kosong       
 • Hapus elemen pertama dari Node_List, sebut dengan nama C. Jika Node_Listkosong, keluar.

Pada setiap langkah yang aturannya cocok dengan C, kerjakan :
(i) Aplikasi aturan tersebut untuk membentuk suatu keadaan baru.
(ii) Jika keadaan awal adalah tujuan yang diharapkan,sukses dan keluar.
(iii) Jika tidak demikian, tambahkan keadaan awal yangbaru tersebut pada akhir Node_List.

Keuntungan

1.Tidak akan menemui jalan buntu.    
2.Menjamin ditemukannya solusi (jika solusinya memang ada) dan solusi yang ditemukan pasti yang paling baik.   
3. Jika ada satu solusi maka bread-first searchakan menemukannya.

Kelemahannya

Membutuhkan memori yang cukup banyak.2. Membutuhkan waktu yang cukup lama karena akan menguji n level untuk mendapatkan solusi pada level yang ke-(n+1)

4.1.2 Depth First Search

DFS (Depth-first Search) sering disebut juga pencarian mendalam. Sesuai dengan namanya “pencarian mendalam”, DFS tidak mencari solusi per level. Metode ini melakukan pencarian pada semua node "anaknya" sebelum dilakukan pencarian ke node-node lain yang selevel. Pencarian dimulai dari node akar ke level yang lebih tinggi, dan proses terus diulang hingga solusi ditemukan. DFS memiliki beberapa keuntungan,yaitu memori yang di gunakan tidak terlalu banyak karena tidak membuka semua node dan jika pencarian tepat, akan menemukan solusi tanpa harus menguji lebih banyak node. Namun, metode ini tetap memiliki kelemahan, yaitu memungkinkan hasil tidak ditemukan, dan setiap 1 kali pencarian hanya akan menghasilkan satu solusi.  

Proses pencarian dilakukan pada semua anaknya sebelum dilakukan pencarianke node-node yang selevel. Pencarian dimulai dari node akar ke level yang lebih tinggi. Proses ini diulangi terus hingga ditemukannya solusi.     

Algoritma

1. Jika keadaan awal merupakan tujuan, keluar (sukses).    
2. Jika tidak demikian, kerjakan langkah-langkah berikut ini sampai tercapaikeadaan sukses atau gagal.

• Bangkitkan successor C dari keadaan awal. Jika tidak ada successor,maka akan terjadi kegagalan.

• Panggil depth-first search dengan C sebagai keadaan awal.

• Jika sukses berikan tanda sukses. Namun jika tidak, ulangi langkah-2

Keuntungan

·        Memori yang relatif kecil

·        Secara kebetulan, akan menemukan solusi tanpa harus menguji lebih banyak lagi.

Kelemahan

1. Memungkinkan tidak ditemukannya tujuan yang diharapkan.

2. Hanya akan mendapatkan 1 solusi pada setiap pencarian

2 . Pencarian Heuristik (Heuristic Search)        

Heuristic Search merupakan metode pencarian yang memperhatikan nilai heuristik (nilai perkiraan). Teknik pencarian heuristik (heuristic searching) merupakan suatu strategi untuk melakukan proses pencarian ruang keadaan (state space) suatu problema secara selektif, yang memandu proses pencarian yang kita lakukan di sepanjang jalur yang memiliki kemungkinan sukses paling besar, dan mengesampingkan usaha yang bodoh dan memboroskan waktu. Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian, namun dengan kemungkinan mengorbankan kelengkapan (completeness).Heuristic Search memperkirakan jarak menuju Goal (yang disebut dengan fungsi heuristik).Fungsi heuristik ini digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.

Pencarian buta tidak selalu dapat diterapkan dengan baik, hal ini disebabkan waktu aksesnya yang cukup lama serta besarnya memori yang diperlukan. Metodeheuristic search diharapkan bisa menyelesaikan permasalahan yang lebih be-sar. Metode heuristic search menggunakan suatu fungsi yang menghitung biaya perkiraan(estimasi) dari suatu simpul tertentu menuju ke simpul tujuan disebut fungsi heuristic.Sebagai contoh aplikasi yang menggunakan fungsi heuristic : Google, Deep Blue Chess Machine

4.2.1 Generate and Test

Strategi bangkitkan dan uji (generate and test) merupakan pendekatan yang paling sederhana dari semua pendekatan yang akan dibicarakan. Ini adalah gabungan dari pencarian depth first dengan pelacakan mundur. Nilai dari pengujian ini berupa "ya" atau "tidak".
Pendekatan ini meliputi langkah–langkah sebagai berikut :

·        Buatlah/bangkitkan sebuah solusi yang memungkinkan. Untuk sebuah problema hal ini dapat berarti pembuatan sebuah titik khusus dalam ruang problema.

·        Lakukan pengujian untuk melihat apakah solusi yang dibuat benar–benar merupakan sebuah solusi, dengan cara membandingkan titik khusus tersebut dengan goal-nya (solusi).

·        Jika telah diperoleh sebuah solusi, langkah – langkah tersebut dapat dihentikan. Jika belum, kembalilah ke langkah pertama.

·        Jika pembangkitan atau pembuatan solusi – solusi yang dimungkinkan dapat dilakukan secara sistematis, maka prosedur ini akan dapat segera menemukan solusinya (bila ada).  Namun, jika ruang problema sangat besar, maka proses ini akan membutuhkan waktu yang lama.
Metode generate and test ini memang kurang efisien untuk masalah yang besar atau kompleks.

4.2.2 Hill Climbing

Hill Climbing (mendaki bukit) merupakan salah satu variasi metode buat dan uji (generate and test) dimana umpan balik yang berasal dari prosedur uji digunakan untuk memutuskan arah gerak dalam ruang pencarian (search). Perbedaannya ada pada feedback dari prosedur test untuk pembangkitan keadaan berikutnya. Tes yang dilakukan berupa fungsi heuristik akan menunjukkan seberapa baik nilai terkaan yang diambil terhadap keadaan lain yang memungkinkan.
Dalam prosedur buat dan uji yang murni, respon fungsi uji hanyalah ya atau tidak. Dalam prosedur Hill Climbing, fungsi uji dikombinasikan dengan fungsi heuristik yang menyediakan pengukuran kedekatan suatu keadaan yang diberikan dengan tujuan (goal).

Prosedur Hill Climbing :

Buatlah solusi usulan pertama dengan cara yang sama seperti yang dilakukan dalam prosedur buat dan uji (generate and test). Periksalah apakah solusi usulan itu merupakan sebuah solusi. Jika ya, berhentilah. Jika tidak, kita lanjutkan ke langkah berikutnya.

Dari solusi ini, terapkan sejumlah aturan yang dapat diterapkan untuk membuat sekumpulan solusi usulan yang baru.

Untuk setiap elemen kumpulan solusi tersebut, lakukanlah hal-hal berikut ini :

Kirimkanlah elemen ini ke fungsi uji. Jika elemen ini merupakan sebuah solusi, berhentilah.

Jika tidak, periksalah apakah elemen ini merupakan yang terdekat dengan solusi yang telah diuji sejauh ini. Jika tidak, buanglah.

Ambilah elemen terbaik yang ditemukan di atas dan pakailah sebagai solusi usulan berikutnya. Langkah ini bersesuaian dengan langkah dalam ruang problema dengan arah yang muncul sebagai yang tercepat dalam mencapai tujuan.

Kembalilah ke langkah 2.

Masalah-masalah yang mungkin timbul pada prosedur Hill Climbing :

· Maksimum lokal adalah suatu keadaan yang lebih baik daripada semua tetangganya namun masih belum lebih baik dari suatu keadaan lain yang jauh letaknya darinya.

· Daratan  (Plateau) adalah suatu daerah datar dari ruang pencarian (search) dimana semua himpunan keadaan tetangganya memiliki nilai yang sama.

· Punggung (Ridge) adalah suatu daerah ruang pencarian (search) yang lebih tinggi daripada daerah sekitarnya, namun tidak dapat dibalikkan oleh langkah–langkah tunggal ke arah manapun.

Solusinya:

· Melakukan langkah balik (backtracking) ke simpul yang lebih awal dan mencoba bergerak ke arah yang lain.

· Melakukan lompatan besar ke suatu arah untuk mencoba bagian ruang pencarian yang baru.

· Menerapkan dua atau lebih aturan sebelum melakukan uji coba. Ini bersesuaian dengan bergerak ke beberapa arah sekaligus.

Kelemahan pada sistem ini adalah algoritma akan berhenti ketika mencapai optimum local, urutan penggunaan operator akan sangat berpengaruh, dan tidak diijinkan untuk melihat langkah sebelumnya.

Daftar Pustaka :

http://diniaprillia9496.blogspot.co.id/2016/10/4-metode-pencarian-dan-pelacakan-1.html

https://www.scribd.com/document/52500558/Metode-Pencarian-Dan-Pelacakan-prolog

http://buatugasai.blogspot.co.id/2013/04/metode-pencarian-dan-pelacakan_4.html  

Pertemuan Minggu ke-3

3.1 Knowledge-based agents

·        Problem solving agent: memilih solusi di antara kemungkinan yang ada. Apa yang ia “ketahui” tentang dunia tidak berkembang → problem solution (initial state, successor function, goal test)

·        Knowledge-based agent: lebih “pintar”. Ia “mengetahui” hal-hal tentang dunia dan dapat melakukan reasoning (berpikir, bernalar) mengenai:         
Hal-hal yang tidak diketahui sebelumnya (imperfect/partial information)      
Tindakan yang paling baik untuk diambil Inference engine Knowledge base domain−specific content

·        Knowledge Base: apa yang “diketahui” oleh si agent Pendekatan deklaratif membangun agent: “beritahu” informasi yang relevan, simpan dalam KB → (TELL).

·        Agen dapat ditanya (atau bertanya diri sendiri) apa yang sebaiknya dilakukan berdasarkan KB → (ASK).

·        Sebuah knowledge-based agent harus bisa:   
Merepresentasikan world, state, action, dst.

Menerima informasi baru (dan meng-update representasinya)

Menyimpulkan pengetahuan lain yang tidak eksplisit (hidden property) Menyimpulkan action apa yang perlu diambil

3.2 Wumpus world

 

·        Performance measure: emas +1000,mati -1000, gerak -1, panah -10

·         Environment: Matriks 4x4 kamar. Initial state [1,1]. Ada gold, wumpus dan pit yang lokasinya dipilih secara acak.

·        Percept:

     Breeze: kamar di samping lubang jebakan ada hembusan angin

     Glitter: kamar di mana ada emas ada kilauan/sinar

     Smell: kamar di samping Wumpus berbau busuk

     Action: maju, belok kiri 90_, kanan 90_, tembak panah (hanya 1!), ambil benda

   

   Menjelajahi Wumpus World

3.3 Logic in general - models and entailment

Logic

• Logic adalah bahasa formal untuk merepresentasikan informasi sedemikian hingga kesimpulan dapat dibuat •Syntax mendefinisikan kalimat-kalimat pada bahasa •Semantics mendefinisikan arti kalimat;

Misal, mendefinisikan kebenaran sebuah kalimat

Contoh, bahasa aritmatika :

x+2 ≥ y is a sentence; x2+y > is not a sentence
x+2 ≥ y is true iff the number x+2 is no less than the number y
x+2 ≥ y is true in a world where x = 7, y = 1

x+2 ≥ y is false in a world where x = 0, y = 6 

Propositional logic

Propositional logic adalah logic yang paling sederhana

Sebuah sentence dinyatakan sebagai propositional

symbol P1,P2, dst.

Syntax

Jika S adalah kalimat, ¬S adalah kalimat (negation)

Jika S1 dan S2 adalah kalimat, S1 ^ S2 adalah kalimat (conjunction)

Jika S1 dan S2 adalah kalimat, S1 _ S2 adalah kalimat (disjunction)

Jika S1 dan S2 adalah kalimat, S1 ) S2 adalah kalimat (implication)

Jika S1 dan S2 adalah kalimat, S1 , S2 adalah kalimat (biconditional)

Semantics dari propositional logic

Sebuah model memberi menilai true/false terhadap setiap

proposition, mis:

P1,2 P2,2 P3,1

true true false

(Semua 8 model yang mungkin bisa dijabarkan)

Aturan menentukan kebenaran sebuah kalimat terhadap m:

¬S true iff S false

S1 ^ S2 true iff S1 true and S2 true

S1 _ S2 true iff S1 true or S2 true

S1 ) S2 true iff S1 false or S2 true

dkl. false iff S1 true and S2 false

S1 , S2 true iff S1 ) S2 true and S2 ) S1 true

Sebuah proses rekursif bisa mengevaluasi kalimat sembarang:

¬P1,2 ^ (P2,2 _ P3,1) = true ^ (false _ true) = true ^ true = true

Kalimat representasi Wumpus World

Semantics:

Pi,j = true kalau ada lubang jebakan (pit) di [i, j].

Bi,j = true kalau ada hembusan angin (breeze) di [i, j].

Aturan main: kamar di samping lubang jebakan ada

hembusan angin

B1,1 , (P1,2 _ P2,1)

B2,1 , (P1,1 _ P2,2 _ P3,1)

Hasil pengamatan (percept):

¬P1,1

¬B1,1

 B2,1

Daftar Pustaka :

https://kangmasjuqi.files.wordpress.com/2008/10/iki303200809kuliah10slides.pdf

http://share.its.ac.id/pluginfile.php/1369/mod_resource/content/1/8._Propotional_Logic.pdf

Perkuliahan Minggu ke-2

Kecerdasan buatan atau dalam bahasa inggrisnya Artificial Intelligence sering disingkat dengan AI yang merupakan cabang terpenting dalam dunia komputer. Akhir-akhir ini, teknologi AI telah begitu banyak mempengaruhi kehidupan manusia. AI kini berada disekeliling kita, di dalam kehidupan sehari-hari kita, boleh dikatakan tidak ada satu pun peralatan yang tidak menggunakan teknologi AI. Di rumah, radio, mesin cuci, kulkas, ponsel, dll dilengkapi dengan Integrated Circuit komputer yang mempunyai AI. Dengan kata lain AI ialah ilmu dan rekayasa yang membuat mesin mempunyai intelligensi tertentu khususnya program komputer yang ‘cerdas’ (John McCarthy, 1956).

Pengertian sebuah AGENT adalah segala sesuatu yang dipandang sebagaimana mengamati lingkungannya melalui sensor dan bertindak atas lingkungan yang melalui efektor. Agen manusia memiliki mata, telinga, dan organ lain untuk sensor, dan tangan, kaki, mulut, dan bagian tubuh lainnya untuk efektor. Sebuah pengganti agen robot kamera dan berbagai pencari inframerah untuk sensor dan berbagai motor untuk efektor.

2.1 Agen dan Lingkungannya

Agen Intelligent sering digambarkan secara skematis sebagai sistem fungsional abstrak mirip dengan program komputer. Untuk alasan ini, agen cerdas kadang-kadang disebut agen cerdas abstrak s (AIA) Untuk membedakan mereka dari dunia nyata implementasinya sebagai sistem komputer, sistem biologis, atau organisasi. Beberapa definisi dari agen cerdas mereka menekankan otonomi , sehingga lebih memilih cerdas agen otonom jangka s. Yang lain (terutama Russell & Norvig (2003) ) perilaku goal-directed dianggap sebagai inti dari kecerdasan dan sebagainya lebih suka istilah yang dipinjam dari ekonomi , ” agen rasional “.

Agen Cerdas dalam kecerdasan buatan berhubungan erat dengan agen di ekonomi , dan versi dari paradigma agen cerdas yang dipelajari dalam ilmu kognitif , etika , filsafat alasan praktis , serta di banyak interdisiplinersosio-kognitif pemodelan dan sosial simulasi komputer.

Intelligent agen juga berhubungan erat dengan agen perangkat lunak (program perangkat lunak otonom yang melaksanakan tugas atas nama pengguna). Dalam ilmu komputer , agen cerdas istilah dapat digunakan untuk merujuk kepada agen perangkat lunak yang memiliki kecerdasan tertentu, terlepas jika tidak agen rasional oleh dan Norvig Definisi Russell. Sebagai contoh, program otonom digunakan untuk bantuan operator atau data mining (kadang-kadang disebut sebagai bot).

Lingkungan Tugas Agen, merupakan definisi dari pemasalahan yang akan diselesaikan oleh agen.antara lain :

1. Performance Measure

karakteristik apa yang menjadi tujuan dari agen ?

contoh : motor - tiba ditujuan dengan cepat dan hemat bahan bakar 

2. Environment

bagaimana karakterisitik lingkungan yang akan dihadapi ?

contoh : motor - tipe jalan, tingkat kemacetan

3. Actuators

perangkat apa yang dibutuhkan agen untuk mencapai tujuan ?

contoh : motor - steering, klakson dll 

4. Sensors

perangkat apa yang dibutuhkan agen untuk mengetahui kondisi lingkungan ?

contoh : motor – speedometer

2.2 RASIONALITAS

Rational Agent merupakan suatu agent yang selalu bertindak memaksimalkan ukuran kinerja, mengingat apa yang ia amati tentang lingkungan dan pengetahuan lain yang dimilikinya. Mengevaluasi kinerja sangat penting. Kita harus berhati-hati untuk membedakan antara rasionalitas dan omniscience (kemahatahuan). Rasionalitas bahwa agen tahu hasil dari sebuah tindakan yang dilakukan secara rasional. Sedangkan omniscience adalah sebuah kemustahilan dari kenyataan yang sebenarnya telah terjadi. Faktor yang mempengaruhi rasionalitas :

-          Pengukuran kinarja (Performance Measure)

-          Percept Sequence (persepsi urutan)

-          Knowledge from Environment

-          Possible Actions

2.3 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?

1. 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          

2. Contoh: Medical diagnosis system

• Sebuah agent Medical diagnosis system yang mendiagnosa pasien secara otomatis:

• Performance measure: pasien sembuh, biya murah, tidak menyalahi hukum

• Environment: pasien, rumah sakit, suster, dokter

• Actuators: layar monitor (pertanyaan, tes, diagnosa, treatment, petunjuk)

• Sensors: keyboard (masukan gejala penyakit, jawaban pasien)        

3.  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

4. 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

2.4 TIPE-TIPE LINGKUNGAN AGEN

v  Fully observable (vs. Partially observable): sensor-sensor sebuah agen memberinya akses ke keadaan lengkap lingkungannya pada setiap jangka waktu.

v  Deterministic (vs. Stochastic): keadaan lingkungan berikutnya sepenuhnya ditentukan oleh keadaan sekarang dan tindakan yang dilaksanakan oleh agen. (Jika lingkungan itu deterministik kecuali untuk tindakan agen-agen lain, maka lingkugannya adalah strategic)

v  Episodic (vs. Sequential): pengalaman agen dibagi ke dalam “episode-episode” atomik (setiapepisode terdiri dari si agen) memahami (perceiving) dan kemudian melaksanakan satu tindakan, dan pilihan tindakan dalam tiap episode hanya tergantung pada episode itu sendiri.

v  Static (vs. Dynamic): lingkungan tidak berubah selagi agen direncanakan (deliberating). (Lingkungan adalah semidynamic jika lingkungan itu sendiri tidak berubah dengan berjalannya waktu tetapi skor performa agen berubah)

v  Discrete (vs. Continuous): sejumlah terbatas persepsi dan tindakan yang khas dan terdefinisi baik.

v  Single agent (vs. Multiagent): sebuah agen yang mengoperasikan dirinya sendiri dalam sebuah lingkungan

v  Jenis lingkungan sangat menentukan rancangan agen

v  Dunia nyata (tentu saja) partially observable, stochastic, sequentil, dynamic, continuous, multi-agent.

2.5 Tipe-tipe Agen

v  Autonomy: Agent dapat melakukan tugas secara mandiri dan tidak dipengaruhi secara langsung oleh user, agent lain ataupun oleh lingkungan (environment). Untuk mencapai tujuan dalam melakukan tugasnya secara mandiri, agent harus memiliki kemampuan kontrol terhadap setiap aksi yang mereka perbuat, baik aksi keluar maupun kedalam [Woolridge et. al.,1995].

v  Intelligence, Reasoning, dan Learning: Setiap agent harus mempunyai standar minimum untuk bisa disebut agent, yaitu intelegensi (intelligence). Dalam konsep intelligence, ada tiga komponen yang harus dimiliki: internal knowledge base, kemampuan reasoning berdasar pada knowledge base yang dimiliki, dan kemampuan learning untuk beradaptasi dalam perubahan lingkungan.

v  Mobility dan Stationary: Khusus untuk mobile agent, dia harus memiliki kemampuan yang merupakan karakteristik tertinggi yang dia miliki yaitu mobilitas. Berkebalikan dari hal tersebut adalah stationary agent. Bagaimanapun juga keduanya tetap harus memiliki kemampuan untuk mengirim pesan dan berkomunikasi dengan agent lain.

v  Delegation: Sesuai dengan namanya dan seperti yang sudah kita bahas pada bagian definisi, agent bergerak dalam kerangka menjalankan tugas yang diperintahkan oleh user. Fenomena pendelegasian (delegation) ini adalah karakteristik utama suatu program disebut agent.

v  Reactivity: Karakteristik agent yang lain adalah kemampuan untuk bisa cepat beradaptasi dengan adanya perubahan informasi yang ada dalam suatu lingkungan (enviornment). Lingkungan itu bisa mencakup: agent lain, user, adanya informasi dari luar, dsb [Brenner et. al., 1998].

v  Proactivity dan Goal-Oriented: Sifat proactivity boleh dikata adalah kelanjutan dari sifat reactivity. Agent tidak hanya dituntut bisa beradaptasi terhadap perubahan lingkungan, tetapi juga harus mengambil inisiatif langkah penyelesaian apa yang harus diambil [Brenner et. al., 1998]. Untuk itu agent harus didesain memiliki tujuan (goal) yang jelas, dan selalu berorientasi kepada tujuan yang diembannya (goal-oriented).

v  Communication and Coordination Capability: Agent harus memiliki kemampuan berkomunikasi dengan user dan juga agent lain. Masalah komunikasi dengan user adalah masuk ke masalah user interface dan perangkatnya,sedangkan masalah komunikasi, koordinasi, dan kolaborasi dengan agent lain adalah masalah sentral penelitian Multi Agent System (MAS). Bagaimanapun juga untuk bisa berkoordinasi dengan agent lain dalam menjalankan tugas,perlu bahasa standard untuk berkomunikasi. Tim Finin [Finin et al., 1993] [Finin et al., 1994] [Finin et al., 1995] [Finin et al., 1997]dan Yannis Labrou [Labrou et al., 1994] [Labrou et al., 1997] adalah peneliti software agent yang banyak berkecimpung dalam riset mengenai bahasa dan protokol komunikasi antar agent. Salah satu produk mereka adalah Knowledge Query and Manipulation Language (KQML). Kemudian masih berhubungan dengan ini komunikasi antar agent adalah Knowledge Interchange Format (KIF).

Daftar Pustaka :

https://yanneevelynip.wordpress.com/2013/10/20/intelligent-agent-kecerdasan-buatan/

http://yogipratama97.blogspot.co.id/2016/10/pengenalan-intelligent-agents.html

http://share.its.ac.id/pluginfile.php/1358/mod_resource/content/1/2._Agent_Cerdas.pdf

http://beintelligenttt.blogspot.co.id/2015/04/kecerdasan-buatan-intelligent-agents.html