TEKNIK PENCARIAN

A. METODE BLIND 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).

Blind Searching sendiri dibagi menjadi tiga macam yaitu :

   1. Breadth First Search

       Breadth First Search yaitu model pencarian yang memakai metode melebar. Untuk mencari hasilnya, model BFS ini menggunakan teknik pencarian persoalannya dengan cara membuka node (titik) pada tiap levelnya.

 o    Pada metode breadth-first search, semua node pada level n akan dikunjungi terlebih dahulu                sebelum mengunjungi node-node pada level n+1.

o    Pencarian dimulai dari node akar terus ke level ke-1 dari kiri ke kanan, kemudian berpindah ke           level berikutnya, demikian pula dari kiri ke kanan hingga ditemukannya solusi (lihat algoritma di        bawah ini).

•  Keuntungan :

Ø Tidak akan menemui jalan buntu

Ø Jika ada satu solusi, maka breadth-first search akan menemukannya. Dan, jika ada lebih dari satu solusi, maka solusi minimum akan ditemukan.

•  Kelemahan :

Ø Membutuhkan memori yang cukup banyak, karena menyimpan semua node dalam satu pohon

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

       2. Depth First Search

           Depth-first Search sering disebut juga pencarian mendalam. Sesuai dengan namanya “pencarian mendalam”, DFS tidak mencari solusi per level, namun mencari pada kedalaman sebelah kiri terlebih dahulu, kemudian bila belum ditemukan “goal”nya dilanjutkan ke sisi sebelah kanan dan seterusnya sampai ditemukan target/goal.

            Teknik pencarian dengan Depth First Search adalah dengan melakukan ekspansi menuju node yang paling dalam pada tree. Node paling dalam dicirikan dengan tidak adanya successor dari node itu. Setelah node itu selesai diekspansi, maka node tersebut akan ditinggalkan, dan dilakukan ke node paling dalam lainnya yang masih memiliki successor yang belum diekspansi.

· Keuntungan :

Ø Membutuhkan memori yang relative kecil, karena hanya node-node pada lintasan yang aktif saja yang disimpan.

Ø Secara kebetulan, metode depth-first search akan menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan.

· Kelemahan :

Ø Memungkinkan tidak ditemukannya tujuan yang diharapakan

Ø Hanya akan menemukan 1 solusi pada setiap pencarian

Contoh kasus Breadth First Search dan Depth First Search:

B. METODE HEURISTIK SEARCH

     Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian, namum dengan kemungkinan mengorbankan kelengkapan (completeness). Fungsi heuristik digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.

    1. Generate and Test

         Metode ini merupakan penggabungan antara depth-first search dengan pelacakan mundur (backtracking), yaitu bergerak ke belakang menuju pada suatu keadaan awal.

· Algoritma :

1. Bangkitkan suatu kemungkinan solusi (membangkitkan suatu tititk tertentu atau lintasan tertentu dari keadaan awal).

2. Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengan cara membandingkan node terebut atau node akhir dari suatu lintasan yang dipilih dengan kumpulan tujuan yang diharapkan.

3. Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah pertama.

Contoh : “Travelling Salesman Problem (TSP)”

Seorang salesman ingin mengunjungi n kota. Jarak antara tiap-tiap kota sudah diketahui. Kita ingin mengetahui ruter terpendek dimana setaip kota hanya boleh dikkunjungi tepat 1 kali. Misalkan ada 4 kota dengan jarak antara tiap-tiap kota seperti gambar di bawah ini :

Penyelesaian dengan metode Generate and Test

Alur pencarian dengan Generate and Test

        

     2. Hill Climbing

          Metode ini hampir sama dengan metode pembangkitan dan pengujian, hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristic. Pembangkitan keadaan berikutnya tergantung pada feedback dari prosedur pengetesan. Tes yang berupa fungsi heuristic ini akan menunjukkan seberapa baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnya yang mungkin.

· Algoritma Simple Hill Climbing

1. Cari operator yang belum pernah digunakan; gunakan operator ini untuk mendapatkan keadaan yang baru.

a) Kerjakan langkah-langkah berikut sampai solusinya ditemukan atau sampai tidak ada operator baru yang akan diaplikasikan pada keadaan sekarang :
Cari operator yang belum digunakan; gunakan operator ini untuk mendapatkan keadaan yang baru.

b) Evaluasi keadaan baru tersebut :

(i) Jika keadaan baru merupakan tujuan, keluar

(ii) Jika bukan tujuan, namun nilainya lebih baik daripada keadaan sekarang, maka jadikan keadaan baru tersebut menjadi keadaan sekarang.

(iii) Jika keadaan baru tidak lebih baik daripada keadaan sekarang, maka lanjutkan iterasi.

Pada simple hill climbing, ada 3 masalah yang mungkin:

- Algoritma akan berhenti kalau mencapai nilai optimum local

- Urutan penggunaan operator akan sangat berpengaruh pada penemuan solusi

- Tidak diijinkan untuk melihat satupun langkah sebelumnya.

Contoh : TSP dengan Simple Hill Climbing

Seorang salesman ingin mengunjungi n kota. Jarak antara tiap-tiap kota sudah diketahui. Kita ingin mengetahui rute terpendek dimana setiap kota hanya boleh dikunjungi 1kali saja. Misal ada 4kota dengan jarak antara tiap-tiap kota seperti berikut ini:

menggunakan Steepest-Ascent HC

-  Gerakan pencarian slanjutnya berdassarkan nilai heuristik terbaik.

-  algoritma:

  1. Evaluasi keadaan awal, jika tujuan berhenti jika tidak lanjut dengan keadaan sekarang sebagia            keadaan awal.

  2. Kerjakan hingga tujuan tercapai atau hingga iterasi tidak memberi perubahan sekarang.

      i.  Tentukan SUCC sebagai nilai heuristik terbaik dari successor-successor

      ii. Kejakan tiap operator yang digunakan oleh keadaan sekarang.

          a. Gunakan operator tersebut dan bentuk keadaan baru

          b. Evaluasi keadaan baru. Jika tujuan keluar, jika bukan bandingkan nilai heuristiknya dengan                 SUCC. Jika lebih baik jadikan nilai heuristik keadaan baru tersebut sebagi SUCC. Jika                         tidak, nilai SUCC tidak berubah. 

       iii. Jika SUCC lebih baik dari nilai heuristik keadaan sekarang, ubah SUCC menjadi keadaan                     sekarang.

Pada steepest-ascent hill climbing inni ada 3 masalah yang mungkin, yaitu:

-  Local optimum: keadaan semua tetangga lebih buruk atau sama dengan keadaan dirinya.

-  Plateou: keadaan semua tetangga sama dengan keaddaan dirinya.

-  Ridgez local optimum yang ebih disebabkan karena ketidak mampuan untuk menggunakan 2              operator sekaligus.

Traveling Salesman Problem dengan Steepest-Acsent Hill Climbing:

Sumber:

http://wisatapikiran.blogspot.co.id/2013/03/perbedaan-blind-search-dengan.html

http://najibzot.blogspot.co.id/p/teknik-searching-kecerdasan-buatan-di.html

https://www.slideshare.net/ceezabramovic/metode-pencarian-heuristik

SISTEM PAKAR

A. Apa itu Sistem Pakar?

      Sistem pakar adalah suatu bagian dari kecerdasan buatan yang berisi kombinasi pemahaman teoritis tentang suatu persoalan dan sekumpulan aturan pemecahan persoalan yang dikembangkan oleh manusia yang dapat memecahkan masalah yang spesifik.

      Sistem Pakar merupakan perangkat lunak yang digunakan untuk memecahkan maslah yang biasanya diselesaikan oleh sang ahli pakar tersebut. Aturan didalamnya memberitahu program, bagaimana ia memberlakukan informasi-informasi yang tersimpan dalam program. Program memberikan solusi-solusi atau bantuan pengambilan keputasan mengenai masalah tertentu sama halnya dengan berkonsultasi dengan seorang ahli pakar.

B. Karakteristik Sistem Pakar

      Karakteristik umum yang membedakan sistem pakar dengan perangkat lunak yang lain adalah:

1. Terdapat banyak kemungkinan jawaban
    memiliki waktu yang lama untuk menguji dan mempelajari jawaban, karna ruang persoalan yang        berukuran besar dan tidak pasti.
2. Data kabur
    Sistem Pakar mencapai konklusi yang tidak pasti karna informasi yang dipakainya sering berupa        data yang kabur. biarpun demekian sistem pakar diharapkan dapat memberikan keputusan yang          tergolong baik. dalam arti tingkat kesalahan tidak terlalu besar.
3. Heuristik
    bersifat heuristik dalam menggunakan pengetahuan untuk memperoleh suatu solusi.
4. Fasilitass Informasi
    Sistem Pakar dapat memberikan kemudahan-kemudahan jawaban kepada user, sehingga user akan      merasa puas dengan jawaban yang diberikan Sistem Pakar.

C. Ciri-ciri Sistem Pakar
Ciri-ciri sistem pakar yang mempunyai sifat ideal:
1. Terbuka untuk diperikas
2. Mudah dimodifikasi
3. Fasilitas penalaran/penjelasan

D. Komponen Sistem Pakar

• Knowledge Base: terdiri dari rules dan facts (atau bentuk lainnya) yang dimiliki sistem dalam domain permasalahan yang spesifik 
• Inference Engine: melakukan tugas dalam menentukan bagaimana dan kapan facts dan rules diaplikasikan untuk membuat suatu keputusan (memecahkan masalah)
•  User Interface: merupakan alat untuk berkomunikasi antara pengguna dan ES 

E. Contoh dari Sistem Pakar

1. MYCIN: Memberikan diagnose terhadap infeksi bakteri dan
    menganjurkan antibiotik yang sesuai

2. XCON/XSEL: Melakukan konfigurasi komputer sesuai dengan
    permintaan pelanggan

3. DELTA: Mencari permasalahan dalam mesin lokomotif disel
    elektrik

4. DENDRAL: Mengidentifikasi struktur molekul zat kimia yang
    tidak diketahui

5. PROSPECTOR: Membantu mencari tambang mineral

7. YESMVS: Memonitor dan mengontrol OS Multiple Virtual Storage

8. ACE: Melakukan troubleshooting terhadap sistem telpon kabel
    berskala besar

F. Development tools sistem pakar

- Knowledge Engineering Languages/Systems:

• Terdiri dari building languages dan support environment 
•  Keuntungan: Lebih mudah untuk digunakan baik oleh yang tidak berpengalaman 
• Kekurangan: Karena inference enginenya sudah terstruktur, tidak mempunyai fleksibilitas dalam merepresentasikan knowledge 

-  High-Level Programming Languages:

• Menggunakan symbolic manipulation languages seperti LISP dan PROLOG dan procedure-oriented languages seperti Pascal, FORTRAN, C atau Java 
• Keuntungan: memberikan fleksibelitas yang tinggi dalam mengembangkan ES 
• Kekurangan: Sangat sulit untuk digunakan 

G. Keuntungan Sistem Pakar

• Mempunyai kemampuan untuk memberikan solusi hampir selevel dengan kemampuan seorang expert 
• Ilmu seorang expert sering tidak bisa dipertahankan karena kematian atau bubarnya suatu organisasi dan harganya mahal, ES sendiri mahal dalam pengembangannya, tapi relative murah dalam maintenancenya 
• ES dapat dibawa kemana-mana dan dapat digunakan secara paralel

H. Kelemahan Sistem pakar

• Tidak bisa belajar secara langsung dari pengalaman yang di dapat, sedang seorang expert bisa
• Sangat kompleks dalam proses knowledge acquisition 
• ES hanya bisa diaplikasikan dalam masalah tertentu saja 
• Jenis representation untuk suatu ES sama untuk seluruh sistem, sedangkan seorang expert dapat beradaptasi terhadap berbagai macam representasi  

Sumber:
http://entin.lecturer.pens.ac.id/Kecerdasan%20Buatan/Buku/Bab%206%20Sistem%20Pakar.pdf
http://ihsan.staff.gunadarma.ac.id/Downloads/folder/0.7

MEMBUAT GARIS VERTIKAL, HORIZONTAL dan DIAGONAL

Apa itu OPENGL?

OpenGL adalah sebuah program aplikasi interface yang digunakan untuk mendefinisikan komputer grafis 2D dan 3D. Program lintas-platform API ini umumnya dianggap ketetapan standar dalam industri komputer dalam interaksi dengan komputer grafis 2D dan juga telah menjadi alat yang biasa untuk digunakan dengan grafis 3D. Singkatnya, Open Graphics Library, OpenGL menghilangkan kebutuhan untuk pemrogram untuk menulis ulang bagian grafis dari sistem operasi setiap kali sebuah bisnis akan diupgrade ke versi baru dari sistem. dan untuk makalah opengl klik sini.

Intelligent Agents (PEAS)

A. PEAS

• Performance : kualitas atau harapan yg diinginkan
• Environment : lingkungan yg akan dihadapi oleh agen
• Actuators : alat yg akan mendukung pencapaian tujuan
• Sensors : alat atau cara agen mendeteksi kondisi lingkungan

Contoh PEAS

sumber:

http://sarahamanda12.blogspot.co.id/2016/10/pengenalan-intelligent-agents.html

http://blog.ub.ac.id/ika1412/2013/10/08/contoh-intelligent-agent/

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

Intelligent Agents

A. Definisi Agents

• Agents adalah segala sesuatu yang dapat melihat/ mengartikan/ mengetahui (perceiving)           linkungannya melalui alat sensor (sensors) dan bertindak (acting) melalui alat aktuator (actuators).
• Manusia sebagai agent : mata, telinga dan organ lainnya sebagai sensors; tangan, kaki, mulut dan bagian tubuh lainnya sebagai actuators. 
• Robot sebagai agent : kamera dan pejejak infra merah sebagai sensors; berbagai motor pengerak sebagai actuators.
• Software sebagai agent : tekanan pada keyboard, isi file dan paket-paket pada jaringan sebagai masukan sensors; tampilan pada layar, penulisan file dan pengiriman paket jaringan sebagai keluaran actuators.

B. Konsep Agents

Rational agent: suatu agent yang selalu bertindak memaksimalkan ukuran kinerja, mengingat apa yang ia amati tentang lingkungan dan pengetahuan lain yang dimilikinya.

Contoh: Vacuum-cleaner world

 Percepts: lokasi dan kondisi, mis: [A, Kotor]

 Actions: Kiri, Kanan, Menghisap, Berhenti

Konsep rational agents 

• Agent seharusnya berupaya melakukan tindakan yang benar agar berhasil 
• Kriteria untuk keberhasilan perilaku agent disebut performance measure 
• Contoh: A vacuum-cleaner agent :

1. jumlah kotoran yang dibersihkan 
2. jumlah waktu yang dibutuhkan 
3. jumlah konsumsi listrik 
4. jumlah kebisingan yang dihasilkan  

C. Contoh Agents

KOKI CERDAS

Koki Cerdas ini merupakan suatu robot yang dapat memasak makanan secara otomatis. Cara kerja alat ini adalah manusia dapat memilih menu serta porsi makanan yang disediakan robot tersebut, kemudian memasukkan bahan – bahan yang diperlukan.  Robot kemudian akan menerjemahkannya dan mengambil peralatan serta bahan-bahan dari tempat yang telah disediakan sebelumnya. Peralatan memasak berupa kompor bertenaga baterai (tanpa api), panci, wajan, dsb.  Jika bahan-bahan tidak mencukupi atau terdapat peralatan yang tidak layak pakai maupun rusak, maka robot akan mengirimkan peringatan kepada user.

Alat ini sangat efektif untuk memudahkan pekerjaan manusia.Jika sedang lapar tapi malas memasak, robot ini dapat digunakan. Ibu-ibu yang sibuk dan tidak punya banyak waktu dapat menggunakan alat ini untuk menyiapkan masakan keluarganya. Yang diperlukan user adalah menempatkan peralatan serta bahan-bahan untuk memasak dengan benar.

PEAS (Perfomance measure, Environtment, Actuators, Sensors)

1. Perfomance Measure

Perfomance Measure atau tujuan dari alat ini adalah:

–          Mengenali peralatan dan bahan –bahan sesuai menu.

–          Memasak makanan sesuai menu dengan benar.

–          Dapat memberikan peringatan ketika terdapat kesalahan pada peralatan atau bahan-bahan

–          Meminimalkan waktu dan tenaga user.

1. Environment (Lingkungan)

Lingkungan dari agent ini adalah: Peralatan masak, dan bahan-bahan untuk memasak

1. Actuators

Actuators merupakan aktivitas yang dilakukan oleh agen tersebut. Actuators dari koki cerdas ini adalah:

–          Mengambil peralatan dan bahan-bahan untuk memasak

–          Membersihkan bahan-bahan sebelum digunakan

–          Memasak makanan sesuai menu yang dipilih

–          Menyajikan makanan yang telah jadi.

1. Sensor

Sensor yang digunakan Koki Cerdas ini adalah sensor bentuk, jadi agent dapat mengenali peralatan serta bahan-bahan apa saja yang digunakan untuk memasak.

Selain itu terdapat sensor letak, Jadi agen dapat meletakkan peralatan serta bahan-bahan untuk memasak dengan benar dan juga menyajikan hasilnya pada tempat yang benar.

Environment Type

1. Partially Observable vs Fully Observable

Dalam Koki cerdas ini, observasi yang dilakukan bersifat sebagian (Partially Observable) dan tidak dilakukan secara menyeluruh. Alat ini hanya bekerja jika ada menu yang telah dipilih user, jadi tidak perlu mengobservasi dan menganalisa seluruh keadaan sekitar.

1. Deterministic vs Strategic

Koki Cerdas ini menggunakan prinsip Deterministic. Kegiatan yang dilakukan oleh agen tersebut tetap dan tidak berubah. Agen ini hanya melakukan hal yang tetap yaitu memasak makanan, sehingga tidak menggunakan prinsip Strategic

1. Episodic vs Sequential

Agen ini menggunakan prinsip Sequential (berkelanjutan). Jadi setelah memilih menu, memasukkan bahan, kemudian agen akan menyiapkan peralatan dan bahan yang dimasukkan tasi. Selanjutnya dimulai proses memasak hingga terakhir yaitu penyajian.

1. Static vs Dynamic

Koki cerdas ini menggunakan prinsip dinamis. Dikarenakan waktu yang digunakan untuk megolah hingga penyajian makanan masing –masing berbeda untuk setiap menu yang dipilih.

1. Discrete vs Continuous

Koki cerdas ini menggunakan prinsip Diskrit, yaitu robot hanya akan berjalan dan melakukannya ketika menu telah dipilih saja.

1. Single Agent vs Multi Agent

Agent ini merupakan Multi agen dikarenakan agen tersebut tidak hanya melakukan satu tugas saja, melainkan beberapa tugas diantaranya menyiapkan peralatan dan bahan, memasakknya, hingga akhirnya disajikan.

Agent Type

Koki cerdas ini merupakan tipe agen Goal – based agent  karena didesain untuk bekerja sesuai target yang telah ditentukan sebelumnya, yaitu memasak makanan. Selain itu, karena agen tersebut akan belajar dari informasi baru apabila terdapat menu masakan baru yang akan dimasukkan. Agen akan mempelajari informasi baru tersebut hingga kemudian dapat dijalankan olehnya.

sumber:

http://sarahamanda12.blogspot.co.id/2016/10/pengenalan-intelligent-agents.html

http://blog.ub.ac.id/ika1412/2013/10/08/contoh-intelligent-agent/

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

ARTIFICIAL INTELLIGENCE(AI)

A. SEJARAH AI

Istilah ini pertama kali dikemukakan pada tahun 1956 di konferensi darthmouth. Sejak saat itu , AI terus dikembangkan sebab berbagai penelitian mengenail teori teori dan prinsip prinsipnya juga terus berkembang. Meskipun AI baru muncul pada 1956 tapi teori teori yang mengarah ke AI sudah muncul sejak tahun 1941. Berikut Tahapan tahapan teori dalam AI.

• Era Komputer Elektronik (1941)

Pada tahu 1941 telah ditemukan alat penyimpanan dan pemosresan informasi. Penemuan tersebut dinamakan komputer elektronik dan dikembangkan di USA dan jerman. Saat itu komputer membutuhkan ruangan yang luas , AC yang terpisah dan melibatkan ribuan kabel untuk menjalankan suatu program.Itu tentunya sangat merepotkan programmmer dalam membuat program. Pada tahun 1949 , berhasil ditemukan komputer yang mampu membuat pekerjaan memasukkan program menjadi lebih mudah. Penemuan ini menjadi dasar pengembangan yang mengarah ke AI

• Masa Persiapan ( 1943 -1956)

Pada tahun 1943 , Warren McCulloch dan Walter Pitts berhasil membuat suatu model sel syaraf tiruan di mana setiap neuron digambarkan sebagai on dan off.mereka menunjukan bahwa setiap fungsi dapat dihitung dengan suatu jaringan sel syaraf dan bahwa semua hubungan logis dapat diimplementasikan dengan struktur jaringan sederhana

pada tahun 1950 , Nobert Wiener membuat penelitian mengenai prinsip prinsip teori feedback. Contoh yang terkenal adalah thermostat . Penemuan ini yang merupakan awal dari perkembangan AI. Pada tahun 1956 John McCarhty membuat sebuah team utuk membantunya melakukan penelitian dalam bidang automata , jaringan syaraf dan mempelajari intelligence. Hasilnya adalah program yang mampu berpikir non-numeric dan menyelsaikan masalah pemikiran , yang dinamakan principia mathematica. Hal ini menjadikan john McCarthy disebut sebagai fathre of AI

• Awal Perkembangan AI (1952 – 1969 )

Pada tahun pertama perkembangannya , AI mengalami banyak kesuksesan. Diawali dengan kesuksesan Newel dan Simon dengan sebuah program disebut General Problem Solver. Program ini dirancang untuk memlulai penyelesaian masalah secara manusiawi. Pada tahun 1958 McCarthy di MIT AI lam mendefinisikan bahasa pemograman tingkat tinggi yaitu LISP, yang sekarang mendominasi pembuatan program program AI. pada tahun 1959 keluarlah sebuah program AI yaitu Geometry Theorm Prover  yang dapat membuktikan suatu teorama teorama menggunakan axioma-axioma yang ada.Pada tahun 1968 , Program analogi buatan Tom Evan menyelesaikan masalah analogi geometris yang ada pada tes IQ

• Perkembangan AI Melambat ( 1966- 1974)

Prediksi Herbert Simon pada tahun 1957 menyatakan bahwa AI akan menjadi ilmu pengetahuan yang berkembang dengan pesat ternyata meleset pada tahun tahun ini perkembangan AI menjadi sangat lambat

• AI menjadi sebuah Industri ( 1980 – 1988)

Industrialisasi AI diawali dengan ditemukannya expert system (sistem pakar) yang dinamakan R1 yang mampu mengkonfigurasi sitem sistem komputer baru.

• AI saat ini

Dengan semakin pesatnya prkembangan hardware dan software, berbagai produk AI telah berhasil dibangun dan digunakan dalam kehidupan sehari-hari . Di sini produk-produk tersebut dikelompokkan kedalam empat teknik yang ada di  AI, yaitu searching, reasoning, planning, dan learning. 

B. DEFINISI AI

Berasal dari bahasa inggris Artificial Intellgence (AI). Intelligence: cerdas, Artificial: buatan. Merujuk pada mesin yang mampu berfikir, menimbang tindakan yang akan diambil dan mampu mengambil keputusan seperti yang dilakukan manusia.  

• H. A. Simon [1987] :
  “ Kecerdasan buatan (artificial intelligence) merupakan kawasan
  penelitian, aplikasi dan instruksi yang terkait dengan pemrograman
  komputer untuk melakukan sesuatu hal yang -dalam pandangan manusia adlah cerdas”
• Rich and Knight [1991]:
  “Kecerdasan Buatan (AI) merupakan sebuah studi tentang bagaimana
  membuat komputer melakukan hal-hal yang pada saat ini dapat
  dilakukan lebih baik oleh manusia.”
• Encyclopedia Britannica:
  “Kecerdasan Buatan (AI) merupakan cabang dari ilmu komputer yang dalam merepresentasi pengetahuan lebih banyak menggunakan bentuk simbol-simbol daripada bilangan, dan memproses informasi berdasarkan metode heuristic atau dengan berdasarkan sejumlah aturan”
• John McCarthy[1956] :
  “AI adalah Untuk mengetahui dan memodelkan proses – proses berpikir manusia dan mendesain mesin agar dapat menirukan perilaku manusia.”

C. CONTOH AI

1. Sistem pakar merupakan salah satu cabang AI (kecerdasan buatan) yang sudah cukup tua. Sistem pakar dirancang oleh spesialis informasi (yang seringkali disebut insinyur pengetahuan) yang memiliki keahlian khusus dalam bidang kecerdasan buatan.
   
2. Pengolahan Bahasa Alami (natural language processing) adalah suatu bidang yang dimana ai tersebut mengolah perintah bahasa sehari -hari ke dalam AI tersebut agar melakukan sesuatu yang sesuai dengan perintah tersebut
   
3. Robotika dan sensor adalah bidang AI yang berfungsi sebagai mendeteksi suatu keberadaan benda sehingga AI tersebut dapat bergerak sesuai dengan program yang telah dirancang.
   
4. Computer Vision adalah bidang AI yang berfungsi untuk mengetahui hasil inputan dan di keluarkan dalam bentuk visual misal nya pengenalan pola sidik jari dan pengenalan tulisan.
   
5. Intelligent computer-aided instruction adalah bidang AI yang berfungsi sebagai tutor atau membantu dalam pembelajaran di bidang tertentu.
6. Game Playing adalah bidang ini,  AI dibutuhkan, yaitu untuk merancang dan menghasilkan game yang fun serta antarmuka antara man-machine yang cerdas dan menarik untuk dimainkan.
   

sumber:

http://ibtriau.damai.id/2015/10/14/sejarah-artificial-intelligence/

https://aiukswgkelompok11.wordpress.com/definisi-artificial-intelligence/