4CBR

5/11/2018 4CBR - slidepdf.com

http://slidepdf.com/reader/full/4cbr 1/25

PBS - KBS

BAB V. C ASE-BASED REASONING

1. APAKAH KASUS ITU?

Hal yang paling mendasar dalam penalaran berbasis kasus (case-based reasoning, CBR) adalah

kasus (case). Menurut Stottler (1994), kasus adalah suatu masalah yang telah terselesaikan

dengan baik. Suatu kasus dijelaskan melalui sekelompok (himpunan) ciri-ciri (feature). Setiap

featur mempunyai: nama, tipe (type) data, domain (daerah nilai), nilai (value), dan bobot

(weight ). Nama featur sudah jelas artinya, tipe data menjelaskan apakah suatu featur itu numeris

atau konseptual, domain menjelaskan daerah berlakunya nilai featur, nilai featur digunakan

untuk membandingkan antar featur dalam kasus (dalam usaha mencari kemiripan), bobot featur

digunakan untuk menimbang seberapa penting (misal dalam persen) kedudukan suatu featur

dalam kumpulan featur suatu kasus untuk menghitung total nilai kecocokan dari masing-masing

featur dari kasus lama dengan kasus baru.

Sebagai contoh, misalkan suatu kasus penyakit yang ditangani oleh seorang dokter.

Kasus penyakit ini dijelaskan oleh sekumpulan featur. Nama-nama featur adalah: nama pasien,

usia pasien, berat badan, dan keluhan-keluhan, dan obat. Untuk featur nama pasien detilnya

adalah: tipe data adalah teks, domain nama: semua teks yang bermakna nama, nilai nama

misalnya Amir, bobot nama adalah nol persen (sebab obat suatu penyakit tidak ditentukan oleh

nama pasien, melainkan oleh diagnose/keluhan si penderita). Untuk featur usia pasien detilnya

adalah: tipe data adalah numerik, domain: dari nol tahun sampai dengan seratus tahun, nilai usia

misalnya 15 tahun, bobot featur usia adalah 60 persen (sebab dosis obat suatu penyakit sangat

ditentukan antara lain oleh usia pasien).

Jadi kumpulan featur berikut tipe dan nilainya (value) dapat menjelaskan suatu

pengalaman (kasus) dilihat dari segi struktur atau konteks berikut informasi yang terkandung

didalamnya. Konteks kasus dibuat oleh pengembang (developer ) melalui sekumpulan featur dan

tipe featur. Sedangkan informasi (isi kasus) diperoleh dari end-user atau seorang pakar (expert )

mengenai kasus yang ditinjau.

Menurut Richard H. Stottler (1994), feature dapat dikelompokkan menjadi tiga

kelompok sebagai berikut:

Descriptive Feature (ID Feature), yaitu ciri-ciri yang paling mudah untuk mengenal atau

mengelompokkan kasus. Pada umumnya berupa nama, nomor identitas, deskripsi,

penjelasan, dan lain-lain.

Solution Feature, yaitu ciri-ciri yang menunjukkan jawaban kasus. Contoh: jenis obat, dan

berapa takaran yang harus diberikan.

1



Adjustment Feature, yaitu ciri-ciri yang berubah atau bersifat dinamis dan sangat menentukan

solusi kasus. Featur ini digunakan untuk menyesuaikan solusi kasus lama agar sesuai dengan

situasi dan kondisi masalah baru, misal umur dan berat badan sangat menentukan doses

pengobatan.

Setiap feature juga mempunyai nama, tipe data, domain, nilai, bobot dan jenis keserupaan

( feature matching ).

Nama

Tipe Data

Tipe Keserupaan

(Feature Matching)

Descriptive

Solution

Adjustment

Dikelompokkan

Domain

Nilai

Bobot

Mempunyai

FeaturesKasus

Gambar 1 Struktur Suatu Kasus

Untuk penjelasan lebih lanjut dapat dibaca contoh kasus dibawah ini.

2 DATABASE KASUS (CASE BASE )

Kasus-kasus lama pada umumnya disusun dalam suatu database kasus dengan menggunakan

aturan yang sesuai dengan struktur kasus. Sebagai contoh, berdasarkan pengalaman seorangdokter, maka dapat disusun database kasus yang terdiri ribuan kasus pasien yang telah

ditanganinya selama ini (misal selama 20 tahun praktek). Contoh kecil database kasus yang

sangat sederhana (bukan riil) dapat dilihat pada Tabel 1.

Cara interpretasi tabel diatas, misal baris 1: Kasus dari pasien yang bernama Ana,

perempuan, demam, usia 18 tahun dan berat badan 50 kg. Setelah diperiksa, diputuskan bahwa

Ana terserang demam, maka diberikan obat Panadol dengan doses tiga kali sehari satu tablet,

diminum setelah makan.

Berikut ini penjelasan lebih detil tentang struktur kasus pada gambar 1 dipadukan dengan

arsitektur database kasus pada tabel 1:

2



PBS - KBS

Tabel.1. Contoh Database Kasus

Descriptive Feature Adjusment Feature Solution Feature

NamaJenis

Kelamin

Penyakit Berat

BadanUmur Obat Dosis Takaran

Ana P Demam 50 18 Panadol 3 1

Antok L Demam 30 8 Panadol 3 ½

Alex L Demam 70 70 Panadol 3 1

Dani L Diare 65 23 Diapet 2 1

Elisa P Maag 90 25 Promag 1 3

Catatan :

L = laki-laki P = perempuan Dosis diukur dalam sekian kali per hari Takaran: tablet,

senduk makan, tetes, dst

Pengelompokan Fitur: Descriptive Feature (ID Feature): nama pasien, jenis kelamin. Fitur-fitur ini berguna untuk

mengingat kasus, dapat ditambahkan fitur lain, misal: tanggal dan alamat.

Adjustment Feature: penyakit, berat badan dan umur. Ini adalah faktor-faktor yang

mempengaruhi solusi.

Solution Feature: jenis obat, doses dan takaran. Ini merupakan jawaban dari kasus yang ada.

Tabel data dari Fitur:

Nama Fitur Tipe Data Domain Bobot (%) Keserupaan

Nama (pasien) Text Semua nama orang yg mungkinJenis Kelamin Text L, PPenyakit Text Semua nama penyakit yg mungkin 80 ExactBerat Badan Angka 0 – 100 (kg) 5 Range (%)Umur Angka 0 – 100 (th) 15 Range (%)Obat Text Semua nama obat yg mungkinDosis Angka 0 – 3Takaran Angka 0 - 3

Bobot adalah angka yang menunjukkan perbandingan kepentingan suatu feature dengan feature

lain dalam menentukan solusi suatu kasus. Bobot sangat diperlukan untuk melakukan

perhitungan total skore dari kemiripan antar fitur kasus baru dengan fitur kasus lama, serta dapat

dipakai untuk penyesuaian terhadap solusi kasus dari pasien baru, misal dalam hal ini ditetapkan

pembobotan sebagai berikut: Penyakit (80%), berat badan (5%), dan umur (15%). Pemanfaatan

database kasus akan dijelaskan pada siklus CBR dibawah ini.

PENGERTIAN CBR

3



Setelah memahami arti kasus, maka tiba giliran memahami CBR. Terdapat berbagai pengertian

tentang Case-Based Reasoning (CBR), antara lain:

CBR adalah “reasoning by remembering ” (Leake, 1996), yang artinya CBR adalah penalaran

dengan mengingat.

Definisi lain yaitu “ a case-based reasoner solves new problems by adapting solutions that were

used to solved old problems” (Riesbeck & Schank, 1989), yang artinya penalaran

berdasarkan kasus untuk menyelesaikan masalah baru dengan cara mengadaptasi solusi

masalah lama.

Berdasarkan pengertian CBR di atas, dapat disimpulkan bahwa CBR adalah metode dalam

pengambilan keputusan untuk menyelesaikan masalah baru dengan menggunakan solusi kasus-

kasus lama yang serupa, serta merupakan metode untuk membangun sistem komputer yang

cerdas. Dengan demikian CBR adalah suatu istilah yang mengandung arti:

Proses penalaran manusia

Representasi proses penalaran manusia

Suatu metode untuk pengembangan aplikasi bagi penyelesaian masalah

CBR adalah Proses Penalaran

CBR adalah kumpulan metode dan teknik untuk merepresentasikan bagaimana manusia

menalar. CBR memodelkan kemampuan manusia untuk mengingat dan mengunakan

pengalaman guna:

Menginterpretasikan suatu situasi

Reaksi terhadap rangsangan akan suatu situasi

Mengingat sesuatu atau sekelompok pengalaman

Memecahkan masalah dalam konteks pengalaman yang diingat

Menjelaskan bagaimana suatu masalah dapat diselesaikan

Belajar dari pengalaman baik dan buruk

Menyimpan kedalam memori pengalaman baru berikut problem solvingnya untuk

penggunaan di waktu yang akan datang

CBR adalah Representasi Proses Penalaran

CBR adalah representasi dari suatu proses yang digunakan dalam pengambilan keputusan

(seperti layaknya proses penalaran manusia).

CBR adalah suatu proses natural tentang pemanfaatan pengalaman yang tersimpan.

4



PBS - KBS

CBR adalah representasi tentang proses natural ini berikut implementasinya di pemrograman

komputer. tentang pemanfaatan pengalaman yang tersimpan.

CBR Adalah Metodolgi Pengembangan Aplikasi

CBR adalah suatu metodologi untuk mengembangkan aplikasi sistem berbasis pengetahuan

(knowledge-based system). Metodologi atau proses ini terdiri atas langkah-langkah sebagai

berikut:

Proses pendefinisian kasus: Bagaimana saya tahu apakah suatu kasus itu? Bagaimana saya

menjelaskannya?

Pembuatan indeks dari kasus dalam suatu database kasus (case-base): Bagaimana saya

menyimpan dan mengindeks kasus dalam database kasus sehingga nanti saya dapat

dengan mudah menemukannya kembali?

Representasi kasus, dan/atau domain knowledge yang lain: Bagaimana saya menyimpan

suatu kasus? Dapatkah saya memakai rules of thumb (pengalaman) dari permasalahan

yang ada?

Spesifikasi proses mendapatkan kembali kasus untuk digunakan lagi dan metode penetapan

kemiripan/keserupaan (similarity): Bagaimana saya mendefinisikan kecocokan (match)

yang baik? Apa yang dimaksud dengan serupa itu?

Proses pencarian kembali – Implementasi metode keserupaan yang telah didefinisikan:

Bagaimana kasus diperoleh kembali? Bagaimana saya memperlihatkan keserupaan

antara suatu kasus dengan kasus yang lain?

Presentasi dari hasil pencarian kasus: Seperti apakah user interface (form) nya?

Modifikasi atau adaptasi dari kasus yang diperoleh: Bagaimana kalau saya tidak

mendapatkan kecocokan seratus persent (exact match) – masihkah saya dapat bantuan

penyelesaian masalah?

Penambahan kasus yang sudah diapdatasi kedalam database kasus: Dapatkah aplikasi case-

base saya belajar dari penggunaan sehari-hari?

4 SEJARAH CASE-BASED REASONING

Cased-Based Reasoning diawali dari riset dasar tentang ilmu kognitip oleh Schank dan Abelson

pada tahun 1977. Mereka mengusulkan bahwa pengetahuan manusia tentang situasi dicatat

didalam otak sebagai scripts yang memungkinkan untuk melakukan ekspektasi dan inferensi.

Scripts didefinisikan sebagai struktur konsepsual dari memori yang menjelaskan tentang

informasi kejadian-kejadian yang bersifat stereotip misalnya pergi ke restoran atau ke dokter.

5



Namun hasil eksperimen menunjukan bahwa scripts bukanlah merupakan representasi memori

yang komplit – sebab orang sering bingung untuk membedakan ruangan dokter umum dengan

dokter gigi. Roger Schank (1982) meneruskan risetnya dengan mengeksplorasi peran dari

ingatan atas situasi yang lalu (kasus-kasus) beserta pola-polanya, atau yang ia sebut sebagai

memory organization packets (MOPs) yang mempunyai peranan dalam pemecahan masalah dan

pembelajaran. Walau berbagai klaim atas akar (asal mula) philosopi dari CBR, namun tak dapat

disangkal bahwa group riset Roger Schank dari Universitas Yale pada awal tahun 1980 adalah

yang pertama kali menghasilkan baik model kognitip maupun aplikasi dari CBR. Janet

Kolodner mengembangkan sistem CBR yang pertama kali yang disebut Cyrus ditahun 1983.

Cyrus menggunakan model memori dinamis dari Schank. Model memori kasus yang dinamik

untuk sistem ini kemudian banyak menjadi dasar untuk berbagai sistem CBR yang lain

(termasuk MEDIATOR, PERSUADER, CHEF, ULIA, CASEY). Alternatip lain dikemukakan

oleh Bruce Porter di Universitas Texas di Austin. Sistem CBR yang diusulkan disebut sistem

Protos. Dalam Protos, domain pengetahuan dan kasus spesifik disimpan dalam memori kasus

yang tunggal.

Pada akhir tahun 1980, organisasi DARPA dari USA menyelenggarakan suatu rangkaian

workshop dibidang CBR beserta alat pengembang CBR. Alat pengembang yang dihasilkan

waktu itu adalah Cognitive Systems’ ReMind., peristiwa ini menandai perubahan signifikan

tentang CBR dari sekedar riset akademis menjadi riset yang menghasilkan software komersial.

Sejarah CBR tidaklah lebih lama dibandingkan teknologi pendukung keputusan yang

lain seperti expert systems dan neural networks. Namun tidak bisa dipungkiri, kecepatan

perkembangan aplikasi CBR diakibatkan oleh sifat alami intuisinya beserta kesederhanaan

implementasinya, dua hal yang sangat positip sekali.

5 SIMILARITY ASSESSMENT DAN METRICS

Pada sesi ini akan dijelaskan cara mengukur kemiripan antar fitur. Metric adalah ukuran.

Similarity adalah deskripsi tentang bagaimana miripnya satu barang/kasus dengan barang/kasus

yang lain. Jadi similarity metric dalam CBR adalah sebuah ukuran kemiripan antara kasus yang

lalu dengan kasus yang baru. Pencarian kasus lama yang mirip dengan kasus baru adalah

merupakan penilaian keserupaan dengan menggunakan metric yang sesuai. Similarity metric

yang digunakan dalam CBR sangat bervariasi, tiga diantaranya, yang paling umum digunakan,

yaitu :

Feature Counting

Merupakan metode pengukuran yang digunakan untuk menghitung kecocokan yang

6



PBS - KBS

paling dekat antara situasi baru atau kasus target dengan satu atau lebih kasus dari

database kasus. Perbandingan nilai dihitung untuk semua kasus dengan

membandingkan setiap nilai feature dari kasus target dengan setiap nilai kasus yang

berhubungan dari tiap kasus dalam database kasus. Kasus atau kasus-kasus dengan

nilai kecocokan yang paling tinggi merupakan kasus yang paling serupa. Bobot

default untuk tiap feature yang terpilih (adjustment feature), akan dicari, yaitu satu

(1) dan tidak memegang peranan dalam perhitungan keserupaan. Pengembang dapat

merubah nilai dari bobot untuk feature yang diberikan tetapi ini tidak akan

mempengaruhi hasilnya.

Weighted Feature Computation

Weighted Feature Computation dapat diperoleh dengan memberikan nilai

kepentingan (bobot) pada tiap feature. Umumnya, pencarian kembali kasus yang

berhubungan ditentukan dengan kehadiran sejumlah angka dengan prioritas

kecocokan feature yang paling tinggi (paling penting) antara kasus target atau kasus

baru dengan kasus yang terpilih.

Inferred Feature Computation

Merupakan pengukuran keserupaan yang menggunakan rules tentang domain untuk

menentukan kekuatan keserupaan antara situasi baru atau kasus target dengan

database kasus. Berdasarkan nilai dari kasus target, dan rules khusus tentang domain,

sistem akan dapat menghitung sebuah nilai untuk bobot yang akan digunakan untuk

mencocokkan.

Ketiga metode diatas kemudian ditekankan pada kombinasi dari penentuan kecocokan pada

tingkat feature, yaitu :

Exact Feature Value Match

Merupakan perbandingan yang pasti dari :

Huruf dengan huruf

Angka dengan angka

Kata dengan kata

Daftar nilai dengan daftar nilai

Dan lain-lain.

Exact feature matching mengembalikan sebuah nilai keserupaan dari 0 atau 1.

Partial Value Match

Merupakan kecocokan dari sebagian besar feature. Partial value match

mengembalikan sebuah nilai antara 0 dan 1

7



Sebagai contoh :

Nilai feature target (kasus baru) : Geology

Cocok dengan :

Nilai feature kasus lama: Gelogy

Perbandingan dari dua nilai menghasilkan nilai pengukuran keserupaan yaitu

0.86. Ini dihitung dengan persamaan :(1-jumlah yang salah pengejaan) dibagi

dengan jumlah karakter kata yang paling panjang.

Partial Word

Kecocokan partial word membandingakan dua nilai string/kalimat. Kalimat

dipisahkan kedalam individual kata dan sebuah proses ‘partial value match’

dikerjakan. Urutan kata dalam tiap kalimat diabaikan.

Sebagai contoh :

Nilai :” United States Gymnastics Team “ cocok dengan :

Nilai :” United States Team Gymnastics”

Menghasilkan: sebuah nilai keserupaan 1, karena urutan tidak

dipertimbangkan.

Contoh lain :

Nilai : “United States Gymnastics Team “ cocok dengan :

Nilai : “Unite Canada Team Gymnastics”

Menghasilkan : nilai keserupaan 0,71, karena “United” dan “Unite”

dibedakan satu karakter, dan frasenya dibedakan satu kata “States” dan

“Canada”.

Exact (Case Indifferent)

Bersifat pasti, tidak membedakan huruf besar dan kecil, menyediakan kecocokan

yang pasti tanpa memperhatikan nilai huruf dari kasus.

Sebagai contoh :

Nilai : “John Smith” akan cocok dengan :

Nilai : “john smith”

Partial (Case Indifferent)

Partial feature match menyediakan kecocokan fitur sebagian tetapi tidak

membedakan huruf besar dan huruf kecil.

Sebagai contoh :

Nilai : “Joe Smith” cocok dengan :

Nilai : “ joe smit”

Partial Word (Case Indifferent)

8



PBS - KBS

Sebagian kata, tidak membedakan huruf besar dan kecil, akan menyediakan

kecocokan untuk sebagian nilai kata yang berbeda dalam kasus.

Sebagai contoh :

Nilai : “Mary Jones Flew Jumbo Airlines” cocok dengan :

Nilai : “mary jones jumbo AirLINES”

Equal Feature Matching

Digunakan untuk menjelaskan persamaan numerik.

Sebagai contoh ;

Nilai : 3 sama dengan :

Nilai : 3 sama juga dengan

Nilai : 3.0

Range Feature Matching

Digunakan untuk menjelaskan kecocokan diantara angka yang memiliki toleransi

khusus. Nilai kembaliannya selalu 0 atau 1.

Sebagai contoh :

Feature temperatur. Definisi nilai : numerik degan tingkat [10%] (ini

menyatakan bahwa nilai baik dalam lebih atau kurang dari 10% dianggap

cocok)

Nilai Feature : 40 cocok dengan

Nilai Feature : 36.5 dan juga

Nilai Feature : 42.3

Nilai kembalian keserupaan adalah 1

Fuzzy Range Feature Matching

Digunakan untuk menjelaskan “kecocokan terdekat” antara nilai-nilai numerik.

Nilai keserupaan, digunakan selama pencarian kembali, berubah berdasarkan

seberapa dekat atau jauh nilainya dari satu dengan yang lain. Nilai berubah

terrgantung point. Pengembang dapat memilih toleransi kecocokan fuzzy sebagai

persentase dari berapa jarak satu nilai dari yang lain. Fuzzy range feature matching

ini mempunyai kemampuan kecocokan sebagian untuk numerik feature. Nilai

adalah antara 0 dan 1.

Sebagai contoh :

Toleransi 10% dimasukkan

Nilai lama: 100

Nilai baru : 97

Nilai berbeda 3%. Contoh ini menggunakan nilai toleransi 10%, jadi nilai

9



kembalian keserupaannya adalah 7 (70%)

Inferred Feature Match

Merupakan kecocokan yang digunakan untuk dengan memakai aturan/rule

kemiripan. Sebagai contoh :

Nilai Feature : “Car” cocok dengan

Nilai Feature : “Auto” apabila ada rule khusus yang menyatakan bahwa

“car” adalah sama dengan “auto”

6 CASE-BASED REASONING CYCLE

Pada umumnya, sebuah Case-Based Reasoning cycle dapat digambarkan melalui 4 putaran

proses yang biasa disebut dengan four Res (4 Re) , yaitu :

REtrieve (mencari kembali) kasus yang paling serupa

REuse (menggunakan kembali) kasus-kasus untuk menyelesaikan masalah

REvise (memperbaiki) solusi yang diusulkan, apabila solusi lama sudah kedaluwarsa dan

membutuhkan update.

REtain (menyimpan) kasus dan solusi baru yang belum ada dalam database kasus untuk

digunakan untuk menyelesaikan masalah di masa yang akan dating, dengan demikian

sistem yang ada semakin pintar karena mampu belajar dari pengalaman.

Jadi, sebuah masalah/kasus yang baru dipecahkan dengan mencari kembali ( Retrieve) satu atau

lebih kasus-kasus lama yang pernah terjadi yang hampir sama/mirip, kemudian menggunakan

kembali solusi kasus itu ( Reuse), dan bila diperlukan dilakukan adaptasi/perbaikan solusi

( Revise) agar sesuai dengan situasi dan kondisi kasus baru, kemudian sistem dapat bertambah

pintar dengan cara menyimpan kasus yang baru ( Retain) dengan menggabungkannya ke dalam

database kasus-kasus yang sudah ada. Keempat proses ini saling mempengaruhi, hal ini dapat

digambarkan seperti pada gambar 3.2

10



PBS - KBS

Gambar 3.2 Case-Based Reasoning Cycle

7 KESERUPAAN ( SIMILARITY )

Bagaimana mengukur keserupaan antara kasus lama dengan kasus baru? Metode nearest

neighbor (NN) merupakan teknik yang sangat sederhana dan banyak digunakan. Berikut ini

akan digunakan contoh tentang manager bank yang memakai metode NN untuk menilai

(assesment ) dikabulkan atau tidaknya pinjaman kredit seorang klien baru. Dalam pengertian ini

kasus lama adalah pinjaman sebelumnya. Dua feature yang spesifik yang dapat diamati adalah:

Pendapatan seseorang tiap bulan, yaitu uang sisa yang dimiliki mereka setelah pajak

dan tanggung jawab keuangan yang lain

Pembayaran kembali pinjaman mereka tiap bulan

Dengan menggunakan dua feature ini sebagai index, kasus tersebut akan terdiri dari informasi

seperti yang dapat dilihat pada tabel 3.2.

11



Net monthly income

M o n t h l y l o a n r e p a y m e n t

Tabel 3.2 Tabel suatu kasus yang sederhana tentang pinjaman/loan

Case Indexes

Net monthly income in dollars

Monthly loan repayment in dollars

Case result Good or bad loan

Pada gambar 3.3, dua index diatas dapat digunakan sebagai sumbu untuk sebuah grafik, dengan

pendapatan bersih tiap bulan pada sumbu x dan pembayaran kembali pinjaman pada sumbu y.

Sebuah kasus yang lalu, sebagai contoh seseorang dengan pendapatan bersih tiap bulan relatif

tinggi dan pembayaran kembali pinjaman yang relatif rendah dapat digambarkan seperti pada

Gambar 3.3. Grafik sederhana tentang loan

grafik. Dengan cara yang sama, kasus lama yang lain dapat juga digambarkan dengan tanda

batas pada grafik (gambar 3.4). Sekarang, dapat dikatakan bahwa index seharusnya dapat

diprediksi, dan pengertian yang umum dapat memberitahu bahwa orang-orang dengan

pendapatan bersih tiap bulan yang relatif rendah dan pembayaran kembali pinjaman tiap bulan

yang relatif tinggi lebih banyak mengalami kegagalan dalam pinjaman daripada orang dengan

pendapatan yang tinggi dan pembayaran kembali yang rendah. Dengan demikian, ini tidak

mengherankan bila satu dari kelompok kasus menunjukkan orang-orang yang sukses membayar

kembali pinjamannya dan yang lain menunjukkan yang gagal.

12



PBS - KBS

Net monthly income

M o n t h l y l o a n r e p a y m e n t

Bad loan

Good loan

Gambar 3.4. Kelompok pinjaman yang baik dan yang buruk

Sekarang dengan grafik ini dapat digunakan sebagai alat untuk mendukung keputusan. Apabila

seorang klien baru yang cukup prospektif sedang memohon pinjaman, yang harus dilakukan

adalah menanyakan berapa pendapatan bersihnya tiap bulan, kemudian hitung pembayaran

kembali pinjamannya tiap bulan, dan gambarkan hal ini dalam grafik. Apabila seseorang

tergolong dalam atau dekat dengan kelompok yang baik, permohonan pinjaman harus

dikabulkan. Apabila tergolong dalam atau dekat dengan kelompok yang buruk, permohonan

pinjaman harus ditolak.

Net monthly income

M o n t h l y l o a n r e p a y m e n t New Case

Gambar 3.5. Sebuah kasus baru pada grafik

Pada grafik yang ditunjukkan gambar 3.5, mudah untuk mengetahui bahwa klien baru itu dekat

dengan pinjaman yang baik. Bagaimanapun, untuk yakinnya, harus menggunakan grafik untuk

menghitung jaraknya. Yang harus dikerjakan adalah menghitung jarak relatif dari x dan y kasus

baru (the target case) ke kasus-kasus lama yang lain ( source cases). Mari sederhanakan

grafiknya dengan hanya mempertimbangkan 3 kasus : dua kasus sumber yang ada disebut A

13



dan B sedang kasus target dinamakan T. Dengan kasus A adalah sebuah pinjaman yang baik dan

kasus B sebagai pinjaman yang jelek. Sekarang dengan mudah akan didapatkan jarak x dan y

dari T dari tiap-tiap sumber kasus A dan kasus B.

Seperti yang dapat dilihat pada gambar 3.6 jarak x dari T ke A adalah 3 unit, dan jarak y adalah

0, sedangkan jarak x milik T dari B adalah 1 unit dan jarak y adalah 3 unit. Untuk itu :

Jarak T dari A : dA = XA + YA

Jarak T dari B : dB = XB + YB

Bagaimanapun memberi nilai yang paling kecil adalah tetangga terdekat kasus ke T. Jadi dalam

contoh ini jarak T dari A samadengan 3 (yaitu : 3+0), sedang jarak T dari B sama dengan 4

(yaitu :1+3) dan karena itu A adalah tetangga paling dekat dengan T. Bank harus mengabulkan

pinjaman. Meskipun target mempunyai pendapatan yang kecil, pinjaman juga rendah.

Keputusan ini didukung oleh solusi kasus tetangga terdekat (kasus A) yaitu kasus pinjaman yang

baik.

L o a n r e p a y m e n t

Monthly income

Case A

.

Case B

Case T

XB

YB

XA

Gambar 3.6 Grafik dengan jarak nearest neighbor

Jadi, konsep dari nearest neighbor pada dasarnya adalah sederhana. Tetapi untuk membuat

menjadi lebih teliti maka perlu diberi bobot pada tiap attribute. Dari pengalaman bertahun-tahun

sebagai pegawai bank, tentu percaya bahwa seseorang yang mempunyai pendapatan bersih

lebih mudah diramalkan kemampuan seseorang untuk membayar kembali pinjaman daripada

ukuran relatif pembayaran kembali tiap bulan. Dapat dikatakan bahwa bobot (weight, w)

pendapatan seseorang dua kali lebih penting dari ukuran pembayaran kembali. Untuk itu dapat

menggunakan grafik yang sama, tetapi formula nearest neighbor berubah menjadi :

14



PBS - KBS

Jarak T dari A : dA = (XA x Wx ) + (YA x Wy )

Jarak T dari B : dB = (XB x Wx ) + ( YB x Wy )

Dimana Wx adalah bobot dari attribute X dan Wy adalah bobot dari attribute Y.

Misalkan Wx = 2 dan Wy = 1. Sehingga :

Jarak T dari A : dA = 6 (yakni,(3x2) + (0x 1))

Jarak T dari B : dB = 5 (yakni, (1x2) + (3x1) )

Mengingat perhitungan diatas dengan menggunakan formula nearest neighbor , kasus B

sekarang menjadi lebih dekat ke kasus T, artinya bank harus menolak pinjaman karena kasus B

adalah pinjaman yang jelek. Sebuah cara untuk menggambarkan faktor bobot ini adalah dengan

menggambar ulang grafik yang telah ada dengan sumbu x dua kali skala sumbu y (gambar 3.7).

Hal ini akan menggambarakan lebih jelas lagi bahwa T lebih dekat ke B daripada ke A. Karena

itu, dapat dimengerti dengan menambahkan pada formula nearest neighbor suatu bobot bentuk

kepentingan yang relatif, atau pemberian bobot pada setiap attribute, maka kasus lama yang

akan dicari kembali akan muncul sebagai pasangan yang paling mirip dengan kasus baru.

L o a n r e p a y m e n t

Monthly income

Case A

.

Case B

Case T

YB

XB

XA

Gambar 3.7 Grafik dengan pembobotan pada sumbu x

Kebetulan contoh ini sangat mudah. Dalam kenyataannya, kasus-kasus mungkin memiliki 10,

20, atau lebih attribute, dimana masing-masing mempunyai bobot sendiri-sendiri. Karena itu,

selain menggunakan ruang dua dimensi, seperti yang ada dalam contoh, kasus juga

dikelompokkan ke dalam ruang n-dimensi. Lebih lanjut, mungkin tidak hanya membatasi pada

perbandingan numerik yang mudah dari persamaan. Beberapa ciri-ciri kasus mungkin akan

memiliki nilai secara simbolik (contoh warna seperti merah, hijau, dan biru), nilai Boolean

(contoh : benar, salah, atau tak dikenal), dan nilai textual. Meskipun demikian, disamping

15



kekompleksan yang meningkat, metode nearest neighbor tetap dapat bekerja dengan cara yang

sama. Persamaan (yaitu dekatnya) dari kasus target ke kasus sumber untuk tiap atribute sangat

menentukan. Ukuran ini akan dikalikan dengan faktor bobot. Kemudian jumlah dari persamaan

dari semua attribute akan dihitung melalui persamaan :

n

Similarity (T,S) = S f (Ti,Si) x wi

i =1

dimana :

T adalah kasus target

S adalah kasus sumber

n adalah jumlah attribut dalam tiap kasus

I adalah attribut individual dari 1 sampai n

F adalah fungsi persamaan utnuk atribut i dalam kasus T dan S

W adalah bobot penting dari attribute i.

Tingkat kesamaan antar kasus biasanya jatuh dalam range antara 0 sampai 1 (dimana 0 adalah

sama sekali tidak sama dan 1 adalah sama persis) atau dinyatakan sebagai persen kesamaan

dimana 100% adalah persis sama dan 0% sama sekali berbeda.

8 RETRIEVE DAN ALGORITMA SIMILARITY

Similarity adalah deskripsi dari bagaimana miripnya satu kasus dengan kasus yang lain. Disini

akan disajikan salah satu metode yang umum digunakan yaitu Weight Matching. Kecocokan

diantara sebuah kasus yang lalu dengan kasus baru tidak harus pasti (100% cocok). Untuk

mencapai total bobot skore kecocokan untuk sebuah kasus melibatkan pemakaian algoritma

berikut ini untuk tiap fitur:

Apabila nilainya pasti sama, maka nilai kembaliannya adalah bobot utuh dari bidang.

Apabila bidangnya adalah type perhitungan dan nilainya adalah ‘serupa’, maka nilai

kembaliannya adalah berbanding porposional dari bobot utuh dari bidang itu.

Apabila bidangnya adalah angka dan nilainya adalah ‘serupa’, maka nilai numerik akan

dihitungkan yang mana menggambarkan seberapa dekat nilai sebenarnya itu.

Semakin dekat nilainya, semakin dekat nilai kembaliannya akan menjadi bobot utuh

dari bidang.

Apabila tidak ada satupun dari nilai diatas yang terpenuhi, maka nilai kembaliannya

adalah 0. Weight matching secara berurutan memproses setiap kasus dari daftar

16



PBS - KBS

kasus dengan index yang benar.

Untuk setiap kasus, bobot kembalian dari tiap bidang akan dijumlahkan dan nilai ini

akan menjadi bobot total skore kecocokan untuk kasus. Kasus dengan bobot yang

paling tinggi akan dianggap sebagai kasus terbaik, dan ini adalah kasus yang dicari.

9 REUSE DAN REVISE

Penggunaan kembali solusi kasus lama yang dicari kedalam konteks dari kasus yang baru

difokuskan pada dua aspek yaitu (a) perbedaan antara kasus yang lalu dan yang sekarang dan (b)

bagian apa dari pencarian kembali dari kasus yang bisa dipindahkan ke kasus yang baru. Berikut

ini berbagai langkah reuse dan revise:

Copy

Dalam tugas klasifikasi yang sederhana, solusi dari kasus yang dicari dipindahkan ke

kasus yang baru sebagai bagian solusinya. Ini merupakan bagian yang termudah dari

reuse.

Adaptation

Pada umumnya ada dua macam adaptasi dalam CBR, yaitu :

Structural Adaptation (adaptasi struktural)

Menggunakan adapatasi rule atau formula secara langsung pada solusi lama.

Derivational adaptation (adaptasi turunan)

Penggunaan kembali rule atau formula yang menghasilkan solusi asli untuk

membuat solusi baru pada masalah sekarang. Dalam metode ini, rangkaian

perencanaan yang membentuk solusi asli harus disimpan sebagai atribut

tambahan dari kasus. Adaptasi turunan hanya dapat digunakan untuk domain

yang benar-benar dimengerti.

Beberapa teknik, mulai dari yang mudah sampai yang kompleks telah digunakan dalam adaptasi

CBR, yaitu sebagai berikut :

Null adaptation

Maksudnya tidak mengggunakan adaptasi sama sekali. Ini hanya menggunakan

apapun solusi yang didapat pada masalah sekarang tanpa mengadaptasinya.

Null adaptation berguna untuk menyelesaikan masalah yang melibatkan alasan

yang kompleks tetapi dengan solusi yang mudah.

Parameter adjustment

Merupakan struktural adaptation yang membandingkan parameter tertentu dari

17



kasus yang dicari dan kasus sekarang untuk mengubah solusi dengan petunjuk

yang sesuai.

Reinstantiation

Digunakan untuk memperbarui feature dari solusi lama dengan feature baru.

Derivational replay

Merupakan proses mengikuti kembali metode yang digunakan untuk

menghasilkan solusi lama untuk memperoleh sebuah solusi pada situasi baru.

Model-guided repair

Menggunakan model sebab-akibat sebagai petunjuk adaptasi. Teknik ini juga

memerlukan pengertian yang baik tentang masalah domain.

10 RETAIN

Untuk langkah Retain, yaitu menyimpan kasus baru kedalam database kasus, tidak dibahas

disini. Pada dasarnya Retain memberi prompt (tanda pertanyaan di monitor) pada user bahwa

kasus yang mirip tidak ada, maka sistem akan mem prompt user apakah kasus barunya boleh

disimpan agar sistem CBR dapat belajar, sehingga bertambah pengalaman dengan kasus baru

dan menjadi semakin cerdas. Pada umumnya, penambahan kasus baru tidak secara otomatis,

melainkan ditambahkan oleh pakar dibidang keilmuan kemudian tambahan kasus ini perlu

divalidasi.

11 APLIKASI CBR

A Klasifikasi Aplikasi

Klasifikasi dari aplikasi CBR yang digunakan pada bagian ini telah disesuaikan dari laporan

Althoff et al. (1995) dan ditampilkan seperti dalam gambar 3.8. Aplikasi CBR secara luas dapat

diklasifikan ke dalam dua tipe masalah utama yaitu :

Tipe klasifikasi (classification tasks)

Tipe sintesa ( synthesis tasks)

B Tipe Klasifikasi

Tugas klasifikasi bertujuan membagi feature-feature tertentu pada klas-klas tertentu. Sebuah

kasus baru akan dicocokkan dalam database kasus untuk menentukan tipe apa atau kelasnya.

18



PBS - KBS

Solusi dari kasus terbaik dalam kelas kemudian digunakan kembali. Sebagai contoh,

mempertimbangkan masalah dari pengidentifikasian makanan terbaik untuk hewan peliharaan.

Tugas pertama adalah mengklasifikasi hewan peliharaan kedalam kelas binatang, yaitu, apakah

kuda, anjing, kucing, burung, binatang pengerat, reptil, atau ikan? Apabila sebuah reptil, ini

mungkin kura-kura, ular atau kadal ? Apabila seekor kadal, maka makanan terbaiknya mungkin

adalah serangga.

Software CBR yang paling banyak tersedia adalah tipe klasifikasi dengan

kemampuan yang sangat baik untuk pencarian kembali suatu kasus (case retrieval). Tugas

klasifikasi dapat didetilkan menjadi :

CBRSystem

Classificationtasks

Synthesis tasks

Design Planning ConfigurationPlanningPrediction

Assesment Process Control

Diagnosis

MedicalDiagnosis

Equipmentfailure

Gambar 3.8 Sebuah hirarki klasifikasi dari aplikasi CBR

Diagnosa. Sebagai contoh, diagnosa pengobatan atau diagnosa kegagalan peralatan

(trouble shooting).

Prediksi. Sebagai contoh, peramalan dari kegagalan peralatan atau stock hasil penjualan.

Penaksiran. Sebagai contoh, analisa resiko untuk perbankan atau asuransi atau perkiraan

biaya proyek

19



Proses kontrol. Sebagai contoh, pengontrolan peralatan produksi

Perencanaan. Sebagai contoh, penggunaan kembali rencana perjalanan atau jadwal

pekerjaan.

Tugas sintesa mencoba untuk menciptakan sebuah solusi baru dengan mengkombinasi

bagian dari solusi yang sudah ada. Sebuah contoh : akan mendesain sebuah rumah baru

dengan mengkombinasikan bagian-bagian dari rumah-rumah yang lain: dapur dan ruang

tamu dari satu rumah, dengan ruang bawah tanah dan garasi dari rumah yang lain,

dikombinasikan dengan kamar tidur dan kamar mandi dari rumah ketiga. Tugas

perpaduan sifatnya kompleks karena pembatas antara elemen yang digunakan selama

perpaduan. CBR system yang melakukan tugas perpaduan harus mengunakan adaptasi dan

biasanya sistem cangkokan mengkombinasi CBR dengan teknik yang lain.Adapun yang

termasuk tugas sintesa seperti :

Desain. Menciptakan sebuah hasil karya manusia yang baru dengan menyesuaikan

elemen-elemen dari yang sudah ada.

Perencanaan. Menciptakan rencana-rencana baru dari elemen-elemen yang telah lama.

Penyusunan. Menciptakan jadwal baru dari jadwal yang lama.

Tugas klasifikasi sangat umum dalam bisnis dan kehidupan sehari-hari. Mereka dapat

dikenali dengan kebutuhan untuk mencocokkan sebuah obyek atau peristiwa terhadap

obyek yang lain di dalam sebuah perpustakaan dimana sebuah jawaban telah tersimpan.

Sangat sering obyek atau peristiwa yang membuat terbentuknya perpustakaan kasus dapat

diklasifikasikan kedalam kelompok-kelompok yang akan diprediksi hasilnya. Sebagai

contoh masalah bisnis berikut ini kesemuanya adalah tugas klasifikasi (klasifikasi yang

mungkin dilakukan):

Tipe apakah rumah ini ? [luxury, executive, midrange, blue-collar]

Perawatan apa yang seharusnya diberikan pada pasien? [observasi, antibiotik, steroids]

Haruskah saya memberikan sebuah pinjaman ? [ya, tidak, tergantung]

Apakah ada minyak dibawah tanah ini ? [sangat mungkin, mungkin, sangat tidak

mungkin, mustahil]

Berapa lama proyek ini akan selesai? [ tiga bulan, enam bulan, satu tahun]

Hasil klasifikasi biasanya berupa atribut solusi dari setiap kasus dan pada umumnya cenderung

dapat dipakai untuk mengklasifikasikan kasus. Adalah sangat mungkin untuk

mengklasifikasikan kasus dengan cara yang berbeda, misal, seorang dokter mengklasifikasi

20



PBS - KBS

kasus sesuai dengan umur pasien-pasiennya dan dokter yang lain sesuai dari perawatan yang

mereka terima.

CBR akan dengan mudah digunakan untuk mengklasifikasi masalah, sejak klasifikasi menjadi

tugas sederhana dari :

Mencari kembali kumpulan dari kasus-kasus yang sama secara luas, seperti antibiotik

merupakan perawatannya.

Mencari kembali pasangan yang paling baik dari dalam kumpulan ini, mungkin untuk

menyarankan penicillin sebagai antibiotik yang lebih khusus.

Menyesuaikan solusi yang ditawarkan, sebagai contoh, dengan mengubah dosis untuk

perbedaan pada berat badan atau umur.

Menyimpan hasil dari kasus yang baru untuk keperluan di masa yang akan datang.

Tugas klasifikasi sangat mudah untuk dikerjakan, karena 1) mereka sangat cocok dengan CBR-

cycle , 2) kasus-kasusnya mudah untuk dikumpulkan dan dipelihara, dan 3) algoritma retrieval

untuk klasifikasi mudah ditemukan karena banyak digunakan oleh berbagai peralatan CBR.

C Tipe Sintesa

Tugas-tugas yang memerlukan sintesa adalah biasa dalam perdagangan/industri tetapi sangat

sulit untuk dilaksanakan. Hal ini karena pada umumnya lebih mudah mencocokkan sebuah hasil

karya manusia terhadap satu kumpulan prototipe hasil karya manusia daripada harus

membangun sebuah hasil karya dari sebuah perincian.Tugas klasifikasi hanya memerlukan

pengenalan dari features sedangkan tugas perpaduan memerlukan penempatan feature yang tepat

pada tempat yang tepat dalam perintah yang tepat pula. Sistem sintesa berdasarkan kasus yang

menjalankan dalam daerah dari desain atau perencanaan secara umum cenderung mencoba

untuk mempermudah proses yang kreatif dengan memproduksi sebuah pengetahuan yang

didesain secara bagus atau rencara dari mana rencana final dapat dihasilkan. Ini akan lebih cepat

daripada permulaan sebuah desain atau rencana dengan kertas kerja yang kosong. Ini dianggap

bahwa mengubah desain awal atau rencana akan lebih mudah daripada membuat yang baru dari

goresan tanpa referensi dari contoh yang lalu. Secara radikal pendekatan baru diperlukan.

Ada beberapa alasan mengapa sistem perpaduan berdasarkan kasus sangat sulit dibuat :

Penggambaran kasus dari sebuah rencana atau desain seringkali kompleks dan sangat

terstruktur dengan banyak features yang berdiri sendiri.

21



Kasus tidak biasanya disimpan dalam sebuah media single yang homogen, dan karena

itu pengumpulan kasus menjadi lebih sulit.

Peralatan CBR tidak cenderung mendukung pengindeksan atau pencarian kembali kasus

yang disajikan sangat terstruktur.

Adaptasi sering menjadi keperluan utama dalam tugas perpaduan.

12 FLOWCHART PENGEMBANGAN CASE-BASED REASONING

Gambar 3.12 menunjukan Flowchart Pengembangan CBR yang meliputi 4 langkah sebagai

berikut :

Pertama : desain struktur dari kasus

Kedua : mengumpulkan kasus-kasus dan disimpan dalam satu database kasus

Ketiga : membuat prototype sederhana cara mencari kasus-kasus yang sama (retrieval)

Keempat : memilih hasil dari retrieval yang paling mirip untuk dipakai sebagai solusi

kasus yang baru.

22



PBS - KBS

DESIGN CASE STRUCTURE

CASE STRUCTURE

ID FEATURES ANSWER FEATURES ADJUSTMENT FEATURES

GATHER CASES

CASE BASE

CASE 1 CASE 2 CASE 3... CASE N

PROTOTYPE SIMILARITY RETRIEVAL

PROTOTYPE APPLICATION

Refine

FINAL CBR APPLICATION

RETRIEVAL

SIMILARITY DEFINITION

CASE BASE

TARGET CASE ENTRY

RETRIEVED CASE PRESENTATION

Gambar 3.10 Flowchart Pengembangan CBR

13 ALAT PENGEMBANG CASE-BASED REASONING (CBR)

Dari hasil survey di internet, banyak ditemukan alat pengembang (tools) CBR, antara lain:

CaseAdvisor (http://www.cs.sfu.ca/cbr/shell.html)

CBR Express® Acquisition Products (http://www.inference.com/products/author.html )

CBR-Works (http://www.tecmath.de/tecinno/tecinno_e/ecbrwork.htm )

KATE-CBR (http://www.acknosoft.com/Tools.html)

23

http://www.cs.sfu.ca/cbr/shell.html

http://www.inference.com/products/author.html

http://www.tecmath.de/tecinno/tecinno_e/ecbrwork.htm

http://www.acknosoft.com/Tools.html

http://www.inference.com/products/author.html

http://www.tecmath.de/tecinno/tecinno_e/ecbrwork.htm

http://www.acknosoft.com/Tools.html

http://www.cs.sfu.ca/cbr/shell.html



ReCall (http://www.alice.fr/products/recall.html)

CASPIAN (http://www.aber.ac.uk/~dcswww/Research)

ESTEEM (http://www.shai.com/Solutions/Collaboration%20Tools/ESTEEM.htm)

Yang dimaksud dengan tools adalah alat bantu berupa software yang memungkinkan teori CBR

yang ada dipraktekkan dengan mudah karena alat penyimpan database kasus telah tersedia dan

mesin inferensi 4 Re juga telah tersedia, serta dilengkapi dengan IDE ( Integrated Development

Environment ) yang user friendly. Dengan adanya tools ini akan mempercepat dan

mempermudah pengembangan sistem CBR untuk permasalahan tertentu. Harga perkiraan tool

CBR untuk platform desktop sekitar $ 500, kemudian yang gratisan juga ada, silahkan di search

dengan mudah sekali di Google.

14 APLIKASI CBR DALAM BISNIS DAN INDUSTRI

Meskipun CBR termasuk pendatang baru dalam kasanah AI dibanding, katakan, expert system

dan artificial neural network, namun sangat mengherankan jumlah aplikasi CBR yang sukses

diterapkan dalam dunia bisnis dan industri telah banyak. Sebagai contoh kecil adalah:

Bidang Teknologi – Hardware

Apple computer: customer support - Intel Corp.: customer support

Cisco Systems: customer support - ATT Bell Labs.: customer support

Bidang Teknologi – Software

Microsoft Corp.: customer support - Autodesk: customer support

NEC: customer support - J.D. Edwards: customer support

Lucas Arts Entertaiment Co.: customer support.

Bidang Finance dan Insurance

American Express: credit card risk assesment

Anderson Consulting: property and casualty underwriting

Prudential: life and motor underwriting - Swiss Bank: financial information

retrieval

VISA International: customer support

Manufakture dan Transportasi

British Airways: aircraft maintenance - British Petroleum: gas-oil separation untuk

drillingDaimler-Benz: quality control bagian gear box dari Mercedes

Nippon Steel: process configuration

NASA: process planning and space shuttle landing decision support.

24

http://www.alice.fr/products/recall.html

http://www.alice.fr/products/recall.html



PBS - KBS

Dan masih banyak lagi bidang aplikasi seperti untuk: Telekomunikasi, Utiliti, Retail/Consumer,

dan Outsourcing.

15 DAFTAR PUSTAKA

Aamodt, A. dan E. Plaza, 1994, Case-Based Reasoning: Foundational Issues, Methodological

Variations, and System Approaches, AI Communications, IOS Press, Vol 7:1,halaman

39-59

Jeng, Bing Chiang dan Ting Peng Liang, 1994, Fuzzy Indexing and Retrieval in Case-Based

Systems, Expert System With Application, 8(1):135-142

Centre for Learning System and Applications Research Group, 1998, Introduction to Case-

Based Reasoning , University of Kaiserslautern

Esteem Software Incorporated, 1994, ESTEEM 1.2 User Documentation (online) ,

http://www.shai.com/solutions/collaboration/tools/esteem.htm ,

5 Juli 2002.

Price, C.J dan I.S. Pegler, 1993, Case-Based Resoning in The Melting Port , Int. Journal of

Applied Expert Systems 1(2) halaman 120-133

Sankar, K.P, dan Shiu, S.C.K, 1994, Foundations of Case-Based Reasoning , John-Wiley &

Sons, Inc., Publication

// eof-PBS

25

http://www.shai.com/solutions/collaboration/tools/esteem.htm

http://www.shai.com/solutions/collaboration/tools/esteem.htm

4CBR

Documents

Transcript of 4CBR