Tahapan CBR :

1. Retrieve
:
Proses
menemukan
kembali
kasus2
yg
mirip
menggunakan similarity
measurement (Euclidian
distance,
Jacard
Similarity,
Cosine
similarity, dll.
2. Reuse
:
Menggunakan
kembali kasus lama hasil
retrieve(kasus
dgn
similarity tertinggi dan
diatas nilai threshold) dan
mengadopsi
solusinya
sebagai solusi dari kasus
baru.
3. Revise : memodifikasi/revisi solusi agar sesuai
dengan masalah baru yg diberikan. (Manual,
otomatis(subtitusi,
transformasi(tambah,
hapus, ubah)), null adaption)
4. Retain : Menyimpan kasus baru yg telah
diselesaikan agar menjadi casebase untuk
kasus2 baru.
CBR merupakan sebuah cara penyelesaian kasus
baru dengan mengingat kasus-kasus sebelumnya
yang serupa atau mirip kemudian mengadopsi
solusi dari kasus lama yang paling mirip sebagai
solusi dari kasus baru. Sebagai contoh, dokter
mengingat kasus sebelumnya dalam mendiagnosa
dan menyembuhkan pasiennya. Pengetahuan
CBR adl kasus2 real yang ditangani oleh pakar, jika
pd sistem pakar menggunakan pengetahuan dari
pakar, pada CBR menggunakan pengalaman dari
pakar dalam mengatasi kasus-kasus.
Kelebihan CBR :
- Menyelesaikan masalah dengan mudah
- Mengurangi usaha utk mendapatkan knowledge
dr pakar
- Semakin sering dipakai maka casebase semakin
lengkap
Kekurangan CBR :
- Membutuhkan memori yg besar utk casebase
- Membutuhkan banyak kasus utk dijadikan
knowledge

- Semakin sering dipakai maka proses reasoning

semakin lama krn kasusnya semakin banyak
- Tdk menjamin solusi terbaik krn menggnkan
kasus lama. Jika solusi pd kasus lama salah
maka solusi utk kasus baru jg tdk optimal
sehingga dibutuhkan revise utk mengurangi
tingakat kesalahan.
IndexingMempercepat
proses
pencarian.
Bertujuan agar proses case retrieval menjadi lebih
efisien.
Penerapan CBR :
1. Diagnosis, contohnya utk Medical Diagnosis,
Equipment Failure Diagnosis.
2. Prediksi, utk memprediksi Equipment Failure
atau Stock Market Performance
3. Assessment/Penilaian, contohnya utk Analisis
Resiko pd Bank atau Asuransi, atau untuk
Estimasi Biaya Proyek.
4. Proses Kontrol, ex kontrol utk Manufacture
Equipment.
5. Planning, contohnya Work Scheduling
Retrieval Similarity Proses ekstraksi kasus
yang mirip dengan kasus baru dari kasus-kasus
yang lama. Menggunakan similaritas. Jika ada
lebih dari 1 case, maka dilakukan reuse.

dis p, q j

q
n

k 1

kj

pk

sim q, d j J A, B

Dice
E

k 1

3. Cossine Coefficient

q d j
A B
sim q, d j C A, B


q dj
AB

wkj

kq

w w
k 1

4. Jaccard Coefficient

k 1

2
kq

2
kj

1
1
1

...
x1
x2
xn

n
n

x
i 1

sama+ beda
atribut

FI ,
0 (2)
Ex ()=
2

dis q, d j d M q, d j wkq wkj

Coefficient
n

Simple matching

or
2. Manhattan block distance

IKI

1
1

2 3 1 6

p1q1 2 p2 , q 2 2 ... p n , q n 2

A B

Ex : TOY dan TIKI

OY T

1. Euclidean Distance

dis p, q

A B

k 1

Bagamana merepresentasikan kasus2 yg

amat mirip
Kasus Clustering Indexing dengan multiple
indexing
Adaptasi menyesuaikan(transforming) solusi
dari hasil retrieval dengan tingkat similaritas
tertinggi sehingga sesuai dengan solusi yang
diharapkan dari kasus baru.
Pendekatan adaptasi.
Solusi dari hasil retrieve kasus sesuai dgn kasus
baru(baik dimodifikasi maupun tdk)
Solusi dari hasil retrieve kasus tdk terlalu sesuai
dgn kasus baru (baik dimodifikasi maupun tdk)
Jika ada lbh dr 1 hasil retrieve, solusi bisa diambil
dr lebih dr 1 kasus atau bisa jg diambil salah 1
sbg alternatif
Strategi Adaptasi
On Avererage : seberapa mirip kasus retrieve
dgn kasus baru
Generally
:
Berapa
banyak
perbedaan
karakteristik/atribut
Strategi Adaptasi tradisional
Reinstantiation solusi kasus hasil retrieve
langsung dicopy menjadi solusi dari kasus baru
tanpa modifikasi

- Subtitution update solusi yg sesuai dgn kasus

P(e|H)
Probabilitas e
mendukung
- Transformation solusi tdk boleh kontradiksi
kebenaran H
atau
bertolak
belakang
dgn
atributnya.
P(e) Prior Probability, H=hipotesa,
Dibutuhkan pakar.
e=evidence
Metode Adaption
P e | H
- Learning adaption solusi kasus lama
L e | H
dipelajari dahulu
P e | H
- Integrating
Ruleand
Case-Base
d
Likelihood Ratio :
Adaptation Approa ches
P H
P H
- Using an Adaptation Matrix fitur dlm
O H

P H 1 P H
kasus saling ketergantungan (ex : antara
harga dan merk/produk)
Prior Odds :
- Using Configuration Techniques
Posterior
Odds
:
Adaptasi kasus dengan machine learning
P H | e
O H | e
L e | H O H
- Fuzzy Decision tree (ex: ID3)
P H | e
- Backpropagation Neural Network
- Bayesian Model (BM)
Ex: P(x) = Peluang mahasiswa datang = 0.8
- Support Vector Machine
P(D) = Peluang dosen datang = 0.75
- Genetic algorithm
P ( x|D ) P( D) 10.75
The idea is that when an old solution is
=
0.8
retrieved, a modification process is initialized P(D|x) =
P (x)
randomly. The solution adapted is tested and
the feedback is collected to determine its Ex : Andaikan suatu malam anda terjaga krn
fitness. This process is repeated for many cycles bunyi alarm, berapa derajat kepercayaan anda
bahwa pencuri masuk. Berikut justifikasinya :
until a satisfactory solution is obtained.
1. Ada
kemungkinan
bahwa
95%
yg
Keuntungan Probabilitas
menyebabkna alarm berbunyi adl pencuri
1. Membantu dalam pengambilan keputusan
2. Berdasarkan kenyataan bahwa ada kesalahan
yang tepat
alarm 1% (alarm berbunyi bukan krn pencuri)
2. Meramalkan kejadian yg mungkin terjadi
Dr olah kasus menunjukan bahwa 1 diantara
Kelemahan Probabilitas
10000 kasus pencurian terjadi pd malam yg
1. Tdk bisa mengukur seberapa dalam tingkat
sama. Brp dugaan anda bahwa alarm berbunyi
keakuratannya.
krn ada pencuri(P(H|e) = P(alarm|Pencuri) ?
2. Kurang bukti utk membuktikn kbenaran jwbn
yg dihasilkn.
O(He)
Penerapan kasus menggunakan probabilistik P(H|e) =
1+O(H e)
MYCIN, Prediksi, contohnya Scheduling, dan
Forecasting
Probabilitas Bayesian

P H e P e | H P H
P H | e

P e
P e

P(eH )
P(H )
O(H|e) = L(e|H) O(H) = P( eH ) * P(H )

P(H|e)Posterior
atau
conditional
probability (probabilitas H jika diberikan
0.0095
atau ada evidence e)

95
104
1
4
110

0.95
104
0.01
95104
=
4
0.9999
110

P(H|e) =

0.0095
1+0.0095
=
= 0.0094

Pooling Evidence
P(H|e, ...en) = (P(e1,e2,...en) P(H))/P(e1,e2,...en)
P(e1,...en) = P(e1)*P(e2)*...P(en) P(e1),P(e2)..syarat
saling asing

Ex: suatu alarm tersusun dari Sensor yg peka thd

getaran, suhu, tekanan, gelombang. Detetktor
berbunyi dikrenakan ada sesuatu yg masuk. Berapa
derajat kepercayaan anda bhw yg mengenai sensor
itu adl pencuri.
Keempat alarm bisa berbunyi bersamaan. Bisa jg
ada yg berbunyi dan ada yg tdk. Sensor yg
berbunyi didefinisikan sbg e1(sensor berbunyi),
e2(sensor tdk berbunyi) shg
e11 e12 e13 e14 (sensor berbunyi semua)
e01 e02 e03 e04 (sensor tdk berbunyi)
Hipotesa :
H1 : Pencuri memecakan jendela
H2 : Pencuri mencongkel pintu
H3 : Hewan masuk
H4 : Tidak ada hewan maupun pencuri yang masuk
Evidence yg muncul
1.peka thp getaran, 2.peka thp suhu,
3.peka thp tekanan, 4.peka thp gelombang.
Sensor
berbunyi
keras(2),
lemah(1),
tdk
berbunyi(0)
Getaran
Tekanan
E11

E21

E31

e12

E22

E32

H1
H2
H3
H4

P(H1|e01..

O(He)
1+O( H e)

e 04,

e11..

e 14

,e21..

P ( e 01 ... e 1 4 , e 21 .. e 2 4H 1 )P( H 1)
P( e 0 1.. e 0 4 , e 1 1.. e 1 4 , e 21 .. e 2 4)
.......

e 24)

P(H4|e01..

e 04,

e11..

e 14

,e21..

e 24)

P ( e 0 1.. .. e 2 4H 4 )P(H 4)
P(e 0 1.. e 0 4 , e 1 1 ..e 1 4 , e 2 1.. e 2 4 )
Uncertain Evidence
P(H|T1, T2) =

P ( T 1, T 2, H )P( H )
P(T 1, T 2)

= *P(T1, T2,

H)*P(H)
= *P(H)*P(T1, T2|H, Sj)*P(Sj|H)
P(T1, T2|H, Sj) = P(T|Sj) * P(T2|Sj)
Sjsound of alarm S0(silent), S1(alarm on)
Virtual/Intangible Evidence
P(e|T1):P(e|T2):P(e|T3)
Soal dan Pembahasan
1 . Suatu sistem penalaran berbasis komputer
dipakai utk membantu self diagnosis utk penyakit
X dengan stadium 1,2, 3,dan4. Penyakit X
ditunjukkan
adanya
gejala
G1,
G2, dan G3, gejala2 ini bisa ditangkap oleh suatu
peralatan medis. Hubungan sebab akibat antara
penyakit X dan gejala G ditunjukkan oleh matriks
berikut ini :
S1
S2
S3
S4

G1
0.3
0.5
0.2
0.1
1

G2
0.6
0.2
0.1
0.5
1.4

G3
0.1
0.3
0.8
0.4
1.6

1
1
1
1
4

A. Berapa probabilitas sesorang pasien terkena

penyakit X stadium 4, jika didapat gejala G2 dan
G3.
P(G1)=1/4 = 0.25
P(G2)=1.4/4 =
0.35
P(G3)=1.6/4= 0.4
P(S1 ) = P(S2) = P(S3) = P(S4) = 1 / 4 = 0.25
P(S4|G2,G3) = * P(S4) * [ P(G2|S4) * P(G3|S4) ]
= {1 /P(G2)*P(G3)} * P(S4) * [0.5 * 0.4]

={1/(0.35*0.4)}*0.25*[0.5*0.4] = 7.143 * 0.25 *

0.2 = 0.357
B. Jika g1 , g2, g3 adalah tanda2 yg mendukung
adanya gejala G1 dan masing2 nilainya adalah
0.4, 0.5, dan 0.6, berapa probabilitas seorang
pasien terkena penyakit X stadium 4?
X4 = (g1 n X4) u (g2 n X4) u (g3 n X4)
P(X4) = P(g1 n X4) + P(g2 n X4) + P(g3 n X4)
= P(g1) * P(X4|g1) + P(g2) * P(X4|g2) + P(g3) *
P(X4|g3)
= 0,4/3 * 0,1 /4 + 0,5/3 * 0,1 /4 + 0,6/3 * 0,1 /4
=1/2*0,1/4 = 0,01 25
C. Berapa probabilitas seorang pasien terkena
penyakit X stadium 2, jika ada kmungkinan
mmilki gejala G1 sekitar 1%?
P(X2|G1) = P(G1|X2) * P(X2) / P(G1)
= P(X2 n G1) / P(G1) = (0,5/4 * 1 /1 00) / 1 /4 =
0,005
D. Berapa probabilitas seorang pasien terkena
penyakit X stadium 1 , jika ada kemungkinan G1 ,
G2, dan G3?
P(S1 |G1,G2,G3)=*P(S1)*[P(G1|S1)*P(G2|
S1)*P(G3|S1)]
= {1 /P(G1 )*P(G2)*P(G3)} * P(S1 ) * [0.3 * 0.6 *
0.1 ]
= {1/(0.25*0.35*0.4)}*0.25*0.018=28.57*0.25*
0.018 = 0.129
Contoh Bayes
Asih mengalami gejala ada bintik2 di wajahnya.
Dokter menduga bahwa Asih terkena cacar
dengan :
probabilitas munculnya bintik-bintik di wajah, jika
Asih terkena cacar p(Bintik|Cacar) = 0.8
probabilitas Asih terkena cacar tanpa memandang
gejala apapun P(Cacar) = 0.4
probbabilitas munculnya bintik2 diwajah jika Asih
terkena alergi P(Bintik|Alergi) = 0.3
probabilitas Asih terkena alergi tanpa memandang
gejala apapun p(Alergi) = 0.7
probabilitas munculnya bintik2 di wajah, jika Asih
jerawatan P(Bintik|Jerawatan) = 0.9

- probabilitas Asih jerawatan tanpa memandang

gejala apapun P(Jerawatan) = 0 5
Maka P(H|e) =

P ( e|H )P(H )
P ( e|H )P( H)

- probabilitas Asih terkena cacar krn ada bintik2

diwajahnya :
P(Cacar|Bintik)
=

P ( Bintik|cacar )P (Cacar)
P ( B|C )P (C ) + P ( B| A )P ( A ) + P ( B|J )P(J )
P(Cacar|Bintik)

0.80.4
0.32
=
=0.327
0.80.4 +0.30.7+0.90.5 0.98

- probabilitas Asih terkena alergi krn ada bintik2

diwajahnya :
P(Alergi|Bintik)
=

P ( Bintik|alergi )P (Alergi )
P ( B|C )P (C ) + P ( B| A )P ( A ) + P ( B|J )P(J )
P(Alergi|Bintik)

0.30.7
0. 21
=
=0.214
0.80.4 +0.30.7+0.90.5 0.98

- probabilitas Asih jerawatan krena ada bintik2

diwajahnya :
P(Jerawat|Bintik)
=

P ( Bintik|Jerawat )P( Jerawat)

P ( B|C )P (C ) + P ( B| A )P ( A ) + P ( B|J )P(J )
P(Jerawat

|Bintik)

0.90.5
0.45
=
=0.459
0.80.4 +0.30.7+0.90.5 0.98