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
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
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
1. Euclidean Distance
dis p, q
A B
k 1
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
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
P ( e|H )P(H )
P ( e|H )P( H)
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
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
|Bintik)
0.90.5
0.45
=
=0.459
0.80.4 +0.30.7+0.90.5 0.98