PBS - KBS 1

BAB V. CASE-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:
1. 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.
2. Solution Feature, yaitu ciri-ciri yang menunjukkan jawaban kasus. Contoh: jenis obat,
dan berapa takaran yang harus diberikan.
PBS - KBS 2

3. 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.
4. Setiap feature juga mempunyai nama, tipe data, domain, nilai, bobot dan jenis
keserupaan (feature matching).

Descriptive

Dikelompokkan Solution

Adjustment

Kasus Features Nama

Tipe Data

Domain
Mempunyai
Nilai

Bobot

Tipe Keserupaan
(Feature Matching)

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 seorang
dokter, 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.
 PBS - KBS 3

Berikut ini penjelasan lebih detil tentang struktur kasus pada gambar 1 dipadukan dengan
arsitektur database kasus pada tabel 1:

Tabel.1. Contoh Database Kasus

Descriptive Feature Adjusment Feature Solution Feature
Jenis Penyakit Berat
Nama Umur Obat Dosis Takaran
Kelamin Badan
Ana P Demam 50 18 Panadol 3 1
Antok L Demam 30 8 Panadol 3
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:
1. Descriptive Feature (ID Feature): nama pasien, jenis kelamin. Fitur-fitur ini berguna
untuk mengingat kasus, dapat ditambahkan fitur lain, misal: tanggal dan alamat.
2. Adjustment Feature: penyakit, berat badan dan umur. Ini adalah faktor-faktor yang
mempengaruhi solusi.
3. 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 mungkin
Jenis Kelamin Text L, P
Penyakit Text Semua nama penyakit yg mungkin 80 Exact
Berat Badan Angka 0 100 (kg) 5 Range (%)
Umur Angka 0 100 (th) 15 Range (%)
Obat Text Semua nama obat yg mungkin
Dosis Angka 03
Takaran 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.
PBS - KBS 4

3 PENGERTIAN CBR

Setelah memahami arti kasus, maka tiba giliran memahami CBR. Terdapat berbagai pengertian
tentang Case-Based Reasoning (CBR), antara lain:
o CBR adalah reasoning by remembering (Leake, 1996), yang artinya CBR adalah
penalaran dengan mengingat.
o 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

PBS - KBS 5

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.
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

PBS - KBS 6

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.
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
PBS - KBS 7

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
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 :
o Huruf dengan huruf
o Angka dengan angka
o Kata dengan kata
o Daftar nilai dengan daftar nilai
PBS - KBS 8

o 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
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)
PBS - KBS 9

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)
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
PBS - KBS 10

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
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 :
1. REtrieve (mencari kembali) kasus yang paling serupa
2. REuse (menggunakan kembali) kasus-kasus untuk menyelesaikan masalah
3. REvise (memperbaiki) solusi yang diusulkan, apabila solusi lama sudah
kedaluwarsa dan membutuhkan update.
4. 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
PBS - KBS 11

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:
1. Pendapatan seseorang tiap bulan, yaitu uang sisa yang dimiliki mereka
setelah pajak dan tanggung jawab keuangan yang lain
2. 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.
PBS - KBS 12

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
Monthly loan repayment

Net monthly income

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.
PBS - KBS 13

Bad loan

Monthly loan repayment

Good loan

Net monthly income

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.

New Case
Monthly loan repayment

Net monthly income

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 dan
PBS - KBS 14

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.
Loan repayment

Case B

YB

XB
Case A
Case T .
XA

Monthly income

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 :
PBS - KBS 15

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.
Loan repayment

Case B

YB

XB
Case A
.
Case T
XA

Monthly income

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
PBS - KBS 16

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) = 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:
1. Apabila nilainya pasti sama, maka nilai kembaliannya adalah bobot utuh dari
bidang.
2. Apabila bidangnya adalah type perhitungan dan nilainya adalah serupa, maka
nilai kembaliannya adalah berbanding porposional dari bobot utuh dari bidang itu.
3. 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.
PBS - KBS 17

4. Apabila tidak ada satupun dari nilai diatas yang terpenuhi, maka nilai
kembaliannya adalah 0. Weight matching secara berurutan memproses setiap kasus
dari daftar kasus dengan index yang benar.
5. 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 :
1. Structural Adaptation (adaptasi struktural)
Menggunakan adapatasi rule atau formula secara langsung pada solusi lama.
2. 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.
PBS - KBS 18

Parameter adjustment
Merupakan struktural adaptation yang membandingkan parameter tertentu dari
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 :
1. Tipe klasifikasi (classification tasks)
2. Tipe sintesa (synthesis tasks)

B Tipe Klasifikasi
PBS - KBS 19

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.
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 :

CBR
System

Classification
Synthesis tasks
tasks

Prediction Planning Design Planning Configuration

Assesment Process Control

Diagnosis

Medical Equipment
Diagnosis failure
PBS - KBS 20

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
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]
PBS - KBS 21

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
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 :
1. Mencari kembali kumpulan dari kasus-kasus yang sama secara luas,
seperti antibiotik merupakan perawatannya.
2. Mencari kembali pasangan yang paling baik dari dalam kumpulan ini,
mungkin untuk menyarankan penicillin sebagai antibiotik yang lebih khusus.
3. Menyesuaikan solusi yang ditawarkan, sebagai contoh, dengan mengubah
dosis untuk perbedaan pada berat badan atau umur.
4. 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
PBS - KBS 22

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.
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.
PBS - KBS 23

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

SIMILARITY DEFINITION TARGET CASE ENTRY

RETRIEVAL
CASE BASE
RETRIEVED CASE PRESENTATION

Refine

FINAL CBR APPLICATION

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)
PBS - KBS 24

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

KATE-CBR (http://www.acknosoft.com/Tools.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
PBS - KBS 25

Manufakture dan Transportasi

British Airways: aircraft maintenance - British Petroleum: gas-oil
separation untuk drilling
Daimler-Benz: quality control bagian gear box dari Mercedes
Nippon Steel: process configuration
NASA: process planning and space shuttle landing decision support.
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