1. Seleksi Kasus.

[1] Proses penalaran berbasis kasus sering dibingkai dalam proses empat siklus
yang bertugas memandu akses dari kasus lama yang tersimpan, dan mampu belajar melalui
penyimpanan kasus, mengambil, menggunakan kembali, merevisi, dan menyimpan.
Banyak pendekatan pengambilan telah dieksplorasi . Algoritma pencarian sering bekerja
dengan skema pengindeksan spesifik pada kasus yang dirancang secara cerdas, untuk
memungkinkan efisiensi dalam seleksi kasus yang dapat membantu dengan efisien, seleksi
kasus berada di tahap retrieval dimana ditahap ini case based reasoning
[2] Case retrieval merupakan proses dalam case base dalam menemukan solusi
dengan menyeleksi suatu kasus dengan cara mencari kasus yang paling dekat. Untuk
pengambilan kasus yang efektif, harus ada kriteria seleksi yang digunakan untuk
menentukan sebuah kasus dinilai sesuai dalam pengambilan dan mekanisme yang dicari.
Dalam mendapatkan kasus yang sesuai dalam case retrieval, terdapat banyak teknik
pencarian similarity, algoritma C4.5 dan lainnya, K-NN adalah Teknik yang digunakan
dalam menentukan nilai similarity untuk mendapatkan kasus yang paling dekat. Berikut
Teknik pencarian similarity yang digunakan :

1.1.Contoh Similarity
Pada kali ini menggunakan kasus pencemaran air yang telah di representasikan dan
ditentukan nilai kedekatannya di atas.

Tabel 1. Kasus Lama

keker Pence
Bau Rasa Suhu Warna DHL TDS Cahaya
uhan maran
Bau Tidak berasa Normal 0° C Tampak Ada Terjadi Pekat Hijau PM
Tidak Bau Berasa Normal +3° C Sesungguhnya tidak Tidak Biasa orange GA
Bau Tidak berasa Normal 0° C Tampak Ada Tidak Pekat Hijau PT
Tidak bau Berasa Normal 0° C Sesungguhnya tidak Tidak Biasa orange GA
Bau Tidak berasa Normal +3° C Tampak Ada Terjadi Pekat Hijau AT
Tidak bau Berasa Normal 0° C Sesungguhnya tidak Tidak Biasa Hijau GA
 Tabel 2. Kasus Baru
keker Pence
Bau Rasa Suhu Warna DHL TDS Cahaya
uhan maran
Bau Tidak berasa Normal 0° C Tampak Ada Tidak Biasa Hijau ?

Rumus Similarity
(𝑠1 . 𝑤1 )+(𝑠2 . 𝑤2 )……. (𝑠𝑛 . 𝑤𝑛 )
Similarity = 𝑤1 +𝑤2 …………….. 𝑤𝑛

Keterangan:

S = similarity (nilai kemiripan) diambil dari nilai kedekatan tabel di atas

W = weight (bobot yang diberikan)

Kita masukana nilai kedekatan dan bobot semua kasus lama sesauai dengan kasus baru
diatas, proses perhitungan seperti dibawah ini:

Perhitungan Similarity
1. Kasus Lama 1
a. Nilai Indikator Bau = 1
b. Bobot Indikator Bau = 0.5
c. Nilai Indikator Rasa = 0.5
d. Bobot Indikator rasa = 1
e. Nilai indikator suhu = 1
f. Bobot indikator suhu = 0.75
g. Nilai indikator warna = 0.5
h. Bobot indikator warna = 0.5
i. Nilai indikator DHL = 1
j. Bobot indikator DHL = 1
k. Nilai indikator TDS = 1
l. Bobot indikator TDS = 1
m. Nilai Indikator Kekeruhan = 0.4
n. Bobot Indikator Kekeruhan = 0.5
o. Nilai Indikator Cahaya = 0.4
p. Bobot Indikator Cahaya = 0.5

( 1 . 0.5 ) + (0.5 .1) + (1 . 0.75) + (0.5 . 0.5) + (1 . 1) + (0.4 + 0.5)+(0.5∗0.75)+(1∗0.5)

Similarity = = 0.7409
0.5 + 1 + 0.75 +0.5 + 1 +0.5+0.75+0.5
 2. Kasus Lama 2
a. Nilai Indikator Bau = 0.75
b. Bobot Indikator Bau = 0.5
c. Nilai Indikator Rasa = 0.5
d. Bobot Indikator rasa = 1
e. Nilai indikator suhu = 0.4
f. Bobot indikator suhu = 0.75
g. Nilai indikator warna = 1
h. Bobot indikator warna = 0.5
i. Nilai indikator DHL = 0.75
j. Bobot indikator DHL = 1
k. Nilai indikator TDS = 1
l. Bobot indikator TDS = 0.5
m. Nilai Indikator Kekeruhan = 1
n. Bobot Indikator Kekeruhan = 0.75
o. Nilai Indikator Cahaya = 0.4
p. Bobot Indikator Cahaya = 0.5

( 0.75 . 0.5 ) + (0.5+1) + (0.4. 0.75) + (1 . 0.5) + (0.75 .1)(1 . 0.5) + (1 . 0.75) + (0.4 .0.5)
Similarity = = 0.7045
0.5 + 1 + 0.75 +0.5 + 0.75 +0.5

3. Kasus Lama 3
a. Nilai Indikator Bau = 1
b. Bobot Indikator Bau = 0.5
c. Nilai Indikator Rasa = 1
d. Bobot Indikator rasa = 1
e. Nilai indikator suhu = 1
f. Bobot indikator suhu = 0.75
g. Nilai indikator warna = 0.5
h. Bobot indikator warna = 0.5
i. Nilai indikator DHL = 1
j. Bobot indikator DHL = 1
k. Nilai indikator TDS = 0.4
l. Bobot indikator TDS = 0.5
m. Nilai Indikator Kekeruhan = 0.5
n. Bobot Indikator Kekeruhan = 0.75
o. Nilai Indikator Cahaya = 1
p. Bobot Indikator Cahaya = 0.5

( 1 . 0.5 ) + (1+1) + (1. 0.75) + (0.5 . 0.5) + (1 .1)+(0.4. 0.5) + (0.5. 0.75) + (1 .0.5)
Similarity = = 0.831
0.5 + 1 + 0.75 +0.5 + 0.75 +0.5
 4. Kasus Lama 4
a. Nilai Indikator Bau = 0.75
b. Bobot Indikator Bau = 0.5
c. Nilai Indikator Rasa = 0.5
d. Bobot Indikator rasa = 1
e. Nilai indikator suhu = 1
f. Bobot indikator suhu = 0.75
g. Nilai indikator warna = 1
h. Bobot indikator warna = 0.5
i. Nilai indikator DHL = 0.75
j. Bobot indikator DHL = 1
k. Nilai indikator TDS = 1
l. Bobot indikator TDS = 0.5
m. Nilai Indikator Kekeruhan = 1
n. Bobot Indikator Kekeruhan = 0.75
o. Nilai Indikator Cahaya = 0.4
p. Bobot Indikator Cahaya = 0.5

( 0.75 . 0.5 ) + (0.5+1) + (1. 0.75) + (1 . 0.5) + (0.75 .1)(1 . 0.5) + (1 . 0.75) + (0.4 .0.5)
Similarity = = 0.785
0.5 + 1 + 0.75 +0.5 + 0.75 +0.5

5. Kasus Lama 5
a. Nilai Indikator Bau = 1
b. Bobot Indikator Bau = 0.5
c. Nilai Indikator Rasa = 1
d. Bobot Indikator rasa = 1
e. Nilai indikator suhu = 0.4
f. Bobot indikator suhu = 0.75
g. Nilai indikator warna = 0.5
h. Bobot indikator warna = 0.5
i. Nilai indikator DHL = 1
j. Bobot indikator DHL = 1
k. Nilai indikator TDS = 0.4
l. Bobot indikator TDS = 0.5
m. Nilai Indikator Kekeruhan = 1
n. Bobot Indikator Kekeruhan = 0.75
o. Nilai Indikator Cahaya = 1
p. Bobot Indikator Cahaya = 0.5

( 1 . 0.5 ) + (1+1) + (0.4. 0.75) + (0.5 . 0.5) + (1 .1)(0.4 . 0.5) + (1 . 0.75) + (1 .0.5)
Similarity = = 0.754
0.5 + 1 + 0.75 +0.5 + 0.75 +0.5
 6. Kasus Lama 6
a. Nilai Indikator Bau = 0.75
b. Bobot Indikator Bau = 0.5
c. Nilai Indikator Rasa = 0.5
d. Bobot Indikator rasa = 1
e. Nilai indikator suhu = 1
f. Bobot indikator suhu = 0.75
g. Nilai indikator warna = 1
h. Bobot indikator warna = 0.5
i. Nilai indikator DHL = 0.75
j. Bobot indikator DHL = 1
k. Nilai indikator TDS = 1
l. Bobot indikator TDS = 0.5
m. Nilai Indikator Kekeruhan = 1
n. Bobot Indikator Kekeruhan = 0.75
o. Nilai Indikator Cahaya = 1
p. Bobot Indikator Cahaya = 0.5

( 0.75 . 0.5 ) + (0.5+1) + (1. 0.75) + (1 . 0.5) + (0.75 .1)(1 . 0.5) + (1 . 0.75) + (1 .0.5)
Similarity = = 0.840
0.5 + 1 + 0.75 +0.5 + 0.75 +0.5

Tabel 3. Hasil Perhitungan

No. Pemcemaran Air
Pencemaran Air Nilai Pencemaran
1 PM 0.740
2 GA 0.704
3 PT 0.831
4 GA 0.785
5 AT 0.754
6 GA 0.840

Setelah didapatkan nilai similarity atau kedekatan kemudian dicari jarak terdekat. Jarak
terdekat tersebut yang digunakan untuk mencari identitas tujuan. Contoh kasus, bila diinginkan
untuk mencari solusi terhadap jenis pencemaran air baru dengan menggunakan solusi dari kasus
lama. Untuk mencari solusi dari jenis pencemaran air baru tersebut digunakan kedekatan dengan
kasus lama, solusi dari kasus lama yang memiliki kedekatan dengan kasus baru digunakan sebagai
solusinya, maka diperoleh bahwa nilai terdekat dari kasus pencemaran air baru adalah GA dengan
nilai similarity 0.840
 Gambar 1. Ilustrasi Seleksi kasus dari nilai similarity terdekat

Latihan:

Tabel 3. Latihan Kasus Baru

keker Pence
Bau Rasa Suhu Warna DHL TDS Cahaya
uhan maran
Bau Tidak berasa Normal 0° C Tampak Ada Tidak Biasa Hijau ?

Seleksi kasus baru ini dengan kasus lama diatas dan tentukan solusi atau jenis pencemaran air
manakah yang terderkat menggunakan metode similarity K-NN!
2. Penyimpanan Kasus
CBR menelusuri akarnya pada karya Roger Schank dan mahasiswanya di
Universitas Yale pada awal 1980-an. Model memori dinamis Schank adalah dasar untuk
sistem CBR paling awal. [3] memori dinamis dapat dikatakan merupakan suatu teknik
alokasi memori dimana, tidak seperti pada penggunaan array,penggunaan memori tidak
sekaligus pada saat variabel dideklarasikan (dipesan) tetapi dengan bertahap. Program
berjalan pada awalnya dengan sedikit memori data, kemudian pada suatu saat bila
memerlukan ruang/memori lagi (misal datanya bertambah) barulah program meminta
memori yang diperlukan untuk keperluan tersebut kepada sistem.
Dengan cara yang sama bila program sudah tidak memerlukan data lagi maka
memori yang diperlukan untuk menyimpan data dapat dibebaskan. Memori yang
dibebaskan ini selanjutnya mungkin untuk proses yang lain (pada multiprogramming) atau
untuk keperluan program yang sama nantinya.
Dynamic memory atau memori dinamis adalah metode penyimpanan yang menjadi
dasar sistem case based reasoning dimana sistem dapat menyimpan kasus baru untuk
ditambahakan di knowledge-base yang diproses pada saat program berjalan, jadi
penyimpanan dalam case based reasoning ada dalam tahap retain. Jcolibri merupakan salah
satu contoh framework sistem Case based reasoning yang menggunakan dynamic memori
kita dapat menggunakannya untuk mengambil, mengunakan dan meyimpan kasus baru
Latihan :

Berikut adalah Contoh sederhana dalam program dynamic memori dalam Bahasa C++,
Coba dan ambil kesimpulan dari contoh berikut ini!

#include<iostream>
using namespace std;
int main(){

cout<<“----DINAMIS MEMORY------“<<endl;
unsigned int indeks;
char *nama = new char[indeks];
cout<<"masukkan jumlah indeks karakter nama anda: "; cin>>indeks;
cout<<endl;
cout<<"masukkan nama anda: "; cin>>nama;
cout<<endl;
cout<<"--------------------------"<<endl;
cout<<"jumlah indeks yg digunakan adalah: "<<indeks;
for(int i=0; i<indeks; i++){
cout<<endl<<"huruf ke "<<i+1<<" adalah "<<nama[i]<<endl;
}
return 0;
}
Daftar Pustaka

[1] S. Montani and G. Leonardi, Successful Case-based Reasoning Applications-2, vol. 494.
2014.

[2] H. M. Jumasa, S. Fauziati, and A. E. Permanasari, “Penerapan Case-Based Reasoning

Dalam Menentukan Similarity Berdasarkan Kesesuaian Lahan Kelapa Sawit,” Citee 2017,
pp. 306–313, 2017.

[3] R. Schank et al., Dynamic Memory Revisited. 1983.