CBR
Pernah punya masalah di kehidupan ??
Komputer tiba tiba mati , apa yang salah ?? kemarin sempat mati karena konslet pada charger nya. lalu kita mengecek masalah kabel --> ternyata tidak ada masalah di kabelnya. Mungkin ada komponen lain yang rusak
itu adalah pemikiran manusia normal ketika menghadapi masalah, selalu mengingat kejadian lampau yang serupa dan mencoba menyelesaikan dengan cara yang sama.
• Mengingat kembali pengalaman sebelumnya dalam menyelesaikan masalah
• m e n g g u n a k a n p e n g a l a m a n p e m e c a h a n m a s a l a h k e t i k a menghadapi pengalaman yang serupa saat ini
• m e l a k u k a n p e n y e s u a i a n pemecahan masalah yang lalu untuk pemecahan masalah yang dihadapi
Cara Manusia menyelesaikan masalah :
C a r a y a n g s a m a kemudian diadopsi dalam menyelesaikan masalah nyata
penyelesaian dengan komputer ini dikenal d e n g a n p e n a l a r a n komputer berbasis k a s u s ( c a s e b a s e d reasoning/CBR)
DEFINISI CBR
• sebuah metodologi yang menemukan solusi untuk masalah-masalah baru, dengan menggunakan solusi dari masalah sebelumnya diperoleh dari memecahkan masalah tsb (Grech & Main, 2005)
• Case-based reasoning (CBR) adalah sebuah metode problem-solving atau model penalaran dimana inti prosesnya mempertimbangkan perbaikan (retrieval), penggunaan kembali (reuse), dan mengingat kembali dari solusi masalah atau kasus-kasus sebelumnya (Lenz et.al, 1998)
• case based reasoning (CBR) adalah suatu metodologi dimana pengalaman masa lalu yang berhubungan dengan solusi disimpan dalam basis data kasus (case base atau case library) untuk diperoleh/ditemukan kembali dengan cepat dan efektif (Aamodt & Plaza, 1994)
Penerapan Aplikasi CBR
Perbedaan penyelesaian yang berbasis kaidah (rule) dan berbasis kasus
BERBASIS PENGETAHUAN BERBASIS KASUS
• memiliki basis kaidah, kumpulan kaidah produksi
• jika A & B .... maka X
dimana A,B adalah kondisi dan B adalah
konklusi/tindakan
• memiliki mesin inferensi yang menbandingkan fta yang masuk ke dalam memori dengan bagian kondisi kaidah (rule) untuk menentukan kaidah (rule) mana yang akan aktif
• memiliki basis kasus, dalam bentuk kumpulan kasus dan pemecahan masalah / solusi
• memiliki mekanisme untuk
mencari kembali kasus lama yang serupa dengan kasus sekarang
• memiliki mekanisme untuk
menentukan kasus yang paling mirip
• memiliki mekanisme untuk merevisi solusi
ditinjau dari proses akuisisi pengetahuan
Arsitektur CBR
RETRIEVE : Temu kembali kasus
Pencarian kembali kasus dari basis kasus yang memiliki masalah sama atau paling serupa dengan masalah pada kasus yang dihadapi sekarang
REUSE : Penggunaan kembali kasus
Menggunakan solusi permasalahan yang ditemukan dari kasus lama yang sama atau yang paling mirip dengan permaslaahan kasus baru, untuk diusulkan sebagai solusi untuk masalag baru
REVISE : Merevisi solusi
Merevisi solusi yang disulkan sistem dari hasil temu kembali kasus, karena adanya kemiripan (tidak sama) antara masalah pada kasus baru dan masalah dalam kasus lama. Solusi disesuaikan untuk keperluan solusi kasus baru
RETAIN : menyimpan kasus baru
menyimpan masalah baru dan solusinya yang telah direvisi sebagai kasus baru pada basis kasus.
menambah kasus pada basis kasus
KONSEP DATA DALAM DECISION TREE
• Data dinyatakan dalam bentuk tabel dengan atribut dan record.
• Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan tree. Misalkan untuk menentukan main tenis, kriteria yang
diperhatikan adalah cuaca, angin dan temperatur. Salah satu atribut merupakan atribut yang menyatakan data solusi per-item data yang disebut dengan target atribut.
• Atribut memiliki nilai-nilai yang dinamakan dengan instance. Misalkan atribut cuaca mempunyai instance berupa cerah, berawan dan hujan.
PROCESS DECISION TREE
• Mengubah bentuk data (tabel) menjadi model tree.
• Mengubah model tree menjadi rule
• Menyederhanakan Rule (Pruning)
• perhitungan dengan menggunakan rumus entropy
• S adalah ruang (data) sample yang digunakan untuk training.
• P+ adalah jumlah yang bersolusi positif (mendukung) pada data sample untuk kriteria tertentu.
• P+ adalah jumlah yang bersolusi negatif (tidak mendukung) pada data sample untuk kriteria tertentu.
• Besarnya Entropy pada ruang sample S didefinisikan dengan:
contoh
Langkah :1. Menentukan node terpilih
• Untuk menentukan node terpilih, gunakan nilai Entropy dari setiap kriteria dengan data sample yang ditentukan.
• Node terpilih adalah kriteria dengan Entropy yang paling kecil.
0 2 )
log 2 2
( 2 2 )
log 0 2
( 0
_ _
0 2 )
log 2 2
( 2 2 )
log 0 2
( 0 _
81 . 0 4 )
log 1 4
( 1 4 )
log 3 4
( 3 _
2 2
3
2 2
2
2 2
1
q
weight under
badan berat
q
average badan
berat q
overweight badan
berat
41 . 0 ) 0 8 ( ) 4 0 8 ( ) 4 81 . 0 8 (
4 8
4 8
4 8
4 1 2 3
E
q q
q E
1 2 )
log 1 2
( 1 2 )
log 1 2
( 1 min
92 . 0 6 )
log 4 6
( 4 6 )
log 2 6
( 2 min
2 2
2
2 2
1
q
wanita kela
q
pria kela
94 . 0 ) 1 8 ( ) 2 92 . 0 8 (
6 8
2 8
6 1 2
E
q q
E
