| Judul | : | Model evaluasi pengukuran kesamaan kasus pada penalaran berbasis kasus (Studi kasus : Penentuan jurusan di SMU) |
| Abstrak | : |
Salah satu metode penalaran dalam sistem pakar adalah penalaran berbasis kasus (Case-Based Reasoning). Pada penalaran berbasis kasus (Case-Based Reasoning), suatu basis kasus berisi kasus-kasus dengan solusi yang telah dicapai. Untuk menemukan solusi dari sebuah kasus baru yang diberikan, sistem akan mencari kasus-kasus dalam basis kasus yang memiliki tingkat kesamaan yang paling tinggi. Salah satu metode untuk menghitung tingkat kesamaan kasus adalah jarak euclid.
Sebuah evaluasi terhadap perhitungan kesamaan kasus merupakan hal yang penting dalam penalaran berbasis kasus (CBR). Pada penelitian ini akan dikembangkan sebuah model perhitungan tingkat kesamaan kasus dengan jarak euclid dimana atribut dari kasusnya berupa simbol, nilai numerik dan nilai interval. Studi kasus akan diambil dari kasus-kasus penentuan jurusan di SMU.
Latar Belakang :
Case-Based Reasoning (CBR) telah menjadi teknik yang sukses untuk sistem berbasis pengetahuan dalam banyak domain. Case-Based Reasoning (CBR) berarti menggunakan pengalaman sebelumnya dalam kasus yang mirip untuk memahami dan memecahkan permasalahan baru. Case-based Reasoning (CBR) mengumpulkan kasus sebelumnya yang hampir sama dengan masalah yang baru dan berusaha untuk memodifikasi solusi agar sesuai dengan kasus yang baru (Aamodt dan Plaza,1994). Ide dasar dari Case-Based reasoning adalah asumsi bahwa permasalahan yang serupa mempunyai solusi serupa. Meskipun asumsi ini tidaklah selalu benar, hal ini tergantung pada banyaknya domain praktis.
Case-Based Reasoning (CBR) terdiri dari atas empat langkah utama, yaitu:
1). Retrieve : yaitu mengambil kembali permasalahan yang sama. Pada langkah ini dilakukan proses pencarian atau kalkulasi dari kasus-kasus yang memiliki kesamaan.
2). Reuse : yaitu menggunakan kembali informasi dan pengetahuan dalam kasus tersebut untuk mengatasi masalah baru. Pada langkah ini dicari solusi dari kasus serupa pada kondisi sebelumnya untuk permasalahan baru.
3). Revise : yaitu meninjau kembali solusi yang diberikan. Pada langkah ini dicari solusi dari kasus serupa pada kondisi sebelumnya untuk permasalahan yang terjadi kemudian.
4). Retain : yaitu mendalami bagian dari pengalaman sebelumnya untuk digunakan dalam pemecahan masalah berikutnya.
Hubungan antara langkah-langkah tersebut dapat disajikan pada gambar-1 berikut :
Gambar-1: Siklus Case-based Reasoning (Aamodt dan Plaza,1994)
Salah satu tahapan terpenting dalam proses penyelesaian masalah adalah proses pengambilan kasus (case retrieval) dan telah banyak peneliti yang fokus pada tahapan ini. Dalam proses retrieval, kesamaan antar kasus menjadi dasar dalam pengambilan kasus di dalam basis kasus. Semakin besar tingkat kesamaan yang dimiliki oleh suatu kasus di dalam basis kasus dengan kasus yang baru, memungkinkan solusi pada kasus tersebut dapat digunakan untuk menyelesaikan masalah pada kasus yang baru.
Tingkat kesamaan kasus ini sangat mempengaruhi kinerja sistem CBR, karena solusi-solusi pada kasus sebelumnya dapat digunakan sebagai acuan dalam pembelajaran dan penyelesaian masalah yang baru. Banyak peneliti yang telah menggunakan berbagai algoritma dalam retrieval kasus. Ketika terdapat banyak kasus di dalam basis kasus dengan atribut yang berbeda-beda, tentunya akan menyulitkan suatu sistem retrieval dalam menemukan kasus yang sesuai.
Masalah pengukuran tingkat kesamaan kasus adalah seperti mencari kesamaan atau perbedaan diantara dua buah objek, dan telah menjadi salah satu perhatian dalam sistem CBR. Pengambilan kasus yang serupa yang memiliki kesamaan dengan kasus yang baru merupakan langkah penting dari keseluruhan proses pengambilan keputusan (Leake, 1996). Dalam proses ini dua obyek diukur nilai kesamaannya menggunakan parameter yang telah ditentukan, sehingga akan diperoleh nilai kesamaan antara dua objek tersebut. Namun seringkali pengukuran kesamaan antar dua objek tersebut memerlukan hitungan yang kompleks, sehingga kesamaan antara dua objek tersebut dapat memberikan manfaat terhadap proses penyelesaian masalah secara keseluruhan.
Masalah yang lain adalah bagaimana menentukan fitur-fitur dari suatu kasus untuk dapat dibandingkan. Menentukan fitur-fitur tersebut sering kali memang sangat sulit. Penjelasan tentang deskripsi dari sebuah kasus sering kali kurang sempurna, sehingga fitur-fitur pembanding yang didapatkan juga kurang dapat membantu untuk menemukan kesamaan antara dua kasus yang dibandingkan. Selain itu, masukan deskripsi masalah tidak cukup untuk menentukan kesamaan situasi kasus lama dan kasus baru (Leake, 1996).
Banyak pendekatan yang dapat digunakan dalam memetakan kesamaan antara dua objek. Misalya dua kasus yang direpresentasikan sebagai vektor dengan menetapkan pasangan atribut kasus tersebut. Kesamaan dari sepasang atribut tersebut biasanya disebut dengan bobot rata-rata. Dengan bobot tersebut memungkinkan atribut-atribut dapat memiliki berbagai tingkat kepentingan yang nantinya dapat digunakan dalam proses pembelajaran adaptif.
Pendekatan dalam retrieval berdasarkan fitur permukaan, kesamaan setiap kasus dengan masalah target biasanya direpresentasikan sebagai bilangan real dalam (0,1), dihitung menurut ukuran kesamaan yang diberikan. Biasanya kasus yang diambil adalah kasus yang paling mirip dengan masalah target. Pendekatan seperti ini sering disebut dengan pendekatan K-Nearest Neigbours (K-NN) atau kasus tetangga terdekat. Sistem CBR dapat menjamin bahwa pengambilan kasus yang paling mirip dengan masalah target adalah dengan menghitung kesamaan masalah target untuk setiap kasus di dalam memori (Mantaras dkk, 2006).
Tujuan Penelitian :
Penelitian ini bertujuan mengembangkan sebuah model perhitungan tingkat kesamaan kasus dengan K-Nearest Neigbours (K-NN) atau jarak euclidian dimana atribut dari kasusnya berupa simbol, nilai numerik dan nilai interval.
Keutamaan Penelitian :
Dalam banyak aplikasi CBR, penggunaan model perhitungan tingkat kesamaan kasus dengan K-Nearest Neigbours (K-NN) atau jarak euclidian adalah untuk atribut kasus yang bernilai numerik saja. Dalam penelitian ini akan dilakukan evaluasi model penilaian tingkat kesamaan kasus yang memiki nilai atribut yang bukan hanya numerik saja, melainkan gabungan simbol, numerik dan nilai interval. Hal ini sangat penting, mengingat nilai atribut suatu kasus tidak selalu berupa numerik atau dipaksakan menjadi numerik.
Daftar Pustaka :
Aamold A. dan Plaza E., 1994, Case-based Reasoning : foundation issues, methodological variation and System approach, AI Communication 7(1), pp. 39-59
Ashley K.D., dan Rissland E.L., 1987, Compare and Contrast : A test experience, Proceeding AAAI ‘87
Bareiss R., Poter W., Weir C.C., 1989, PROTOS : An exemplar-based learning apprentice, Int. J. Of Man-Machine Studies 29, pp. 549-561
Barletta R., dan Hennessy D., 1989, Case adaption in autoclave layout design. In Hammond (eds.) : Proceeding Second Workshop on case-based reasoning, Pensacola Beach, Florida, Morgan-Kauffman
Boehmer W., 2010, Analyzing Human Bahavior using Case-based Reasoning with help of Forensic Question. 24th International Conference on Advanced Information Networking and Application. IEEE Computer Society. 1189-1194
Carbonel J., 1983, Learning by analogy : Formulating and generalizing pants form past experience. In (Michalsi, Carbonell dan Mithec, eds.): Machine Learning : An Artificial Intelligence Approach, Tioga, Palo Al
Carbonel J., Knoblock C.A., Minton S., 1991, PRODIGY : An integrated architecture for planning and learning. In (Kurt Van Lehn eds.) Architecture for Intelligence, the Twenty Second Caenegie Mellon Symposium on Cognition, Earlbaum Publ.
Chen W., Lou P., Shen Z., 2008, Case-based reasoning and Intelligent Variation Approach in Fixture Design. Second International Symposium on Intelligent Information Technology Application. IEEE Computer Society. 833-837
Collins G., 1987, Plan creation: Using strategies as blueprints. Ph.D. Thesis. Yale University
Denis M., dan Jasmin A., 2009, Applying Case-based reasoning for mobile support in diagnosing infective diseases. International Conference on Signal Processing Systems, IEEE Computer Society. 779-783
Dave B., Schmitt G., Shih S-G., Bendel L., Faltings B., Smith I., Hua K., Bailey S., Ducret J.M., Jent K., 1994, Case-based spatial design reasoning. Proceedings Second European Workshop on Case-Based Reasoning. 115-124
Deters R.D., 1994, CBR for maintenance of telecommunication networks. Proceedings Second European Workshop on Case-Based Reasoning. 23-32
Goel A., 1989, Integration of case-based reasoning and model-based reasoning for adaptive design problem solving. Ph.D. Thesis. The Ohio State University
Goel A. dan Chandrasekaran B., 1989, Use of device models in adaptation of design cases. In Hammond (ed.): Proceedings Second Workshop on case-based reasoning, Pensacola Beach, Florida, Morgan-Kauffman
Hammond K., 1986, CHEF: A model of case-based planning. Proceedings of AAAI-86
Hammond K., 1987, Explaining and repairing plans that fail. IJCAI-87, 109-114
Hinrichs T.R., 1988, Towards an architecture for open world problem solving. In Kolodner (ed.): Proceedings Case-Based Reasoning Workshop, San Mateo, California, Morgan-Kauffman Publ.
Jiang G., Wang Y., Liu H., 2010, Research on Software Cost Evaluation Model based on Case-based Reasoning, Second WRI World Congress on Software Engineering. IEEE Computer Society. 338-341
Jun HF., Ying CS., Zhen X., Ping S., 2010, Extended Case-based reasoning for Intelligent System Configuration. Second International Conference on Computer Modeling and Simulation. IEEE Computer Society. 307-309
Keung JW., dan Nguyen T., 2010, Quantitative Analysis for Non-linear System Performance Data using Case-based Reasoning. Asia Pacific Software Engineering Conference. IEEE Computer Siciety. 346-355
Kolodner J., 1983, Reconstructive memory, a computer model. Cognitive Science 7, 281-328
Kolodner J., Simpson R.L., Sycara K., 1985, A process model of case-based reasoning in problem solving. IJCAI-85
Kolodner J., 1987, Capitalizing on failure through case-based inference. Proceedings Ninth Annual Conference of the Cognitive Science Society. Erlbaum
Koton P., 1988, Using experience in learning and problem solving. Ph.D. Thesis. Computer Science Dept. MIT
Leake, D., 1996, Case-Based Reasoning : Experiences, Lessons, and Future Directions. Menlo Park : AAAI Press/MIT Press
Mantaras R.L., Mcsherry D., Bridge D., Leake D., Smyth B., Craw S., Falting B., Maher M.L., Cox M.T., Forbus K., Keane M., Aamodt A., Watson I., 2006, Retrieval, reuse, revision and retention in case-based reasoning, The Knowledge Engineering Review, Vol. 20:3. 215-240, Cambridge University Press, United Kingdom.
Minghai Y., dan Huanmin X., 2010, The Weight Calculation in the Case-Based Reasoning Based on Sensitivity Analysis. International Conference on Electrical and Control Engineering. IEEE Computer Society. 3119-3121
Na F., Jinmin W., Ping L., Suchang M., 2011, Optimal Vendor Selection Using Fuzzy Case Based Reasoning. Fourth International Conference on Intelligent Computation Technology and Automation. IEEE Computer Society. 1082-1084
Navinchandra D., 1988, Case-based reasoning in CYCLOPS, a design problem solver. In Kolodner (ed.): Proceedings Case-Based Reasoning Workshop, San Mateo, California, Morgan-Kauffman Publ.
Pearce M., Goel A., Kolodner J., Zimring C., Sentosa L., Billington R., 1992, Case-based design support: A case study in architectural design. IEEE EXPERT 7, 14-20
Rissland E.L., 1983, Examples in legal reasoning: legal hypotheticals. Proceedings IJCAI’83, Karlsruhe
Schank R.C., 1982, Dynamic Memory: A theory of learning in computers and people. Cambridge University Press
Shi H., Xin, M., Dong W., 2011, A Kind of Case Similarity Evaluation Model Based on Case-based Reasoning. IEEE International Conference on Internet of Things, and Cyber, Physical and Social Computing. IEEE Computer Society. 453-457
Sun QF., Tan L., Wang L., Yu CC., 2010, Application of Case-Based Reasoning Technology in Decision-Making System of Rural New Energy Utilization. 3rd International Conference on Information Management, Innovation Management and Industrial Engineering. IEEE Computer Siciety. 235-239
Sycara E.P., 1987, Resolving adversarial conflicts: an approach to integrating case-based and analytic methods. Ph. D. Thesis, Georgia Tech
Vacharaskunee S., dan Intakosum S., 2011, XML Document Recommendtion by Using Case-Based Reasoning, 11th ACIS International Conference on Software Engineering, Artificial Intelligence, Networking and Parallel/ Distributed Computing. IEEE Computer Society. 121-126
Veloso M., 1992, Learning by analogical reasoning in general problem solving. Ph.D. Thesis. Carnegie Mellon University
Wei LZ., dan Li L., 2010, Research on Emergency Intelligent Decision Based on GIS ang Case-based Reasoning. International Conference on System Science, Engineering Design and Manufacturing Informatization. IEEE Computer Society. 231-234
Pengalaman Penelitian :
|
No. |
Tahun |
Judul Penelitian |
Pendanaan |
|
|
Sumber |
Jumlah (Juta Rp) |
|||
| 1. | 2009 | Data mining untuk menemukan pola pengetahuan konseling Psikologi | Dikti (Hibah Doktor) |
40 |
| 2. | 2010 | Implementasi Pengukuran Tingkat Kesamaan Kasus dengan Konsep Himpunan Fuzzy pada Penalaran Berbasis Kasus | Dana Masyarakat |
15 |
| 3. | 2008 | Penerapan Hidden Markov Model dalam Clustering Sequence dan Penentuan Subfamily protein globin | Dana Masyarakat |
10 |
| 4. | 2007 | Sistem Pendukung Keputusan untuk prediksi bibit lele dumbo | Dana Masyarakat |
8 |
