Sejarah Penalaran Berbasis Kasus CBR

University di awal tahun delapan puluhan yang menghasilkan kedua model kognitif untuk CBR dan pertama aplikasi CBR berdasarkan ini Model. Janet Kolodner mengembangkan sistem CBR pertama kali disebut CYRUS [Kolodner, 83a b]. CYRUS terkandung pengetahuan, sebagai kasus, dari perjalanan dan pertemuan mantan Sekretaris AS-of-Negara Cyrus Vance. CYRUS adalah penerapan model memori dinamis Schank itu. Model kasus-memori kemudian menjabat sebagai dasar untuk beberapa sistem lain, termasuk CBR MEDIATOR [Simpson, 85], CHEF [Hammond, 86], pembujuk [Sycara, 87], CASEY [Koton, 89] dan JULIA [Hinrichs, 92]. Sebuah pendekatan alternatif berasal dari karya Bruce Porter, di The University of Texas di Austin, dalam klasifikasi heuristik dan pembelajaran mesin yang dihasilkan dalam sistem PROTOS [Porter Bareiss, 86, Bareiss, 88]. PROTOS terpadu pengetahuan domain umum dan pengetahuan kasus tertentu menjadi model memori kasus tunggal. Karya ini diambil lebih lanjut oleh Grebe, sebuah sistem operasi dalam domain hukum [Branting, 91]. Hal ini mungkin tidak mengherankan bahwa sejak praktek hukum sebagian besar didasarkan pada prioritas dan gagasan kasus, bahwa telah ada beberapa kepentingan dari sektor ini di CBR. Terutama kelompok Edwina Rissland di University of Massachusetts di Amherst yang mengembangkan HYPO [Ashley, 88]. Dalam kasus HYPO mewakili preseden hukum yang digunakan untuk menafsirkan situasi pengadilan dan menghasilkan argumen untuk kedua pertahanan dan jaksa. Sistem ini kemudian dikombinasikan dengan penalaran berbasis aturan untuk menghasilkan CABARET [Rissland Skalak, 89]. Penelitian CBR tidak terbatas ke AS, tapi itu lambat untuk memulai di Eropa. Di antara karya pertama Eropa dikutip adalah bahwa kelompok Derek Sleeman itu dari Aberdeen di Skotlandia. Mereka mempelajari penggunaan kasus untuk akuisisi pengetahuan, mengembangkan sistem Refiner [Sharma Sleeman, 88]. Pada waktu yang sama Mike Keane, dari Trinity College Dublin, melakukan penelitian ilmu kognitif dalam penalaran analogis yang kemudian mempengaruhi CBR [Keane, 88] Pada benua Eropa Michael Richter dan Klaus Althoff [Althoff, 89], dari University of Kaiserslautern, diterapkan CBR diagnosis kompleks. Hal ini telah melahirkan sistem PATDEX [Richter Weiss, 91] dan kemudian ke alat CBR S3- Kasus. Agnar Aamodt di Universitas Trondheim telah menyelidiki segi belajar CBR dan kombinasi kasus dan domain pengetahuan umum sehingga CREEK [Aamodt, 89 91] Di Inggris, CBR tampaknya terutama diterapkan untuk teknik sipil. Sebuah kelompok di University of Salford menerapkan teknik CBR untuk kesalahan diagnosis, perbaikan dan renovasi bangunan [Watson Abdullah, 94]. Yang Robertson [94] di Edinburgh sedang mengembangkan sebuah sistem CBR untuk menafsirkan peraturan bangunan, domain bergantung pada konsep didahulukan. Sementara kelompok lain di Wales menerapkan CBR dengan desain jalan tol jembatan [Moore et al., 94]. Lebih jauh ada kelompok CBR aktif di Israel [Oxman. 93a b], India [Venkatamaran et al., 93] dan Jepang [Kitano, 93]. Namun, meningkatnya jumlah CBR makalah dalam jurnal AI dan meningkatnya jumlah aplikasi CBR sukses secara komersial kemungkinan untuk memastikan bahwa lebih banyak negara mengambil minat aktif dalam CBR di masa depan. Sebagai indikator Komputer British Masyarakat Spesialis Kelompok Sistem Pakar telah mengadakan lokakarya CBR cocok untuk pemula di kedua itu konferensi tahunan terakhir.

5.2 Penalaran Berbasis Kasus Case-Based ReasoningCBR

Case Base Reasoning telah diaplikasikan dalam banyak bidang yang berbeda. Berbagai bidang aplikasi tersebut menunjukan berapa luasnya cakupan CBR, kebanyakan merupakan aplikasi dalam kerangka kecerdasan buatan. Bidang aplikasi tersebut antara lain, hukum, kedokteran, rekayasa, komputasi, jaringan komunikasi, desain pabrik, keuangan, penjadwalan, bahasa, sejarah, makanannutrisi, penemuan rute dan lingkungan Hartati dan Mulyana, 2009. CBR adalah suatu model penalaran yang penggabungkan pemecahan masalah, pemahaman dan pembelajaran serta memadukan keseluruhannya dengan pemrosesan memori. Tugas tersebut dilakukan dengan memanfaatkan kasus yang pernah dialami oleh sistem, yang mana kasus merupakan pengetahuan dalam konteks tertentu yang mewakili suatu pengalaman yang menjadi dasar pembelajaran untuk mencapai tujuan sistem Pal dan Shiu, 2004. Menurut Riesback dan Schank 1989, definisi CBR merupakan suatu teknik pemecahan masalah, yang mengadopsi solusi masalah-masalah sebelumnya yang mirip dengan masalah baru yang dihadapi untuk mendapatkan solusinya. Kasus-kasus pada masa lalu disimpan dengan menyertakan fitur-fitur yang menggambarkan karakteristik dari kasus tersebut beserta solusinya. Beberapa definisi yang berkaitan dengan CBR, antara lain: 1. Suatu case-based reasoner memecahkan permasalahan baru, dengan mengadaptasikan solusi yang digunakan untuk memecahkan masalah yang lama Riesbeck dan Schank, 1989. 2. CBR adalah cara orang menggunakan kasus-kasus untuk memecahkan permasalahan dan cara membuat mesin dapat menggunakannya Kolodner, 1992. 3. CBR adalah suatu pendekatan terbaru untuk memecahkan masalah dan belajar Aamodt dan Plaza, 1994. 4. CBR adalah penalaran dengan mengingat Leake, 1996.

5.3 Siklus CBR

CBR dapat direpresentasikan sebagai suatu siklus proses yang dibagi menjadi empat sub proses Aamodt dan Plaza, 1994, yaitu: 1. Retrieve yaitu mencari kasus-kasus sebelumnya yang paling mirip dengan kasus baru. 2. Reuse yaitu menggunakan kembali kasus-kasus yang paling mirip tersebut untuk mendapatkan solusi untuk kasus yang baru. 3. Revise yaitu melakukan penyesuaian dari solusi-solusi kasus-kasus sebelumnya agar dapat dijadikan solusi untuk kasus yang baru. 4. Retain yaitu memakai solusi baru sebagai bagian dari kasus baru,