Apa itu Case-Based Reasoning (CBR)?
Case-based reasoning (CBR) adalah pendekatan berbasis pengalaman untuk menyelesaikan masalah baru dengan menyesuaikan solusi yang sebelumnya berhasil digunakan untuk masalah serupa. CBR mencakup aspek memori, pembelajaran, perencanaan, dan pemecahan masalah, sehingga memberikan dasar bagi sistem komputer cerdas yang dapat menyelesaikan masalah dan beradaptasi dengan situasi baru. Dalam CBR, penggunaan kembali pengetahuan dari kasus yang telah diselesaikan sebelumnya bergantung pada asumsi bahwa semakin mirip dua masalah, maka semakin mirip pula solusinya.
CBR berakar dari penelitian dalam bidang kecerdasan buatan (AI) yang dilakukan oleh ahli teori AI dan psikolog kognitif, Roger Schank, serta para mahasiswanya di Yale pada akhir abad ke-20. Mereka mempelajari cara manusia menyelesaikan masalah dan menemukan bahwa kebanyakan orang menyusun solusi berdasarkan pengalaman sebelumnya dengan situasi serupa.
Dengan aplikasi yang mencakup berbagai bidang mulai dari machine learning, kedokteran, hingga hukum, CBR dilakukan dengan mengumpulkan riwayat kasus dan mengidentifikasi fitur signifikan yang mendeskripsikan suatu kasus. Sistem CBR dapat “belajar” dengan memperoleh pengetahuan baru sebagai kumpulan kasus. Dengan penerapan teknik basis data, sistem ini juga lebih mudah mengelola volume informasi yang besar.
Proses 4 Langkah dalam CBR
Secara umum, proses case-based reasoning melibatkan empat langkah berikut:
- Retrieval. Mengambil dari memori pengalaman yang paling mirip dengan masalah saat ini.
- Reuse. Mengusulkan solusi berdasarkan pengalaman tersebut dan menyesuaikannya dengan tuntutan situasi baru.
- Revision. Mengevaluasi penggunaan solusi dalam konteks baru.
- Retaining. Menyimpan metode pemecahan masalah baru ini dalam sistem memori.
Perbandingan dengan Teknik Lain
Case-based reasoning memiliki beberapa perbedaan dengan pendekatan AI lainnya, seperti sistem berbasis pengetahuan. Alih-alih sepenuhnya mengandalkan pengetahuan umum dalam suatu domain masalah atau membuat asosiasi berdasarkan hubungan yang digeneralisasi antara deskripsi masalah dan kesimpulan, CBR memanfaatkan pengetahuan spesifik dari situasi masalah konkret yang telah dialami sebelumnya. Selain itu, CBR memungkinkan pembelajaran yang bertahap dan berkelanjutan karena setiap kali suatu masalah diselesaikan, pengalaman baru akan disimpan dan dapat digunakan untuk menyelesaikan masalah di masa depan.
Kelebihan dan Kekurangan CBR
Para ilmuwan mengidentifikasi beberapa kelebihan dan kekurangan dalam CBR. Dari sisi kelebihan, mengingat pengalaman masa lalu membantu pembelajar menghindari pengulangan kesalahan sebelumnya. Sistem CBR juga dapat mengenali fitur penting dari suatu masalah yang harus menjadi fokus.
Selain itu, CBR bersifat intuitif karena mencerminkan cara kerja manusia. Tidak diperlukan penggalian pengetahuan untuk membuat aturan atau metode, sehingga pengembangannya menjadi lebih mudah. Keuntungan lain adalah sistem ini dapat belajar dengan memperoleh kasus baru dari penggunaan yang terus menerus, yang membuat proses pemeliharaan lebih sederhana.
CBR juga memungkinkan pengguna untuk mengusulkan solusi dengan cepat. Sistem ini dapat mengusulkan solusi bahkan dalam area yang kurang dipahami sepenuhnya, mengevaluasi solusi ketika metode algoritmik tidak tersedia, serta menginterpretasikan konsep yang masih terbuka atau belum terdefinisi dengan jelas.
Namun, di sisi negatifnya, kritikus berpendapat bahwa premis utama CBR didasarkan pada bukti anekdot, sehingga adaptasi elemen dari satu kasus ke kasus lain bisa menjadi rumit dan berpotensi menghasilkan ketidaktepatan. Akan tetapi, baru-baru ini CBR telah ditingkatkan dengan menggunakan kerangka kerja statistik. Hal ini memungkinkan sistem menghasilkan prediksi berbasis kasus dengan tingkat kepercayaan yang lebih tinggi.