Penalaran Berbasis Kasus Untuk Mengetahui Biaya Sewa Kost di Yogyakarta

• Metode  

Berdasarkan kelebihan dari CBR, maka CBR bisa digunakan untuk memecahkan masalah untuk memberikan informasi biaya sewa kost di Yogjakarta berdasarkan kasus-kasus biaya sewa yang sudah terjadi sebelumnya. Yogjakarta yang merupakan kota pelajar, setiap tahunnya akan didatangi oleh calon mahasiswa yang akan beramai-ramai mencari informasi biaya sewa kost untuk suatu daerah tertentu sesuai dengan kemampuan ekonomi masing-masing. Dengan adanya sistem CBR ini tentu diharapkan akan mempermudah calon mahasiswa untuk mencari tempat kost yang diinginkan. Untuk setiap kasus yang ada akan disimpan ke dalam basis kasus dengan menggunakan database dengan format sebagai berikut :

• Format Case Based

Nama Field	Type	Ukuran
Nomor	Auto Increment
City_distict	A	15
Address	A	15
Equipment	A	15
Ukuran	A	6
Cost	A	10

Terdapat enam atribut yang ada yaitu nomor, city_district atau wilayah, address atau alamat, equipment atau perlengkapan yang terdiri dari lengkap atau tidak lengkapnya fasilitas kamar kost, ukuran kamar dan cost atau biaya sewa kamar dengan A adalah sembarang karakter. Untuk contoh kasus yang sudah ada dicase base, dapat dilihat pada tabel 2 dibawah ini :

• Case Base yang Ada di Database

 

1	cangkringan	jl.satria	complete	3x4	250.000,00
2	cangkringan	jl.daryo	complete	4x4	400.000,00
3	depok	jl.dahlia	not complete	3x4	400.000,00
4	depok	jl.megatruh	complete	4x4	500.000,00
5	depok	jl.dagelan	complete	3x3	350.000,00
6	depok	jl.wukir	not complete	3x5	450.000,00
7	depok	jl.wukir	complete	3x4	500.000,00
8	depok	jl.megatruh	complete	3x4	500.000,00
9	cangkringan	jl.dahlia	complete	3x4	250.000,00
10	cangkringan	jl.dahlia	complete	3x4	250.000,00
11	depok	jl.dagelan	complete	3x3	350.000,00
12	cangkringan	jl.wukir	complete	3x3	250.000,00
13	cangkringan	jl.daryo	not complete	4x4	400.000,00
14	cangkringan	jl.satria	not complete	3x5	250.000,00

Pada tabel 2 terlihat bahwa city_distict atau wilayah yang ada yaitu Cangkringan dan Depok.

• Representasi

Representasi kasus yang digunakan adalah dengan menggunakan metode frame sebagai berikut :

Domain: Informasi Biaya Sewa

Nomor Kasus:1

Problem Fitur

City_district Cangkringan

Address jl. satria

Equipment complete

Ukuran 3x4

Solution

Cost 250.000

• Indexing dan Pengukuran Kemiripan atau Similarity Kasus 

Index adalah struktur data yang mengatur record data pada disk untuk mengoptimalkan beberapa jenis operasi pengambilan (retrieval) tertentu yang memenuhi syarat pencarian pada field search key pada index (Ramakrishnann 2003). Indexing yang digunakan adalah dengan menggunakan kolom city_disrict karena banyak orang yang akan lebih banyak menentukan wilayah yang dituju terlebih dahulu dibandingkan address , equipment, ukuran dan cost .

Dalam mencari kasus lama yang memiliki kemiripan dengan kasus yang baru maka akan digunakan konsep similarity measure yang diperkenalkan oleh Tversky 1977 yaitu dengan menggunakan persamaan berikut :

SMpq =           α (common)
                     α (common) + β (different)

dimana SMpg adalah similarity measure dengan p adalah kasus baru dan q adalah kasus yang tersimpan dicase base. Common merupakan jumlah atribut yang sama sedangkan different adalah jumlah atribut yang beda. Untuk suatu atribut yang mana pada kasus lama dan kasus baru memiliki nilai yang sama akan diberi nilai 1 sedangkan bila atribut kasus yang baru dan kasus yang lama tidak sama maka diberikan nilai 0.

• Algoritma

Algortima dalam sistem ini yaitu :

1. Open case base yang ada di dalam basis data (DB)
2. Input City_district
3. Input address
4. Input equipment
5. Input ukuran

Proses telusuri kasus:

6. For i = 1 to n do
7. Hasil = cari city_district yang sama dengan input yang di masukkan
8. For x = 1 to hasil do
9. If city_district input = city_district case base then
   Kemiripan = 1 else kemiripan = 0
10. If address input = adress case base then
    Kemiripan = 1 else kemiripan = 0
11. If equipment input = equipment case base then
    Kemiripan = 1 else kemiripan = 0
12. If ukuran input = ukuran case base then
    Kemiripan = 1 else kemiripan = 0
13. Total kemiripan = 0
14. If kemiripan = 1 then
    total kemiripan = total kemiripan + 1
15. Hitung kemiripan dengan persamaan 1
    Cari nilai terbesar :
16. Terbesar = hasil common
17. For y = 1 to hasil common do
18. If terbesar < hasil common then Terbesar = hasil common
    Cari nilai yang sering keluar:
19. Sering keluar = terbesar
20. For i = 2 to sering keluar
21. If sering keluar.harga = terbesar then
22. Sering keluar=solusi
23. Masukkan kasus baru dalam case base

Pengujian Sistem

Untuk menguji sistem, maka akan dicobakan kasus baru dengan city_district nya Cangkringan, alamat jl. Daryo, equipment complete dan ukuran 3x4 seperti diperlihatkan pada gambar 2 dan 3 dibawah ini.

  Case Base Awal

Proses Input Kasus Baru

Untuk langkah pertama maka dilakukan proses retrieval untuk mencari kasus lama yang ada di basis kasus sesuai dengan indexnya yaitu city_district sehingga akan didapatkan hasil kasus lama yang memiliki index city_district Cangkringan sebanyak 7 data yaitu data ke 1, 2, 9,10,12,13 dan 14 sebagai berikut :

Tabel 3. Kasus yang mirip yang ada

1	cangkringan	jl.satria	Complete	3x4
2	cangkringan	jl.daryo	Complete	4x4
9	cangkringan	jl.dahlia	Complete	3x4
10	cangkringan	jl.dahlia	Complete	3x4
12	cangkringan	jl.wukir	Complete	3x3
13	cangkringan	jl.daryo	not complete	4x4
14	cangkringan	jl.satria	not complete	3x5

Untuk menghitung nilai kemiripan maka dihitunglah nilai atribut yang ada berdasarkan persamaan 1 diatas dimana nilai yang sama akan diberi 1 dan nilai yang beda dengan kasus baru akan diberi nilai 0 dan hasilnya sebagai berikut :

Tabel 4. Proses perhitungan nilai kesamaan atau similarity

1	1	0	1	1	3 / (3+1)	0,75	250.000,00
2	1	1	1	0	3 / (3+1)	0,75	400.000,00
9	1	0	1	1	3 / (3+1)	0,75	250.000,00
10	1	0	1	1	3 / (3+1)	0,75	250.000,00
12	1	0	1	0	2 / (2+2)	0,5	250.000,00
13	1	1	0	0	2 / (2+2)	0,5	400.000,00
14	1	0	0	0	1 / (1+3)	0,25	250.000,00

Untuk kasus nomor 1 didapat nilai common yaitu 3 buah dan nilai different 1 buah kemudian dengan menggunakan persamaan 1 maka didapat hasil similirity measure 0.75 demikian seterusnya dihitung sampai keseluruhan 7 kasus yang ada. Dari tabel 4 didapatlah nilai kesamaan yaitu 0.25, 0.5 dan 0.75 dengan nilai kesamaan tertinggi adalah 0.75. Berdasarkan nilai kesamaan tertinggi maka nilai tersebut akan menghasilan biaya sewa kost sebanyak dua macam yaitu 250.000 dan 400.000. Kemudian dihitunglah nilai

kemunculan masing-masing sewa kost. Sewa kost 250.000 keluar sebanyak 3 kali sedangkan sewa kost 400.000 keluar sebanyak 1 kali sehingga untuk kasus yang baru ini maka akan sistem akan memberikan informasi sewa untuk kasus baru yaitu kasus yang paling mirip dan paling sering keluar dengan city_district Cangkringan, alamat jl. Daryo, equipment complete dan ukuran 3x4 yaitu 250.000 sebagaimana pada gambar 4 dibawah ini.

Proses Perhitungan

Langkah selanjutnya adalah kasus baru dan solusi baru akan disimpan didalam case base yang ada. Hal ini akan mengakibatkan kasus dan solusi baru akan tersimpan di basisdata sebagai data ke-15 sebagaimana yang diperlihatkan pada gambar 5 di bawah ini. Proses simpan ini merupakan proses retain dimana dipakai solusi baru sebagai bagian dari kasus yang baru kemudian kasus baru tersebut akan di update kedalam basis kasus (case base). 

Kasus Baru Disimpan Sebagai Kasus ke 15

Referensi

1. Adriana S.A, Indarto dan Abdiansah (2002). Penalaran Komputer Berbasis Kasus. Yogjakarta: Ardana media.
2. Althoff, K.D. “Case-Based Reasoning”,Handbook of Software Engineering & Knowledge Engineering (ed. S.K. Chang) Vol 1, Singapore, World Scientific, 2001.
3. Sankar K Pal dan Simon C.K. Shiu (2004). Fundations of Soft Case-Based Reasoning. New Jersey:Wiley Interscience Bonham.
4. Sri Kusumadewi (2003). Artificial Intelligence (teknik dan aplikasinya). Yogjakarta :Graha Ilmu.
5. Raghu Ramakrishnann dan Johannes Gehrke (2003). Database Management System 3rd edition. McGrawHill Education
6. Ause labellapansa. Penalaran Berbasis Kasus Untuk Mengetahui Biaya Sewa Kost di Yogyakarta