| dc.identifier.citation | Desiani, A., & Arhami, M. (2006). Konsep Kecerdasan Buatan. Yogyakarta: Andi Offset. Habibullah, A., & Winiarti, S. (2014). Sistem Pendukung Keputusan Penentuan Kesesuaian Jenis Lahan Pertanian untuk Budidaya Tanaman Buah-Buahan menggunakan Metode Similarity Berbasis Web. Jurnal Sarjana Teknik Informatika, 2(2), 1133–1141. Hasan, M. I. (2016). Pokok-Pokok Materi Statistik 1 (Statistik Deskriptif) (kedua). Jakarta: Bumi Aksara. McDonnell, N., & Cunningham, P. (2006). A knowledge-light approach to regression using case-based reasoning, (October), 91–105. Pal, S. K., & Shiu, S. C. K. (2004). Foundation of Soft Case-Based Reasoning. Hoboken, New Jersey: Wiley-Interscience. Rahayu, N. P., Putri, R. R. M., & Widodo, A. W. (2018). Sistem Pendukung Keputusan (SPK) Pemilihan Tanaman Pangan Berdasarkan Kondisi Tanah Menggunakan Metode ELECTRE dan TOPSIS. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(8). Richter, M. M., & O.Weber, R. (2015). Case-Based Reasoning A Textbook. Kaiserslautern: Springer. https://doi.org/10.1016/j.artmed.2011.06.002 Ritung, S., Wahyunto, Agus, F., & Hidayat, H. (2007). Evaluasi Kesesuaian Lahan Dengan Contoh Peta Arahan Penggunaan Lahan Kabupaten Aceh Barat. Balai Penelitian Tanah Dan World Agroforestry Centre (ICRAF), 48. Rizky, N., Arysanti, D., & Adyatma, S. (2017). Evaluasi Kesesuaian Lahan Untuk Tanaman Kelapa Sawit Di Kecamatan Batang Alai Utara, Kabupaten Hulu Utara,Kabupaten Hulu Sungai Tengah. Jurnal Pendidikan Geografi, Universitas Lampung Mangkurat, 4(4), 9–22. U. Lubis, A. (2008). Kelapa Sawit Di Indonesia, 2nd ed. Medan: Pusat Penelitian Kelapa sawit. Xiaohua, X., Liyu, T., Jie, Z., & Chongcheng, C. (2012). Integrating Rule-Based and Case-Based Reasoning for Simulation of Tree Growth: A Case of Cunninghamia Lanceolata. Scientia Silvae Sinicae, 9(48), 68–75. | id_ID |
| dc.description.abstract | Case-Based Reasoning (CBR) merupakan penalaran berbasis kasus dengan memanfaatkan
pengalaman dari kasus lama untuk menyelesaikan masalah baru. Langkah menggunakan CBR
adalah Retrieve, Reuse, Revise, dan Retain. Retrieve mengambil kasus lama yang paling mirip
dengan kasus baru. Reuse menggunakan kembali solusi dari kasus lama yang paling mirip dengan
kasus baru. Revise melakukan adaptasi solusi. Retain menyimpan perubahan solusi sebagai
pengetahuan baru. Penelitian ini menerapkan CBR untuk bidang perkebunan kelapa sawit dengan
tujuan melihat potensi produktivitas dari suatu lahan perkebunan kelapa sawit. Metode untuk
mencari kemiripan menggunakan K-nearest Neighbour (K-NN) untuk mengambil kedekatan antar
lahan dengan jumlah K tertentu. Selanjutnya melakukan adaptasi solusi dari lahan yang paling mirip
dengan Null Adaptation, Rule-Based Adaptation, dan Semantic Tree. Setelah mendapatkan adaptasi
solusi, langkah selanjutnya melakukan estimasi capaian hasil produktivitas dengan metode Regresi
Kuadratik. Nilai total rata-rata Relative Error menggunakan nilai kedekatan K=3, K=5, K=7, K=9
dengan Null Adaptation 0,086, Rule-Based Adaptation 0,21 dan Semantic Tree 0,082. | id_ID |
