Content uploaded by Hapnes Toba
Author content
All content in this area was uploaded by Hapnes Toba on Sep 25, 2015
Content may be subject to copyright.
STUDI KASUS: KELOMPOK REMAJA GKI ANUGERAH BANDUNG
Sandi Guna Wirawan1, Oscar Karnalim2, Hapnes Toba3
Jurusan S1 Teknik Informatika, Universitas Kristen Maranatha
Jl. Prof. Drg. Surya Sumantri no. 65 Bandung
sandi.guna.wirawan.sgw24@gmail.com1)
oscar.karnalim@itmaranatha.org2)
hapnes.toba@itmaranatha.org3)
Abstraksi
Hubungan antar manusia sering kali mengalami gangguan karena perbedaan
kepribadian. Tipe-tipe kepribadian pada dasarnya memiliki kesamaan dan perbedaan yang
sudah dikelompokkan oleh teori Hippocrates, yaitu: sanguinis, kholeris, melankolis, dan
phlegmatis. Deteksi kepribadian di GKI Anugerah masih dilakukan secara manual dengan
membagikan kuisioner sehingga membutuhkan waktu yang lama. Oleh karena itu, diusulkan
pembuatan aplikasi untuk mendeteksi kepribadian. Aplikasi tersebut digunakan untuk
menganalisis kepribadian seseorang berdasarkan 50 sifat gambaran diri yang diinputkan oleh
pengguna dengan menggunakan metode pembelajaran mesin Naïve Bayes dan pemanfaatan
sinonim dan antonim kata. Aplikasi ini juga menggunakan metode seleksi fitur mutual
information untuk mereduksi kata. Pengujian aplikasi dilakukan dengan menggunakan 100
hasil deteksi kepribadian usia remaja di GKI Anugerah Bandung. Hasil pengujian
menunjukkan bahwa dengan menggunakan 5-folds validasi silang menghasilkan tingkat
akurasi rata-rata sebesar 58%. Pengujian aplikasi tanpa menggunakan sinonim dan antonim
kata menghasilkan tingkat akurasi sebesar 70%, dan kepuasan penggunaan 72%. Hasil analisis
menunjukkan bahwa pemanfaatan sinonim dan antonim kata mengurangi variasi kata sifat
yang dibentuk ke model, sehingga saat pengujian dapat mengurangi bobot kata penting dalam
kelas tertentu. Secara aplikatif, saat ini aplikasi sudah dapat mengklasifikasi temperamen
seseorang dengan waktu kurang lebih sekitar 1 menit Menurut pakar psikologi tingkat akurasi
seharusnya paling kecil mencapai 90% agar aplikasi dapat digunakan. Dengan memperhatikan
hasil-hasil dalam riset ini, maka dapat disimpulkan bahwa peran psikolog dalam penilaian
temperamen masih sangat diperlukan. Meskipun demikian, model yang terbentuk telah dapat
digunakan sebagai pendukung atau sebagai hasil awal dalam deteksi kepribadian.
Kata kunci: Deteksi kepribadian, teori Hippocrates, pembelajaran mesin, metode Naïve Bayes,
statistik kata, sinonim dan antonim kata.
PENGARUH KEMUNCULAN KATA
DALAM DETEKSI KEPRIBADIAN
1. Pendahuluan
Hubungan antar manusia sering kali dipengaruhi oleh perbedaan kepribadian, dalam hal ini
terkait temperamen. Untuk itu diperlukan adanya pendeteksian kepribadian secara dini untuk
mengetahui kecenderungan tingkah laku yang dapat mendukung pengembangan karunia
ataupun bakat-bakat yang dimiliki seseorang. Salah satu metode pendukung yang masih
banyak digunakan dalam penilaian tipe kepribadian adalah teori Hippocrates. Teori
Hippocrates ini melakukan pengelompokan temperamen ke dalam empat bagian, yaitu:
sanguinis, kholeris, melankolis, dan phlegmatis (Lahaye, 1999).
Studi kasus dalam penelitian ini diperoleh dari psikolog di GKI Anugerah Bandung.
Penentuan kepribadian anak dan remaja di GKI Anugerah masih dilakukan melalui pengisian
kuisioner. Kuisioner yang sudah diisi akan dinilai dan membutuhkan jeda waktu evaluasi.
Untuk itulah diusulkan sebuah aplikasi yang dapat mendukung penentuan tipe kepribadian
secara lebih cepat sebagai perantara sebelum hasil yang sebenarnya diolah oleh seorang
psikolog.
Proses pembelajaran mesin dilakukan dengan menggunakan pendekatan statistik melalui
teorema Bayes, serta memanfaatkan sinonim dan antonim kata. Pemanfaatan sinonim dan
antonim kata digunakan untuk mengevaluasi pertumbuhan variasi kata dari waktu ke waktu.
Diharapkan bahwa dengan memanfaatkan sinonim dan antonim kata dapat mereduksi kata
yang bermakna sama dan meningkatkan akurasi.
Berdasarkan uraian di atas, maka diangkatlah beberapa rumusan masalah sebagai berikut:
1. Bagaimana membentuk model statistik untuk dapat mendukung klasifikasi temperamen
seseorang?
2. Bagaimanakah pengaruh sinonim dan antonim kata dalam penentuan temperamen?
2. Landasan Teori
Pada bagian ini dijelaskan mengenai teori-teori yang mendukung dalam pembuatan aplikasi
Deteksi Kepribadian.
A. Temperamen
Temperamen adalah watak sekunder yang terpendam dan tidak dominan. Temperamen juga
merupakan pola sekunder perpaduan genetik dari ayah, ibu, dan keluarga besar. Meskipun
sifatnya sekunder, temperamen tetap penting untuk mendukung konstelasi kepribadian dan
berpengaruh terhadap beberapa perilaku (Millon, Krueger, & Simonsen, 2011). Temperamen
memiliki dasar biologi dan perbedaan individual yang jelas pada kehidupan. Temperamen
mengacu pada fenomena karakteristik dari sifat dasar emosional individu (Joyce, 2010).
B. Teori Hippocrates
Teori Hippocrates adalah salah satu filsuf Yunani terbesar sepanjang sejarah yang hidup 2400
tahun yang lalu. Dia mengatakan bahwa perilaku manusia ditentukan oleh cairan tubuh yang
mengalir dalam tubuh manusia. Menurutnya manusia dipengaruhi oleh cairan empedu hitam
yang disebut choler, darah yang dia sebut sanguine, empedu hitam yang dikenalkan dengan
nama melancholy, dan cairan phlegma (Junior, 2010).
Hippocrates mengidentifikasi 4 temperamen dasar yaitu: kholeris, melankolis, sanguinis,
phlegmatis. Temperamen kholeris berkaitan dengan kecenderungan irascibility. Temperamen
sanguinis lebih memicu kepada individual yang optimis. Temperamen melankolis
berkarateristik dengan kecenderungan terhadap kesedihan. Temperamen phlegmatis lebih
memicu kepada individual yang disposisi apatis (Winarto & Yudi, 2010).
Orang berkepribadian melankolis memiliki sifat-sifat dasar, seperti: moody, cemas, kaku,
sederhana, pesimis, pendiam, tidak ramah, dan tenang. Orang berkepribadian phlegmatis
memiliki sifat-sifat dasar, seperti: pasif, berhati-hati, bijaksana, pendamai, terkendali, dapat
dipercaya, pandai menguasai diri, dan kalem. Orang berkepribadian sanguinis memiliki sifat-
sifat dasar seperti: suka bergaul, ramah, banyak bicara, responsif, acuh tak acuh, bersemangat,
periang, dan memiliki jiwa kepemimpinan. Orang berkepribadian kholeris memiliki sifat-sifat
dasar, seperti: mudah tersinggung, gelisah, agresif, dapat dirangsang, berubah-ubah, impulsif,
optimis, dan aktif.
C. Pembelajaran Mesin Naïve Bayes
Pembelajaran mesin adalah sebuah metode yang dapat secara otomatis mendeteksi pola dalam
data, dan kemudian menggunakan pola tersebut untuk memprediksi data masa depan dan
pengambilan keputusan (Downey, 2013). Pendekatan Bayes adalah salah satu metode
pembelajaran mesin yang memanfaatkan perhitungan probabilitas dan statistik yang
dikemukakan oleh ilmuwan inggris Thomas Bayes, yaitu memprediksi probabilitas di masa
depan berdasarkan pengalaman di masa sebelumnya (Roebuck, 2012).
Formula Bayes memiliki notasi sebagai berikut (Downey, 2013):
p(H|D) =
)(
)|()(
Dp
HDpHp
Keterangan:
p(H) : probabilitas awal untuk kejadian H disebut juga dengan prior.
p(D) : probabilitas awal untuk kejadian D disebut juga dengan prior.
p(H|D) : probabilitas untuk kejadian H yang menggunakan tambahan informasi atas
probabilitas kejadian D disebut juga dengan posterior.
p(D|H) : probalibitas untuk kejadian D yang menggunakan tambahan informasi atas
probabilitas kejadian H disebut juga dengan likelihood.
D. Seleksi Fitur dengan Informasi Mutual
Seleksi fitur bisa disebut sebagai reduksi fitur, dimana akan dicoba untuk memilih bagian dari
fitur (seperti kata-kata dalam klasifikasi teks) yang berguna dalam klasifikasi teks. Untuk
seleksi fitur, sejumlah kecil fitur terbaik disimpan dan sisanya dihapus (Das, Deep, Pant,
Bansal, & Nagar, 2014). Cara ini dapat mengabaikan redudansi antara kata. Tujuan dari
seleksi fitur adalah untuk memilih bagian dari fitur yang secara mayoritas menyediakan
informasi yang berguna (Jensen & Shen, 2008).
Informasi mutual adalah metode yang berguna untuk mengubah variabel diskrit acak menjadi
variable kontinu. Informasi mutual bersifat simetris (Bose, 2008), dimana I(X,Y) = I(Y,X),
dengan formula:
H(P(X)) ≡ h− log2 pii = − ∑ pi log2 pi
I(X;Y)=H(X)-H(X|Y)
3. Metodologi Penelitian
Pada bagian ini akan dijelaskan mengenai analisis yang meliputi metode pelatihan, seleksi
fitur, membentuk model, pengujian dan stemming yang dihubungkan dengan basis data yang
ada di www.sinonimkata.com. Selain itu, pada bagian ini juga akan dijelaskan mengenai
gambaran keseluruhan aplikasi dan desain perangkat lunak untuk aplikasi Deteksi
Kepribadian.
A. Analisa
Aplikasi yang akan dibuat merupakan sebuah aplikasi berbasis desktop yang berfungsi untuk
mengklasifikasi temperamen yang dimiliki seseorang melalui teori Hippocrates. Proses
klasifikasi kepribadian dilakukan dengan menggunakan metode pembelajaran mesin Naïve
Bayes serta pemanfaatan sinonim dan antonim kata dimana pengguna akan memasukkan 50
sifat gambaran diri untuk diklasifikasi. Pemanfaatan sinonim dan antonim kata digunakan
karena pertumbuhan variasi kata yang semakin banyak dari waktu ke waktu. Langkah-langkah
analisisnya dapat dilihat di Gambar 1.
Gambar 1 Alur analisis
Pertama, pengguna akan memasukkan data pelatihan berupa 50 sifat gambaran diri. Lalu
sistem akan melakukan seleksi fitur dengan menggunakan informasi mutual untuk mereduksi
sifat gambaran diri. Setelah itu, sistem akan membentuk model dengan menggunakan
algoritma Naïve Bayes dari data fitur yang sudah diseleksi. Model yang terbentu kemudian
akan digunakan untuk proses pengujian.
B. Pelatihan
Pada tahap ini data sifat yang masuk akan diperiksa apakah kata yang masuk mengandung
makna yang sama, sehingga akan mereduksi jumlah kata sifat yang akan diseleksi pada tahap
seleksi fitur. Sistem sinonim kata dibuat semi online dimana data pelatihan maupun pengujian
akan diperiksa ke database terlebih dahulu dari sinonim data pelatihan yang pernah dilakukan
sebelumnya, jika data tidak ada di database maka aplikasi akan melakukan pencarian sinonim
kata melalui situs www.sinonimkata.com. Pada contoh Tabel 1 terdapat kata yang memiliki
makna yang sama seperti “lamban” bersinonim dengan “malas”, maka setelah itu sifat
“lamban” kemunculan katanya akan digabungkan dengan sifat “malas”. Data pelatihan yang
digunakan pada aplikasi ini diambil dari hasil test kepribadian 100 orang remaja GKI
Anugerah.
Tabel 1 Contoh Data Pelatihan Awal
Data ke-
Sifat
Kepribadian
1
Optimis
Mandiri
Agresif
Tidak tegas
Malas
Kholeris
Phlegmatis
2
Egois
Bersahabat
Optimis
Mandiri
Tegas
Sanguinis
Kholeris
3
Sensitif
Mandiri
Optimis
tegas
Tenang
Melankolis
Kholeris
4
Mandiri
Optimis
Agresif
Tidak tegas
Lamban
Kholeris
Phlegmatis
5
Bersahabat
Optimis
Mandiri
Tidak tegas
Lamban
Sanguinis
Kholeris
6
Optimis
Agresif
Tidak tegas
Sensitif
Mandiri
Melankolis
Kholeris
Contoh data pelatihan awal dapat dilihat pada Tabel 1, sedangkan hasil reduksi sinonim dan
antonim dapat dilihat pada Tabel 2. Dalam Tabel 1 terdapat kumpulan fitur data pelatihan
awal, yaitu : optimis, mandiri, agresif, tidak tegas, malas, egois, bersahabat, tegas, tenang,
lamban.
Dalam Tabel 2, sebagai hasil reduksi sinonim dan antonim kumpulan fitur data pelatihan awal
menjadi: optimis, mandiri, agresif, tidak tegas, malas, egois, bersahabat, tegas, tenang,
lamban. Pada Tabel 1 data ke 1 terdapat kata negasi “tidak tegas”, kata tersebut akan direduksi
dengan pemanfaatan sinonim dan antonim kata menjadi kata “kabur”. Pada Tabel 2 data ke 1
terdapat kata “malas”, sehingga ketika data ke-3 terdapat kata “lamban” dengan pemanfaatan
sinonim dan antonim kata akan direduksi menjadi kata “malas” karena memiliki makna yang
sama.
Tabel 2 Contoh Data Pelatihan Setelah Reduksi Sinonim dan Antonim
Data
ke-
Sifat
Kepribadian
1
Optimis
Mandiri
Agresif
Kabur
Malas
Kholeris
Phlegmatis
2
Egois
Bersahabat
Optimis
Mandiri
Tegas
Sanguinis
Kholeris
3
Sensitif
Mandiri
Optimis
tegas
Tenang
Melankolis
Kholeris
4
Mandiri
Optimis
Agresif
Kabur
Malas
Kholeris
Phlegmatis
5
Bersahabat
Optimis
Mandiri
Kabur
Malas
Sanguinis
Kholeris
6
Optimis
Agresif
Kabur
Sensitif
Mandiri
Melankolis
Kholeris
C. Seleksi Fitur dengan Informasi Mutual
Informasi mutual berguna untuk menghilangkan sifat yang beririsan hampir di semua
kepribadian, sehingga kata tersebut tidak dapat dijadikan acuan untuk menentukan kepribadian
seseorang, hal ini ditentukan berdasarkan perhitungan bobot tertinggi dari setiap temperamen.
Tabel 3 Kumpulan fitur hasil seleksi fitur
Kumpulan Fitur
Kemunculan
P(X)
P(X|Y)
KP
SK
MK
KP
SK
MK
KP
SK
MK
Optimis
2
2
2
0.33
0.33
0.33
0.33
0.33
0.33
Mandiri
2
2
2
0.33
0.33
0.33
0.33
0.33
0.33
Agresif
2
0
1
0.33
0.33
0.33
0.67
0.00
0.33
Kabur
2
1
1
0.33
0.33
0.33
0.50
0.25
0.25
Malas
2
1
0
0.33
0.33
0.33
0.67
0.33
0.00
Egois
0
1
0
0.33
0.33
0.33
0.00
1.00
0.00
Bersahabat
0
2
0
0.33
0.33
0.33
0.00
1.00
0.00
Sensitif
0
0
2
0.33
0.33
0.33
0.00
0.00
1.00
Tegas
0
1
1
0.33
0.33
0.33
0.00
0.50
0.50
Tenang
0
0
1
0.33
0.33
0.33
0.00
0.00
1.00
Tabel 4 Kumpulan fitur hasil seleksi fitur
Kumpulan Fitur
H(X)
H(X|Y)
I(X|Y)
KP
SK
MK
KP
SK
MK
Optimis
1.585
0.918
0.918
0.918
0.667
0.667
0.667
Mandiri
1.585
0.918
0.918
0.918
0.667
0.667
0.667
Agresif
1.585
0.918
0
0.918
0.667
1.585
0.667
Kabur
1.585
1
0.811
0.811
0.585
0.774
0.774
Malas
1.585
0.918
0.918
0
0.667
0.667
1.585
Egois
1.585
0
0
0
1.585
1.585
1.585
Bersahabat
1.585
0
0
0
1.585
1.585
1.585
Sensitif
1.585
0
0
0
1.585
1.585
1.585
Tegas
1.585
0
1
1
1.585
0.585
0.585
Tenang
1.585
0
1
0
1.585
0.585
1.585
Keterangan :
KP (Kholeris Phlegmatis), SK (Sanguinis Kholeris), MK (Melankolis Kholeris). Pada Tabel 3,
kolom kumpulan fitur berasal dari kata sifat yang terkumpul dari data pelatihan pada Tabel 2
yang kemunculannya akan dihitung dan disimpan seperti pada kolom kemunculan.
Dari hasil perhitungan I(X|Y) pada Tabel 4 dari sifat yang diambil dari kepribadian KP, yaitu :
egois, bersahabat, sensitif, tegas, dan tenang. Sifat yang diambil dari kepribadian SK, yaitu:
agresif, kabur, egois, bersahabat, sensitif. Sifat yang diambil dari kepribadian MK, yaitu:
malas, egois, bersahabat, sensitif, dan tenang. Sedangkan kata “optimis” dan “mandiri”
tereduksi oleh seleksi fitur mutual information karena memiliki nilai I(X|Y) terendah di setiap
kepribadian. Kata sifat yang akan dibentuk model pada tahap selanjutnya adalah agresif,
kabur, malas, egois, bersahabat, sensitif, tegas, dan tenang.
Contoh perhitungan untuk Tabel 3 dan Tabel 4:
P(X) KP = 2 (kemunculan kepribadian KP pada Tabel 3) / 6 (jumlah seluruh data pelatihan
pada Tabel 2) = 0.33
P(X|Y) KP|optimis = 2 (kemunculan optimis di class KP) / 3 (jumlah kemunculan kata optimis
di semua kepribadian) = 0.67
H(X) = − ∑ pi log2 pi
= -((P(X) KP log2 P(X) KP) + (P(X) SK log2 P(X) SK) + (P(X) MK log2 P(X) MK))
= -((0.33 log2 0.33) + (0.33 log2 0.33) + (0.33 log2 0.33))
= -(-1.585)
= 1.585
H(X|Y) KP|optimis = − ∑ pi log2 pi
= -((P(X) KP log2 P(X) KP) + (1-P(X) KP log2 1-P(X) KP))
= -(0.33 log2 0.33) + (0.67 log2 0.67)
= 0.918
I(X|Y) KP|optimis = H(X) - H(X|Y) KP|optimis
= 1.585 - 0.918
= 0.667
D. Pembentukan Model
Pada tahap ini kumpulan karakter yang sudah diseleksi akan dimodelkan dengan
menggunakan algoritma Naïve Bayes. Tabel 5 dan Tabel 6 menunjukkan contoh hasil model
Naïve Bayes yang dibentuk. Model ini berdasarkan dari Tabel 2, keterangan “1” berarti
terdapat kemunculan sedangkan “0” berarti tidak ada kemunculan.
Tabel 5 Kumpulan fitur hasil seleksi fitur
Agresif
Sensitif
Kabur
Malas
Kepribadian
1
0
1
1
Kholeris Phlegmatis
0
0
0
0
Sanguinis Kholeris
0
1
0
0
Melankolis Kholeris
1
0
1
1
Kholeris Phlegmatis
0
0
1
1
Sanguinis Kholeris
1
1
1
0
Melankolis Kholeris
Tabel 6 Kumpulan fitur hasil seleksi fitur
Egois
Bersahabat
Tegas
Tenang
Kepribadian
0
0
0
0
Kholeris Phlegmatis
1
1
1
0
Sanguinis Kholeris
0
0
1
1
Melankolis Kholeris
0
0
0
0
Kholeris Phlegmatis
0
1
0
0
Sanguinis Kholeris
0
0
0
0
Melankolis Kholeris
E. Pengujian
Pada tahap ini akan dilakukan pengujian dengan cara: pengguna akan memasukkan 50 sifat
gambaran diri, kemudian aplikasi akan melakukan klasifikasi berdasarkan model yang telah
dihasilkan. Contoh proses pengujian dapat dilihat pada Tabel 7. Selanjutnya kata-kata sifat
tersebut akan direduksi dengan pemanfaatan sinonim dan antonim kata. Setelah itu akan
dimodelkan dengan menggunakan model seperti pada Tabel 5 dan Tabel 6. Kemudian akan
dihitung nilai bobotnya dan akan diambil bobot tertinggi seperti pada Tabel 8. Tabel 7
menunjukkan contoh klasifikasi data untuk melakukan pengujian.
Tabel 7 Contoh Data Pengujian
Sifat
Hasil
tidak
tegas
percaya
diri
lamban
agresif
sensitif
?
Tabel 8 menunjukkan contoh hasil pengujian yang diperoleh untuk contoh pengujian data pada
Tabel 7. Kata percaya diri pada contoh data pengujian di Tabel 7 tidak dihitung karena kata
percaya diri tidak ada dalam model yang sudah dibentuk. Dari pengujian diperoleh bobot
tertinggi untuk kelas tujuan temperamen Kholeris Phlegmatis dengan nilai akhir 0.0144.
Tabel 8 Tabel Hasil Pengujian
Kelas Tujuan
Kabur
Malas
Agresif
Sensitif
Peluang
Hasil
Kholeris Phlegmatis
0.6
0.6
0.6
0.2
0.333
0.0144
Sanguinis Kholeris
0.4
0.4
0.2
0.2
0.333
0.0021
Melankolis Kholeris
0.4
0.2
0.4
0.6
0.333
0.0064
Contoh perhitungan :
p(H|D) Kholeris Phlegmatis|kabur
= (2 (kemunculan kata kabur di kepribadian KP pada Tabel 2) + 1(laplacian untuk mencegah
nilai akhir menjadi 0)) / (2 (kemunculan kepribadian KP di data pelatihan pada Tabel 2) +
3(jumlah jenis kepribadian pada data pelatihan, yaitu KP,SK,MK))
= 3 / 5
= 0.6
Peluang Kepribadian
= 2 (kemunculan kepribadian KP di data pelatihan pada Tabel 2) / 6(jumlah data pelatihan)
= 0.33
Hasil Kholeris Phlegmatis
= 0.6(Kabur) x 0.6(Malas) x 0.6(Agresif) x 0.2(Sensitif) x 0.33(Peluang Kepribadian)
= 0.0144
4. Hasil Penelitian
A. Evaluasi Hasil Pengujian
Pada evaluasi hasil pengujian ini, dibandingkan tingkat akurasi beberapa skenario pengujian.
Tabel 9 menunjukkan perbandingan akurasi setiap pengujian pada aplikasi Deteksi
Kepribadian. Dari hasil pengujian dapat dilihat bahwa tingkat akurasi rata-rata untuk 5-folds
cross validation pada top-1 sebesar 58%, sedangkan apabila fungsi seleksi fitur dihilangkan
akan menurunkan tingkat akurasi aplikasi menjadi 40%. Hal ini dikarenakan oleh tidak adanya
reduksi kata dalam pembentukkan model, sehingga banyak kata sifat yang beririsan antar
class.
Tabel 9 Perbandingan Tingkat Akurasi Hasil Pengujian
Jenis Pengujian
Tingkat Akurasi
Top-1
Top-2
Top-3
Rata-rata untuk 5 folds
cross validation
58%
85%
93%
Tidak menggunakan
seleksi fitur
40%
75%
85%
Tidak menggunakan
pemanfaatan sinonim
kata
65%
90%
100%
Tidak menggunakan
pemanfaatan antonim
kata
65%
90%
100%
Tidak menggunakan
pemanfaatan sinonim
dan antonim kata
70%
85%
100%
4 class tujuan
30%
-
-
Total irisan kata pengujian dengan model tidak berpengaruh terhadap hasil pengujian karena
perbedaan bobot perhitungan kata sifat antar kelas. Untuk pengujian yang tidak menggunakan
pemanfaatan sinonim kata, antonim kata, meningkatkan akurasi 7-10% pada aplikasi. Hal ini
dikarenakan pemanfaatan sinonim dan antonim kata dapat mengurangi variasi kata sifat yang
dibentuk ke model, sehingga saat pengujian dapat mengurangi bobot dalam kelas tertentu.
Pengujian dengan 4 kelas tujuan memiliki tingkat akurasi yang sangat rendah, sebesar 30%.
Hal ini dikarenakan model yang terbentuk memiliki kata-kata sifat yang beririsan dan muncul
dalam semua kelas tujuan klasifikasi sehingga perhitungan bobot kata tidak optimal.
B. Evaluasi Pengujian Kepuasan Pengguna Aplikasi Dengan Pembagian Kuisioner
Evaluasi pengujian kepuasan pengguna dilakukan dengan membagikan kuisioner kepada 20
responden remaja di gereja GKI Anugerah. Nilai kepuasan pengguna tersebut dapat dilihat
pada Tabel 10. Contoh Perhitungan dari “aplikasi mudah digunakan” adalah sebagai berikut:
Hasil = ((6 x 3) + (12 x 4) + (2 x 5)) / 100 x 100% = 76%
Nilai Kepuasan = 76% + 64% + 82% + 60% + 78% = 72 %.
Tabel 10. Perhitungan kepuasan pengguna
No
Pertanyaan
Hasil
STP
TP
N
P
SP
1
Aplikasi Mudah Digunakan
76%
0
0
6
12
2
2
Pemrosesan data dilakukan dengan cepat
64%
0
2
12
6
0
3
Informasi yang disajikan mudah dimengerti
82%
0
0
2
14
4
4
Aplikasi menghasilkan informasi yang akurat
60%
0
0
14
6
0
5
Tingkat kepuasan dengan manfaat aplikasi
78%
0
0
6
10
4
Nilai Kepuasan
72%
Keterangan: STP (Sangat Tidak Puas) dengan point 1, TP (Tidak Puas) dengan nilai 2, N
(Netral) dengan nilai 3, P (Puas) dengan nilai 4, SP (Sangat Puas) dengan nilai 5.
C. Evaluasi Pakar Psikologi
Menurut pakar psikologi pada gereja GKI Anugerah, pembuatan aplikasi ini sudah cukup baik
dimana waktu proses aplikasi kurang lebih sekitar 1 menit, dibandingkan dengan cara manual
yang membutuhkan waktu lebih lama. Sangat disayangkan untuk rata-rata top-1 hasil
pengujian aplikasi deteksi kepribadian pada Tabel 9 dengan 5-folds cross validation hanya
memiliki akurasi 58%, sedangkan pengujian tidak menggunakan pemanfaatan sinonim dan
antonim kata memiliki hasil lebih baik dengan akurasi 70%. Nilai akurasi kecil mungkin
disebabkan data pelatihan yang kurang banyak. Menurut pakar psikologi aplikasi dapat
digunakan apabila akurasi paling kecil mencapai nilai 90%.
5. Kesimpulan
Bagian ini berisi kesimpulan dan saran dari aplikasi deteksi kepribadian.
A. Kesimpulan
Kesimpulan dari penelitian aplikasi deteksi kepribadian, yaitu sebagai berikut:
1. Aplikasi dapat mengklasifikasi temperamen seseorang dengan waktu kurang lebih sekitar 1
menit dengan tingkat akurasi 58%. Menurut pakar psikologi tingkat akurasi seharusnya
paling kecil mencapai 90% agar aplikasi dapat digunakan. Dengan memperhatikan hasil
eksperimen ini, maka peran psikolog dalam penilaian temperamen masih sangat diperlukan.
Meskipun demikian, model yang terbentuk telah dapat digunakan sebagai pendukung atau
sebagai hasil awal evaluasi kepribadian.
2. Pemanfaatan sinonim dan antonim kata tidak meningkatkan akurasi dalam penentuan
temperamen pada Tabel 19 karena rata-rata hasil pengujian aplikasi top-1 dengan 5 folds
cross validation memiliki akurasi 58% sedangkan top-1 pengujian tidak menggunakan
pemanfaatan sinonim dan antonim kata memiliki akurasi 70%.
B. Saran
Saran dari penelitian aplikasi deteksi kepribadian, yaitu sebagai berikut:
1. Pemanfaatan sinonim dan antonim kata dapat tidak digunakan untuk meningkatkan akurasi.
2. Dapat dicoba penggunaan metode atau algoritma lain disertai penambahan data pelatihan
sehingga dapat meningkatkan hasil akurasi aplikasi dekteksi kepribadian.
Daftar Pustaka
Bose, R. (2008). Information theory, coding and cryptography. Tata McGraw-Hill Education.
Das, K. N., Deep, K., Pant, M., Bansal, J. C., & Nagar, A. (Eds.). (2014). Proceedings of
Fourth International Conference on Soft Computing for Problem Solving: SocProS 2014 (Vol.
1). Springer.
Jensen, R., & Shen, Q. (2008). Computational intelligence and feature selection: rough and
fuzzy approaches (Vol. 8). John Wiley & Sons.
Joyce, D. (2010). Essentials of temperament assessment (Vol. 71). John Wiley & Sons.
Junior, A. (2010). Smart in Personality. Jakart: Gagas Media.
Lahaye, T. (1999). Hubungan Antara Temperamen dan Karunia Rohani. Jakarta: Metanoia,
Publishing.
Roebuck, K. (2012). Application Portfolio Management (APM): High-impact Strategies-What
You Need to Know: Definitions, Adoptions, Impact, Benefits, Maturity, Vendors. Emereo
Publishing.
Silva, C., & Ribeiro, B. (2009). Inductive Inference for Large Scale Text Classification:
Kernel Approaches and Techniques (Vol. 255). Springer.
Millon, T., Krueger, R. F., & Simonsen, E. (Eds.). (2011). Contemporary directions in
psychopathology: Scientific foundations of the DSM-V and ICD-11. Guilford Press.
Winarto, Andreas Tri, & Santoso, Yudi. (2010). Finding Your Soulmate. Yogyakarta: Andi.
Downey, A. (2013). Think Bayes. " O'Reilly Media, Inc.".