ABSTRAK
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. Penentuan temperamen di GKI Anugerah
masih dilakukan secara manual dengan membagikan kuisioner sehingga membutuhkan waktu yang lama. Oleh karena itu, akan dibuat sebuah aplikasi deteksi kepribadian berbasis desktop. Aplikasi tersebut dapat menentukan temperamen yang dimiliki seseorang dengan pengelompokkan menggunakan teori Hippocrates. Aplikasi ini 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. Aplikasi dibuat dengan menggunakan bahasa
pemrograman JAVA dan perangkat lunak Netbeans. Pengujian aplikasi menggunakan 100 data. Pengujian aplikasi dengan menggunakan 5 folds cross
validation menghasilkan tingkat akurasi sebesar 58%, sedangkan pengujian
aplikasi yang tidak menggunakan pemanfaatan sinonim dan antonim kata menghasilkan tingkat akurasi sebesar 70%.
ABSTRACT
Human relations are often impaired due to personality differences. Personality types basically have similarities and differences that have been grouped by Hippocrates theory. Hippocrates theory divide personality types into 4 groups : Sanguine, Choleric, Melancholy, and Phlegmatic. The determination of temperament in GKI Anugerah still done manually by filling a questionnaire, so it takes a long time. Therefore, desktop-based detection personality application is proposed. The application can determine the temperament of a person by using the temperament’s group of theory Hippocrates. This application is used to analyze the personality of a person's self-image is based on 50 characters entered by the user by using Naïve Bayes machine learning algorithm and the use of synonyms and antonyms of words. The application also uses mutual information feature selection method for reducing the word. Applications is created by using JAVA programming language and Netbeans software. Testing of the application using 100 sample. Testing of the applications by using 5 folds cross validation produces an accuracy rate of 58% and testing of an application that does not use synonyms and antonyms of words produces an accuracy rate of 70%.
DAFTAR ISI
LEMBAR PENGESAHAN ... i
PRAKATA ... ii
PERNYATAAN PUBLIKASI LAPORAN PENELITIAN ... iv
PERNYATAAN ORISINALITAS LAPORAN PENELITIAN ... v
ABSTRAK ... vi
DAFTAR KODE PROGRAM ... xvi
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 2
1.3 Tujuan ... 2
1.4 Batasan Masalah ... 2
1.5 Sistematika Pembahasan ... 3
BAB II LANDASAN TEORI ... 4
2.1 Temperamen ... 4
2.2 Teori Hippocrates ... 4
2.3 Pembelajaran Mesin Naïve Bayes ... 5
2.4 Temu Balik Informasi ... 5
2.5 Seleksi Fitur Mutual Information ... 6
2.6 Jsoup ... 6
BAB III ANALISIS DAN DISAIN ... 7
3.1 Analisis ... 7
3.1.1 Pelatihan ... 8
3.1.2 Seleksi Fitur Mutual Information ... 10
3.1.3 Membentuk Model ... 12
3.1.4 Pengujian ... 13
3.2.1 Persyaratan Antarmuka Eksternal ... 14
3.2.2 Antarmuka dengan Pengguna ... 14
3.2.3 Antarmuka Perangkat Keras ... 14
3.2.4 Antarmuka Perangkat Lunak... 15
3.2.5 Fitur-fitur Produk Perangkat Lunak ... 15
3.3 Disain Perangkat Lunak ... 17
3.3.1 Pemodelan Perangkat Lunak ... 17
3.3.2 Disain Penyimpanan Data ... 24
3.3.3 Disain Antarmuka ... 26
BAB IV PENGEMBANGAN PERANGKAT LUNAK ... 29
4.1 Implementasi Modul ... 29
4.1.1 Implementasi Class Diagram ... 29
4.1.2 Implementasi Method dan Kode Program ... 36
4.2 Implementasi Antarmuka ... 37
4.2.1 Implementasi Form Menu Utama ... 37
4.2.2 Implementasi Form Pelatihan ... 38
4.2.3 Implementasi Form Uji Kepribadian ... 39
BAB V PENGUJIAN DAN EVALUASI SISTEM ... 40
5.1 Pengujian 5 Folds Cross Validation ... 40
5.2 Pengujian Tidak Menggunakan Seleksi Fitur Mutual Information ... 43
5.3 Pengujian Tidak Menggunakan Pemanfaatan Sinonim Kata ... 44
5.4 Pengujian Tidak Menggunakan Pemanfaatan Antonim Kata ... 45
5.5 Pengujian Tidak Menggunakan Pemanfaatan Sinonim dan Antonim Kata 45 5.6 Pengujian Dengan 4 Class Tujuan ... 46
5.7 Evaluasi Hasil Pengujian ... 47
5.8 Evaluasi Pengujian Kepuasan Pengguna Aplikasi Dengan Pembagian Kuisioner ... 48
5.9 Evaluasi Pakar Psikologi ... 49
BAB VI KESIMPULAN DAN SARAN ... 50
6.1 Kesimpulan ... 50
DAFTAR GAMBAR
Gambar 3.1 Alur analisis... 7
Gambar 3.2 Use Case Diagram ... 18
Gambar 3.3 Activity Diagram Kelola Data Pelatihan ... 20
Gambar 3.4 Activity Diagram Tambah Data Pelatihan ... 21
Gambar 3.5 Activity Diagram Periksa Sinonim dan Antonim Kata ... 22
Gambar 3.6 Activity Diagram Uji Kepribadian ... 23
Gambar 3.7 Activity Diagram Seleksi Fitur dan Bentuk Model ... 24
Gambar 3.8 Rancangan ERD Aplikasi Deteksi Kepribadian... 25
Gambar 3.9 Disain antarmuka Menu Utama... 26
Gambar 3.10 Disain antarmuka Form Pelatihan ... 27
Gambar 3.11 Disain antarmuka Form Uji Kepribadian ... 28
Gambar 4.1 Class Diagram aplikasi Deteksi Kepribadian ... 29
Gambar 4.2 Class TestKepribadianUI ... 30
Gambar 4.3 Class Bayes ... 30
Gambar 4.4 Class PeluangBayes ... 31
Gambar 4.5 Class TrainingUI ... 31
Gambar 4.6 Class TrainingDAO ... 32
Gambar 4.7 Class CompareIXY ... 32
Gambar 4.8 Class Sifat ... 32
Gambar 4.9 Class FiturMI ... 33
Gambar 4.10 Class Fitur ... 33
Gambar 4.11 Class Kepribadian ... 34
Gambar 4.12 Class KepribadianSifat ... 34
Gambar 4.13 Class SifatSinonim ... 35
Gambar 4.14 Class Sinonim ... 35
Gambar 4.15 Class MutualInformation ... 35
Gambar 4.16 Form Menu Utama ... 38
Gambar 4.17 Form Pelatihan ... 38
DAFTAR TABEL
Tabel 3.1 Contoh Data Pelatihan Awal ... 9
Tabel 3.2 Contoh Data Pelatihan Setelah Reduksi Sinonim dan Antonim ... 9
Tabel 3.3 Contoh Hasil Seleksi Fitur dengan Mutual Information ... 11
Tabel 3.4 Contoh Model Naïve Bayes... 12
Tabel 3.5 Contoh pengujian data ... 13
Tabel 3.6 Contoh hasil pengujian... 13
Tabel 3.7 Deskripsi kelola data pelatihan ... 15
Tabel 3.8 Deskripsi tambah data pelatihan ... 15
Tabel 3.9 Deskripsi uji kepribadian ... 16
Tabel 3.10 Deskripsi periksa sinonim dan antonim kata ... 16
Tabel 3.11 Deskripsi seleksi fitur dan bentuk model ... 17
Tabel 3.12 Skenario kelola data pelatihan ... 18
Tabel 3.13 Skenario tambah data pelatihan ... 18
Tabel 3.14 Skenario periksa sinonim dan antonim kata ... 19
Tabel 3.15 Skenario uji kepribadian ... 19
Tabel 3.16 Skenario seleksi fitur dan bentuk model ... 19
Tabel 3.17 Tabel Kepribadian ... 25
Tabel 3.18 Tabel Sifat ... 25
Tabel 3.19 Tabel Relasi Kepribadian dan Sifat ... 25
Tabel 3.20 Tabel Sinonim ... 26
Tabel 3.21 Tabel Relasi Sifat dan Sinonim ... 26
Tabel 5.1 Hasil pengujian fold 1 untuk data ke 1-20 ... 40
Tabel 5.2 Hasil pengujian fold 2 untuk data ke 21-40 ... 41
Tabel 5.3 Hasil pengujian fold 3 untuk data ke 41-60 ... 41
Tabel 5.4 Hasil pengujian fold 4 untuk data ke 61-80 ... 42
Tabel 5.5 Hasil pengujian fold 5 untuk data ke 81-100 ... 43
Tabel 5.6 Hasil pengujian tidak menggunakan seleksi fitur mutual information . 43 Tabel 5.7 Hasil pengujian tidak menggunakan pemanfaatan sinonim kata ... 44
Tabel 5.8 Hasil pengujian tidak menggunakan pemanfaatan antonim kata ... 45
DAFTAR SIMBOL
Jenis Notasi/Lambang Nama Arti
Use Case Use Case
Use case digambarkan
sebagai lingkaran elips
dengan nama use case
dituliskan didalam elips
tersebut.
Use Case Actor
Actor adalah pengguna
sistem. Actor tidak
terbatas hanya manusia
saja, jika sebuah sistem
berkomunikasi dengan
aplikasi lain dan
membutuhkan input atau
memberikan output,
maka aplikasi tersebut
juga bisa dianggap
sebagai actor.
Use Case Association
Association
menunjukkan hubungan
statis antar dua class.
ERD Entity
berhubungan satu sama
Jenis Notasi/Lambang Nama Arti
ERD Garis (line)
Digunakan untuk
menghubungkan entity
dengan relasi/hubungan,
maupun entity dengan
DAFTAR KODE PROGRAM
Kode Program 3.1 Algoritma pemanfaatan sinonim dan antonim kata ... 8
Kode Program 4.1 Kode Program Pencarian Antonim Kata ... 36
Kode Program 4.2 Kode Program Pencarian Sinonim Kata ... 37
Kode Program 4.3 Kode Program Sorting Hasil Seleksi ... 37
1.
BAB I
PENDAHULUAN
Pada bab ini akan dijelaskan mengenai latar belakang permasalahan, rumusan masalah, tujuan, batasan masalah, dan sistematika pembahasan untuk aplikasi deteksi kepribadian.
1.1 Latar Belakang
Hubungan antar manusia sering kali mengalami gangguan karena perbedaan kepribadian. Tipe-tipe kepribadian atau temperamen pada dasarnya memiliki kesamaan dan perbedaan yang sudah dikelompokkan oleh teori Hippocrates. Teori Hippocrates mengelompokkan temperamen seseorang menjadi 4 bagian, diantaranya yaitu : Sanguinis, Kholeris, Melankolis, dan Phlegmatis. (Lahaye, 1999)
Pada penelitian ini data pelatihan dan pengujian diperoleh dari pakar
psikolog GKI Anugerah. Penentuan kepribadian anak remaja di GKI Anugerah
masih dilakukan dengan membagikan kuisioner oleh pakar psikolog. Kuisioner yang sudah diisi akan dikumpulkan kembali untuk dinilai temperamen yang dimiliki anak tersebut, sehingga membutuhkan waktu yang lama. Kendala yang dihadapi pada saat penentuan temperamen yaitu belum adanya sebuah sistem yang dapat menentukan temperamen seseorang secara cepat dan akurat.
2
1.2 Rumusan Masalah
Berdasarkan latar belakang masalah, maka dapat diangkat beberapa rumusan masalah sebagai berikut:
1. Apakah aplikasi dapat mengklasifikasi temperamen seseorang dengan cepat dan akurat?
2. Apakah pemanfaatan sinonim dan antonim kata dapat meningkatkan akurasi dalam penentuan temperamen?
1.3 Tujuan
Tujuan Tugas Akhir ini adalah untuk membangun sebuah aplikasi desktop yang dapat:
1. Aplikasi dapat mengklasifikasi temperamen seseorang dengan cepat dan akurat.
2. Pemanfaatan sinonim dan antonim kata dapat meningkatkan akurasi dalam penentuan temperamen.
1.4 Batasan Masalah
Batasan masalah yang terdapat dalam pembuatan aplikasi Deteksi Kepribadian ini adalah sebagai berikut:
1. Aplikasi ini digunakan untuk menentukan temperamen seseorang berdasarkan 50 sifat gambaran diri yang diinputkan oleh pengguna dengan menggunakan metode pembelajaran mesin Naïve Bayes serta pemanfaatan sinonim dan antonim kata, kemudian aplikasi akan menghasilkan output berupa temperamen.
2. Aplikasi ini mengelompokkan temperamen manusia berdasarkan teori Hippocrates.
3. Atribut awal dari data pelatihan yang digunakan dalam aplikasi ini merupakan sifat-sifat karakter umum yang dimiliki oleh seseorang.
3
1.5 Sistematika Pembahasan
Sistematika laporan yang dipergunakan dalam Tugas Akhir ini adalah: BAB I PENDAHULUAN
Bab ini berisi uraian garis besar yang meliputi latar belakang, perumusan masalah, tujuan, dan batasan masalah yang mengawali pembuatan aplikasi Deteksi Kepribadian.
BAB II LANDASAN TEORI
Bab ini berisi dasar-dasar teori yang digunakan dalam pembuatan aplikasi Deteksi Kepribadian.
BAB III ANALISIS DAN DISAIN
Bab ini berisi arsitektur perangkat lunak yang digunakan, termasuk penggunaan sistem secara keseluruhan dalam pembuatan aplikasi Deteksi Kepribadian.
BAB IV PENGEMBANGAN PERANGKAT LUNAK
Bab ini berisi modul-modul yang digunakan pada aplikasi Deteksi Kepribadian, serta hubungan antar modul.
BAB V TESTING DAN EVALUASI SISTEM
Bab ini berisi laporan mengenai pengujian terhadap aplikasi Deteksi Kepribadian yang telah diselesaikan.
BAB VI KESIMPULAN DAN SARAN
6.
BAB VI
KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dan saran dari aplikasi deteksi kepribadian.
6.1 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 (Bab 5.9), tingkat akurasi seharusnya paling kecil mencapai 90% agar aplikasi dapat digunakan.
2. Pemanfaatan sinonim dan antonim kata tidak meningkatkan akurasi dalam penentuan temperamen (Bab 5.7) pada Tabel 5.11 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%.
6.2 Saran
Saran dari penelitian aplikasi deteksi kepribadian, yaitu sebagai berikut :
1. Pemanfaatan sinonim dan antonim kata dapat tidak digunakan untuk meningkatkan akurasi (Bab 5.7).
DAFTAR PUSTAKA
B.Downey, A. (2012). Think Bayes.
Bose, R. (2008). Information Theory, Coding and Cryptography. West Patel Nagar: Tata McGraw-Hill.
Das, K. N., Deep, K., Pant, M., Nagar, A., & Bansal, J. C. (2014). Proceedings of
Fourth International Conference on Soft Computing For Problem Solving.
New York.
Jensen, R. (2008). Computational Methods of Feature Selection. Hoboken: John Wiley.
Joyce, D. (2010). Essentials of Temperament Assessment. Hoboken: John Wiley. Junior, A. (2010). Smart in Personality. Jakarta: GagasMedia.
Lahaye, D. T. (1999). Hubungan Antara Temperamen dan Karunia Rohani. Jakarta: Metanoia Publishing.
Roebuck, K. (2012). Mashups. Tebbo.
Shyue, L., Wang, L., J.June, J., Hong Lee, C., & Okuhara, K. (2014).
Multidisciplinary Social Networks Research. Kaohsiung.
Silva, C. (2010). Inductive Inference for Large Scale Classification. New York: Springer.
Simonsen, E. (2010). Contemporary Direcyions in Psyhopathology. New York: Guilford.
T.Hrista, F. (2013). The Naive Bayes Model for Unsupervised Word Sense Disambiguation Aspects Concecrning Feature Selection. Bucharest, Romania.
Wang, R. (2008). Advances in Cognitive Neurodynamics. Springer. Ward, J. (2013). Instant PHP Web Scraping. Birmingham: Packt.
