2.4.3.3 Revise Meninjau
Mengadaptasi solusi untuk menyelesaikan masalah baru. Terdapat dua tugas utama dari tahapan ini yaitu:
a. Evaluasi solusi, yaitu bagaimana hasil yang didapatkan setelah membandingkan solusi dengan keadaan yang sebenarnya.
b. Memperbaiki kesalahan suatu kasus meliputi pengenalan kesalahan dari solusi yang dibuat dan mengambil penjelasan tentang kesalahan tersebut.
2.4.3.4 Retain Mempertahankan
Proses retain yaitu mempertahankan solusi baru setelah di validasi, yang mungkin berguna untuk memecahkan masalah di kasus yang akan datang Ernawati, et al.,
2012.
2.5 Penerapan Algoritma
K-Nearest Neighbor Pada Metode Case Based Reasoning
Algoritma k-nearest neighbor KNN merupakan sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat
dengan objek tersebut. KNN termasuk algoritma supervised learning dimana hasil dari query instance yang baru diklasifikan berdasarkan mayoritas dari kategori pada
KNN. Algoritma k- nearest neighbor menggunakan klasifikasi ketetanggaan neighbor sebagai nilai prediksi dari query instance yang baru.
Ketepatan algoritma K-Nearest Neighbor sangat dipengaruhi oleh ada atau tidaknya fitur-fitur yang tidak relevan atau jika bobot fitur tersebut tidak setara
dengan relevansinya terhadap klasifikasi. Riset terhadap algoritma ini sebagian besar membahas bagaimana memilih dan memberi bobot terhadap fitur agar performa
klasifikasi menjadi lebih baik Alfarisi, et al., 2013. K-Nearest Neighbor adalah algoritma untuk mencari kasus dengan
menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot. Misalkan diinginkan untuk mencari solusi terhadap sebuah tipe
Universitas Sumatera Utara
kepribadian baru dengan menggunakan solusi dari tipe kepribadian yang terdahulu. Untuk mencari kasus tipe kepribadian mana yang akan digunakan, maka dihitung
kedekatan kasus ciri kepribadian baru dengan kasus semua ciri kepribadian lama. Kasus tipe kepribadian lama dengan kedekatan terbesarlah yang akan diambil
solusinya untuk digunakan pada kasus tipe kepribadian baru.
Gambar 2.3 Ilustrasi Kedekatan Kasus K-Nearest Neighbor Ernawati, 2012
Seperti tampak pada gambar 2.3 ada dua ciri kepribadian A dan B, ketika ada ciri kepribadian baru, maka tipe kepribadian yang akan diambil adalah ciri
kepribadian terdekat dari ciri kepribadian baru. Seandainya d1 adalah kedekatan antara ciri kepribadian baru dan ciri kepribadian A, sedangkan d2 adalah kedekatan
antara ciri kepribadian baru dengan ciri kepribadian B. Karena d2 lebih dekat dari d1, maka tipe kepribadian B lah yang akan digunakan.
Langkah-langkah menghitung metode nearest neighbor adalah: 1. Menentukan nilai kemiripan antara kasus yang lama dengan kasus yang baru.
2. Melakukan pembobotan yang telah diberikan oleh pakar. 3. Menghitung nilai kemiripan similarity dengan bobot yang telah diberikan.
Rumus untuk menghitung bobot kemiripan similarity dengan nearest neighbor adalah:
wn .....
w2 w1
...... 2
2 1
1 ,
wn sn
w s
w s
S T
Similarity
dimana: S = similarity nilai kemiripan yaitu 1 sama dan 0 beda
W = weight bobot yang diberikan.
Universitas Sumatera Utara
2.6 Konsep Kepribadian