BAB 2 TINJAUAN PUSTAKA 2.1 Konsep Dasar Interaksi Manusia dan Komputer - Penentuan Tipe Kepribadian Berbasis Android dengan Metode Case Based Reasoning (CBR)

BAB 2 TINJAUAN PUSTAKA

2.1 Konsep Dasar Interaksi Manusia dan Komputer

  Seseorang yang bekerja dengan komputer, akan melakukan interaksi dengan komputer. Cara yang lazim digunakan adalah pengguna memberikan suatu perintah kepada komputer dan komputer menanggapi dengan mencetak atau menulis tanggapan tersebut pada layar monitor. Agar pengguna dan komputer dapat saling berinteraksi diperlukan suatu media yang memungkinkan interaksi tersebut dapat berlangsung.

  Menurut Santosa (1997) dalam Khoiruddin (2011) kita sering mendengar istilah WYSIWYG (What You See Is What You Get). Kemudian timbul pertanyaan “Sebenarnya apa yang dimaksud dengan istilah ramah dengan pengguna, WYSIWY

  G?”. Istilah ramah dengan pengguna digunakan untuk menunjuk kemampuan yang dimiliki oleh perangkat lunak atau program yang mudah dioperasikan, dan mempunyai sejumlah kemampuan lain sehingga pengguna merasa betah dalam pengoperasian program tersebut.

  Beberapa hal interaksi manusia dan komputer: a. Antarmuka Grafis (Graphical User Interface)

  Graphical User Interface (GUI) adalah suatu antarmuka yang memanfaatkan

  berbagai macam gambar untuk melakukan komunikasi atau berdialog dengan komputer. Untuk mendapatkan suatu predikat “ramah-tamah dengan pengguna” maka antarmuka berbasis grafis tersebut harus mempunyai antarmuka yang bagus, mudah dipelajari dan mudah dioperasikan oleh pengguna. b.

  Ragam Dialog Ragam dialog merupakan cara yang digunakan untuk mengorganisasikan berbagai teknik dialog. Antarmuka yang menggunakan berbagai teknik dialog pada dasarnya adalah untuk mendapatkan suatu kriteria yang sangat penting dalam mengoperasikan sebuah program aplikasi, yaitu aspek ramah dengan pengguna. Ragam dialog yang digunakan adalah manipulasi langsung (direct

  manipulation ) sehingga aktivitas tersebut akan dikerjakan oleh sistem komputer.

  2.2 Kecerdasan Buatan

  Kecerdasan buatan adalah suatu ilmu yang mempelajari cara membuat komputer melakukan sesuatu seperti yang dilakukan oleh manusia. Kecerdasan buatan (artificial

  

intelligence ) merupakan kawasan penelitian, aplikasi dan instruksi yang terkait

  dengan pemrograman komputer untuk melakukan sesuatu hal, dalam pandangan manusia adalah cerdas. Menurut Rich dan Knight (1991) kecerdasan buatan adalah sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik oleh manusia (Kusrini, 2006).

  Ada tiga tujuan kecerdasan buatan, yaitu : membuat komputer lebih cerdas, mengerti tentang kecerdasan, dan membuat mesin lebih berguna. Yang dimaksud kecerdasan adalah kemampuan untuk belajar atau mengerti dari pengalaman, memahami pesan yang kontradiktif dan ambigu, menanggapi dengan cepat dan baik atas situasi yang baru, menggunakan penalaran dalam memecahkan masalah serta menyelesaikan dengan efektif (Arhami, 2005).

  2.3 Sistem Pakar

  Menurut Martin dan Oxman (1998) dalam Kusrini (2006) sistem pakar adalah sebuah program komputer yang mencoba meniru atau mensimulasikan pengetahuan (knowledge) dan ketrampilan (skill) dari seorang pakar pada area tertentu. Pada umumnya pengetahuan sistem pakar berusaha menirukan metodologi dan kinerja dari seorang manusia yang pakar dalam domainnya. Tujuan dari sistem pakar sebenarnya bukan untuk menggantikan peran manusia, tetapi untuk mensubstitusikan pengetahuan manusia ke dalam bentuk sistem sehingga dapat digunakan oleh orang banyak.

  Keuntungan yang didapat dari sistem pakar adalah tidak terbatas karena dapat digunakan kapan pun juga. Pengetahuannya bersifat konsisten, kecepatan untuk memberikan solusi lebih cepat daripada manusia dan biaya yang dikeluarkan sedikit. Berbeda dengan manusia yang membutuhkan istirahat, pengetahuannya bersifat variabel dan dapat berubah-ubah tergantung situasi. Kecepatan untuk menemukan solusi sifatnya bervariasi dan biaya yang harus dikeluarkan untuk konsultasi biasanya mahal (Hartati, et al., 2008).

  Biasanya sistem pakar hanya digunakan untuk memecahkan masalah yang memang sulit untuk dipecahkan dengan pemrograman biasa, mengingat biaya yang diperlukan untuk membuat sistem pakar jauh lebih besar dari pada pembuatan sistem biasa. Ada beberapa alasan mendasar mengapa sistem pakar dikembangkan untuk menggantikan seorang pakar (Kusrini, 2006), di antaranya: 1.

  Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi. Dapat menggantikan tugas-tugas dari pakar hanya dengan sebuah sistem, tanpa harus seorang pakar bekerja ditempat tersebut.

  2. Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar. Bagi para ahli sistem ini dapat digunakan sebagai asisten yang berpengalaman.

  3. Seorang pakar akan pergi atau pensiun. Seorang pakar tidak selamanya dapat bekerja dan memecahkan suatu masalah.

  4. Konsultasi dengan pakar mahal. Semakin banyak data yang diberikan, semakin mahal biaya untuk berkonsultasi.

  5. Sistem pakar dapat digunakan oleh semua orang dimana saja dan kapan saja.

2.3.1 Ciri-Ciri Sistem Pakar

  Berikut ini adalah ciri-ciri sistem pakar (Kusrini, 2006): 1.

  Dapat memberikan penalaran untuk data yang tidak lengkap atau tidak pasti.

  2. Dapat mengemukakan rangkaian alasan yang diberikannya dengan cara yang dapat dipahami. Sistem dapat memberikan alasan atau nasihat yang sederhana dapat dimengerti oleh pengguna.

  3. Berdasarkan pada rule atau kaidah tertentu. Sebuah sistem pakar mempunyai aturan dalam pembuatannya.

  4. Dirancang untuk dapat dikembangkan secara bertahap. Sistem pakar dapat terus dikembangkan sesuai dengan kebutuhan.

  5. Outputnya bersifat nasihat atau anjuran. Keluaran dari aplikasi sistem pakar berisi solusi yang konsisten dan berguna untuk pengguna.

  6. Output tergantung dari dialog dengan user. Keluaran dari sistem tergantung dari apa yang di input oleh user dalam memecahkan suatu masalah.

2.3.2 Keuntungan Sistem Pakar

  Sistem pakar (expert system) merupakan paket perangkat lunak atau paket program komputer yang ditujukan sebagai penyedia nesehat dan sarana bantu dalam memecahkan masalah dibidang-bidang spesialisasi tertentu seperti sains, perekayasaan, matematika, pertanian, kedokteran, dan sebagainya. Berikut ini adalah keuntungan sistem pakar (Kusrini, 2006): 1.

  Membuat seorang yang awam dapat bekerja seperti layaknya seorang pakar.

  Diharapkan dengan sistem ini, orang awam dapat menyelesaikan masalah tertentu baik rumit maupun tidak sekalipun tanpa bantuan dari para ahli dalam bidang tersebut.

  2. Meningkatkan output dan produktivitas. Sistem pakar dapat bekerja lebih cepat dari manusia. Keuntungan ini berarti mengurangi jumlah pekerja yang dibutuhkan, dan akhirnya akan mereduksi biaya.

3. Meningkatkan kualitas. Sistem pakar dapat dikembangkan sesuai dengan kebutuhan user.

  4. Sistem pakar menyediakan nasihat yang konsisten dan dapat mengurangi tingkat kesalahan. Solusi dari sistem pakar berasal dari pakar itu sendiri, sehingga solusi yang diberikan pasti benar.

  5. Membuat peralatan yang kompleks lebih mudah dioperasikan karena sistem pakar dapat melatih pekerja yang tidak berpengalaman. Sistem dapat digunakan oleh semua orang bahkan dapat digunakan karena aplikasinya yang user friendly .

  6. Handal (reliability). Bagi para ahli, sistem pakar dapat sebagai alat bantu untuk membantu tugasnya.

  7. Sistem pakar tidak dapat lelah atau bosan. Juga konsisten dalam memberi jawaban dan selalu memberikan perhatian penuh.

  8. Memiliki kemampuan untuk memecahkan masalah yang kompleks. Sistem

  memiliki basis data yang mampu menampung banyak pengetahuan yang diberikan dari pakar.

2.3.3 Kelemahan Sistem Pakar

  Di samping memiliki beberapa keuntungan, sistem pakar juga memiki beberapa kelemahan (Arhami, 2005), antara lain :

  1. Masalah dalam mendapatkan pengetahuan dimana pengetahuan tidak selalu bisa didapatkan dengan mudah karena kadangkala pakar dari masalah yang dibuat tidak ada, dan kalaupun ada kadang-kadang pendekatan yang dimiliki oleh pakar berbeda-beda walaupun dari bidang yang sama.

  2. Untuk membuat suatu sistem pakar yang benar-benar berkualitas sangatlah sulit dan memerlukan biaya yang sangat besar untuk pengembangan dan pemeliharannya.

  3. Boleh jadi sistem tidak dapat membuat keputusan. Kemungkinan ada sistem yang tidak menghasilkan jawaban yang tepat, di karenakan sistem mungkin tidak dikembangkan.

4. Sistem pakar tidaklah 100% menguntungkan, walaupun seorang tetap tidak

  sempurna atau tidak selalu benar. Oleh karena itu perlu diuji ulang secara teliti sebelum digunakan. Dalam hal ini peran manusia tetap merupakan faktor dominan.

2.3.4 Karakteristik Sistem Pakar

  Sistem pakar mempunyai beberapa karakteristik dasar yang membedakan dengan program komputer biasa umumnya, yaitu:

  1. Mempunyai kepakaran Dalam menyelesaikan masalah bukan hanya mendapatkan solusi yang benar saja, namun juga bagaimana mendapatkan pemecahan dengan cepat dan mahir.

  2. Domain tertentu Sistem pakar mengutamakan kedalaman mengenai bidang tertentu.

  3. Memiliki kemampuan mengolah data yang mengandung ketidakpastian kadang- kadang data yang tersedia tidak lengkap sistem harus dapat memberikan pemecahan sesuai data yang tersedia dengan memberikan pertimbangan, saran atau anjuran sesuai dengan kondisi yang ada.

  4. Dirancang untuk dapat dikembangkan secara bertahap program komputer dirancang untuk memberikan jawaban yang tepat setiap waktu. Sedangkan sistem pakar dirancang untuk berlaku sebagai seorang pakar, kadang memberikan jawaban yang benar, dan suatu saat mungkin tidak tepat (Expert system makes

  mistake ). Sistem pakar hanya sebagai alat bantu dalam memecahkan masalah,

  keputusan yang benar akurat hanya ada ditangan pakar, tetapi apabila sistem tidak dikembangkan maka mungkin ada keluaran jawaban yang tidak tepat.

2.3.5 Arsitektur Sistem Pakar

  Sistem pakar disusun oleh dua bagian utama, yaitu lingkungan pengembangan

(development environment) dan lingkungan konsultasi (consultation environment).

Lingkungan pengembangan sistem pakar digunakan untuk memasukkan pengetahuan pakar ke dalam lingkungan sistem pakar, sedangkan lingkungan konsultasi digunakan oleh pengguna yang bukan pakar guna memperoleh pengetahuan pakar. Komponen- komponen sistem pakar dalam kedua bagian tersebut dapat dilihat dalam Gambar 2.1.

Gambar 2.1 Arsitektur Sistem Pakar (Hartati, 2008)

  Keterangan: Pakar merupakan seseorang yang ahli di bidang tertentu.

  1. Penambahan pengetahuan merupakan penerimaan atau perolehan pengetahuan yang dapat diperoleh dari seorang pakar, buku teks, laporan penelitian dengan dukungan dari seorang perekayasa pengetahuan.

  2. Perekayasa pengetahuan yaitu seorang spesialis sistem yang menerjemahkan pengetahuan yang dimiliki seorang pakar menjadi pengetahuan yang akan tersimpan dalam basis pengetahuan pada sebuah sistem pakar.

3. Basis pengetahuan, terdiri dari dua jenis, yaitu fakta (situasi dan teori) dan rule atau aturan.

  4. Perbaikan, yakni mereka dapat menganalisis pengetahuannya sendiri dan kegunaannya, belajar darinya, dan meningkatkannya untuk konsultasi mendatang.

  5. Mesin inferensi merupakan otak dari sistem pakar. Komponen ini sebenarnya adalah program komputer yang memberikan metodologi untuk penalaran tentang informasi yang ada dalam basis pengetahuan dan dalam workplace, dan untuk memformulasikan kesimpulan.

  6. Workspace merupakan area dari sekumpulan memori kerja (working memory).

  Workspace digunakan untuk merekam hasil-hasil antara dan kesimpulan yang dicapai.

  7. Fasilitas penjelasan adalah komponen tambahan yang akan meningkatkan kemampuan sistem pakar. Komponen ini menggambarkan penalaran sistem kepada pemakai.

  8. Antarmuka (Interface), Sistem pakar haruslah user friendly dan berorientasi pada masalah dalam hal antarmukanya. Pada bagian ini terjadi dialog antara program dan pemakai, yang memungkinkan sistem pakar menerima instruksi dan informasi (input) dari pemakai, juga memberikan informasi (output) kepada pemakai.

  9. Aksi yang direkomendasikan, merupakan saran atau solusi untuk permasalahan yang sedang dihadapi oleh user.

  10. Pemakai, umumnya pemakai yang dimaksud ini adalah: a.

  Client (yaitu bukan pakar) yang menginginkan advice (nasihat). Di sini sistem pakar bertindak seperti seorang konsultan atau penasehat.

  b.

  Learner (pelajar) untuk mempelajari bagaimana sistem pakar menyelesaikan permasalahan. Di sini sistem pakar bertindak sebagai seorang instruktur.

  c.

  Pembangun sistem adalah seseorang yang dapat membuat antarmuka pengguna (user interface), merancang bentuk basis pengetahuan (knowledge base) secara deklaratif dan mengimplementasikan mesin inferensi (inference engine).

  d.

  Pakar adalah seseorang yang dapat menyelesaikan masalah yang sedang diusahakan untuk dipecahkan oleh sistem.

2.4 Metode Case Based Reasoning (CBR)

  merupakan salah satu teknik dalam bidang kecerdasan buatan

  Case Based Reasoning

  yang menggunakan analogi kasus dalam memecahkan suatu permasalahan. Dalam CBR, pengetahuan pakar direpresentasikan dalam bentuk kasus-kasus dan untuk mencari solusi terhadap kasus baru digunakan fungsi kemiripan (Abdiansyah, 2014).

  Case Based Reasoning juga merupakan metode pemecahan masalah yang

  memberikan prioritas kepada pengalaman masa lalu untuk memecahkan masalah saat ini. Solusi untuk masalah saat ini dapat ditemukan dengan menggunakan kembali atau mengadopsi solusi dari masalah yang telah berhasil diselesaikan (Ahmed, et al., 2008).

  Dalam terminologi Case Based Reasoning, sebuah kasus biasanya menunjukkan situasi masalah sebelumnya, yang telah dipelajari dengan cara dapat digunakan kembali dalam pemecahan masalah masa depan, disebut sebagai kasus masa lalu, kasus sebelumnya, kasus yang disimpan, atau kasus yang dipertahankan. Sejalan dengan itu, kasus baru atau kasus yang belum terpecahkan adalah deskripsi masalah baru yang harus dipecahkan. Penalaran berbasis kasus berlaku proses siklus dan terintegrasi memecahkan masalah, pelajaran dari pengalaman ini, serta memecahkan masalah baru (Aamodt, et al., 1994).

2.4.1 Tipe Metode Case Based Reasoning

  Paradigma Case Based Reasoning (CBR) mencakup berbagai metode yang berbeda untuk mengatur, mengambil, memanfaatkan dan mengindeks pengetahuan dalam kasus-kasus masa lalu. Kasus dapat disimpan sebagai pengalaman nyata, atau bagian kasus serupa dapat membentuk kasus umum. Kasus dapat disimpan sebagai unit pengetahuan yang terpisah, atau didistribusikan dalam struktur pengetahuan. Solusi dari kasus sebelumnya dapat langsung diterapkan pada masalah ini, atau dimodifikasi sesuai dengan perbedaan antara dua kasus.

  Pencocokan kasus, adaptasi solusi, dan belajar dari pengalaman dapat dipandu dan didukung oleh model yang mendalam pengetahuan domain umum. Beberapa metode CBR menganggap jumlah yang cukup besar secara luas didistribusikan sebuah kasus dalam basis kasusnya, sementara yang lain didasarkan pada satu bagian yang lebih terbatas. Kasus masa lalu dapat diambil dan dievaluasi secara berurutan atau paralel. Istilah yang terkait dengan penalaran berbasis kasus (Aamodt, et al., 1994) yaitu:

  1. Penalaran Berbasis Perusahaan.

  Ini adalah spesialisasi penalaran berbasis yang menjadi sintaks pendekatan Case

  Based Reasoning . Representasi dari contoh sederhana biasanya (misalnya vektor

  fitur), karena fokus utama adalah untuk mempelajari secara otomatis dalam sebuah siklus. Penalaran berbasis perusahaan berfungsi untuk membedakan lebih dari metode berbasis yang ada contoh pendekatan pengetahuan intensif.

  2. Penalaran Berbasis Memori.

  Pendekatan ini menekankan pada kasus dalam memori yang besar, dan penalaran sebagai proses untuk mengakses dan mencari di dalam memori ini. Organisasi memori dan akses adalah fokus dari metode penalaran berbasis kasus. Pemanfaatan teknik pemrosesan paralel merupakan karakteristik dari metode ini, dan membedakan pendekatan ini dari metode yang lain. Akses dan penyimpanan metode dapat mengandalkan kriteria murni sintaksis.

  3. Penalaran Berbasis Kasus.

  Metode penalaran berbasis kasus memiliki beberapa karakteristik yang membedakan mereka dengan pendekatan lain. Pertama, kasus yang khas biasanya diasumsikan memiliki tingkat tertentu kekayaan informasi yang terkandung di dalamnya, dan kompleksitas tertentu sehubungan dengan organisasi internalnya. Artinya, vektor fitur memegang beberapa nilai dan kelas yang sesuai. Metode berbasis kasus yang khas juga memiliki properti karakteristik lain yaitu mereka mampu memodifikasi, atau mengadaptasi, solusi diambil saat diterapkan dalam konteks pemecahan masalah yang berbeda. Metode berbasis kasus paradigmatik juga menggunakan latar belakang pengetahuan umum meskipun tingkat representasi eksplisit, dan peran dalam proses Case Based Reasoning bervariasi.

  4. Penalaran Berbasis Analogi.

  Istilah ini digunakan sebagai sinonim untuk kasus berbasis penalaran, untuk menggambarkan khas berbasis kasus pendekatan yang baru saja dijelaskan. Namun, juga sering digunakan dalam mengkarakterisasi metode untuk memecahkan masalah baru berdasarkan kasus-kasus masa lalu dari domain yang berbeda, sementara metode berbasis kasus fokus pada pencocokan strategi untuk kasus tunggal domain.

  2.4.2 Representasi Kasus

  Sebuah berbasis kasus sangat tergantung pada struktur dan isi koleksi dari kasus yang sering disebut sebagai memori kasus. Karena masalah ini diselesaikan dengan mengingat pengalaman sebelumnya, cocok untuk memecahkan masalah baru, pencarian kasus dan proses pencocokan harus baik efektif dan cukup efisien dalam waktu. Selanjutnya, karena pengalaman dari masalah ini dipecahkan dalam beberapa cara, persyaratan tersebut juga berlaku untuk metode mengintegrasikan kasus baru ke dalam memori. Perwakilan di Case Based Reasoning terutama dalam menyimpan kedalam sebuah kasus, depat menemukan sebuah struktur yang tepat untuk menggambarkan isi kasus, dan memutuskan bagaimana memori kasus harus diatur dan diberi indeks untuk pengambilan dan penggunaan kembali yang efektif. Masalah lainnya adalah bagaimana mengintegrasikan struktur memori kasus menjadi model pengetahuan domain umum, sejauh mana pengetahuan tersebut dimasukkan dapat dilihat pada Gambar 2.2 (Aamodt, et al., 1994).

  2.4.3 Tahapan Case Based Reasoning (CBR)

  Pada case based reasoning yang menjadi basis pengetahuan adalah fakta-fakta berupa kasus-kasus sebelumnya yang pernah ada dan serangkaian alur untuk memeriksa, menghitung, serta menyimpulkan suatu solusi dari permasalahan yang diberikan. Tahapan pada case-based reasoning ada 4 yaitu: retrieve, reuse, revise dan retain.

  Pada saat terjadi permasalahan baru, pertama-tama sistem akan melakukan proses retrieve. Proses retrieve akan melakukan dua langkah pemrosesan, yaitu pengenalan masalah dan pencarian persamaan masalah. Setelah proses retrieve selesai dilakukan, selanjutnya sistem akan melakukan proses reuse. Di dalam proses reuse, sistem akan menggunakan informasi permasalahan sebelumnya yang memiliki kesamaan untuk menyelesaikan permasalahan yang baru. Selanjutnya pada proses

  

revise , informasi tersebut akan dievaluasi, dan diperbaiki kembali untuk mengatasi

  kesalahan-kesalahan yang terjadi pada permasalahan baru. Pada proses terakhir, sistem akan melakukan proses retain. Proses retain akan mempertahankan solusi baru setelah di validasi, yang mungkin berguna untuk memecahkan masalah di masa yang akan datang.

Gambar 2.2 Siklus Case Based Reasoning (Aamodt & Plaza, 1994)

  2.4.3.1 Retrieve (Memperoleh Kembali)

  Mendapatkan/memperoleh kembali kasus yang paling menyerupai/relevan (similar) dengan kasus yang baru. Tahap retrieval ini dimulai dengan menggambarkan/ menguraikan sebagian masalah, dan diakhiri jika ditemukannya kecocokan terhadap masalah sebelumnya yang tingkat kecocokannya paling tinggi. Bagian ini mengacu pada segi identifikasi, kecocokan awal, pencarian dan pemilihan serta eksekusi.

  2.4.3.2 Reuse (Menggunakan Kembali)

  Pada tahap ini dilakukan perhitungan nilai similarity kemiripan setiap kasus tertinggi yang sebelumnya telah dilakukan pencocokan yang paling relevan dari kasus baru ke dalam kasus yang lama, sehingga dari hasil perhitungan nilai persamaan (similarity) didapatkan usulan solusi dari kasus yang telah ada dimana mungkin diperlukan untuk memecahkan masalah kasus baru atau dengan kata lain menggunakan ulang solusi kasus lama untuk menangani kasus baru yang serupa. Nilai similarity setiap kasus diperoleh dari jumlah nilai gejala similar terpilih dikali dengan bobot dan dibagi dengan total nilai bobot (Kusuma, et al., 2014).

  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 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: s 1  w 1  s 2  w 2  ......  sn  wn Similarity ( T , S )

   w1  w2  .....  wn

  dimana:

  S = similarity (nilai kemiripan) yaitu 1 (sama) dan 0 (beda) W = weight (bobot yang diberikan).

2.6 Konsep Kepribadian

  Kepribadian berasal dari kata personality yang berasal dari kata persona (latin) yang berarti topeng. Yaitu tutup muka yang sering dipakai oleh pemain panggung, yang maksudnya untuk menggambarkan perilaku, watak atau pribadi seseorang. Hal ini dilakukan oleh karena terdapat ciri-ciri yang khas yang hanya dimiliki oleh seseorang tersebut baik dalam arti kepribadian yang baik ataupun yang kurang baik (Sujanto, 1984).

  Penggolongan manusia berdasarkan beberapa kriteria tertentu sangatlah sulit. Kendalanya terletak pada heterogenitas dan keunikan sifat manusia. Tidak ada satu manusia pun yang dapat dianggap memiliki sifat yang sama kemudian dikelompokkan berdasarkan suatu sifat. Selain itu manusia bersifat dinamis dan berubah-ubah sesuai hasil belajar dan kondisi lingkungan. Kepribadian adalah ciri, karakteristik, gaya atau sifat-sifat yang memang khas dikaitkan dengan diri kita. Dapat dikatakan bahwa kepribadian itu bersumber dari bentukan-bentukan yang kita terima dari lingkungan, misalnya bentukan dari keluarga pada masa kecil kita dan juga bawaan-bawaan yang dibawa sejak lahir. Jadi yang disebut kepribadian itu sebenarnya adalah campuran dari hal-hal yang bersifat psikologis, kejiwaan dan juga yang bersifat fisik (Ahmadi, 2009).

  Galenus menyempurnakan ajaran Hippocrates, dan membeda-bedakan kepribadian manusia atas dasar keadaan proporsi campuran. Berdasarkan aspek biologis, Hippocrates-Galenus membagi kepribadian menjadi 4 kelompok besar dengan fokus pada cairan tubuh yang mendominasi dan memberikan pengaruh kepada individu tersebut. Adapun pembagiannya menurut Hippocrates dalam (Lukas, et al., 2004) yaitu : 1.

  Sanguinis (darah) adalah kepribadian popular cocok untuk tipe ini. Orang berkepribadian Sanguinis adalah orang yang berenergi besar, suka bersenang- senang, supel, suka mencari perhatian, memerlukan kasih sayang, dukungan, dan perhatian dari lingkungan sekelilingnya. Individu yang suka hura-hura dan optimis ini akan membawa kegembiraan dalam situasi apapun. Namun mereka tidak biasa teratur, emosional, dan hipersensitif tentang apa kata orang terhadap mereka.

  2. Flegmatis (cairan lendir) adalah kepribadian yang damai, yang tidak merasa harus mengubah dunia atau mengusiknya. Bagi orang yang mempunyai dorongan kuat, orang-orang Plegmatis tampaknya lebih lamban dari yang lain. Ini bukanlah karena mereka tidak secerdas yang lain, justru karena mereka lebih cerdas dari yang lain. Mereka tidak suka resiko, tantangan, dan kejutan, dan akan membutuhkan waktu untuk menyesuaikan diri terhadap perubahan. Kurangnya disiplin dan motivasi seringkali membuat mereka menunda-nunda kalau tidak ada pemimpin yang kuat.

  3. Melankolis (empedu hitam) yaitu banyak yang menyebutnya perfeksionis (orang sempurna). Biasanya mereka adalah orang yang pemikir, pendiam, teratur, berhati- hati, terorganisasi, dan mengejar kesempurnaan dalam segala yang penting bagi mereka. Karena kebutuhan akan kesempurnaan ini, orang Melankolis sering mengalami kekecewaan, membuat mereka kritis/pesimis, tertekan akan pemenuhan standar tinggi, dan bahkan depresi disebabkan oleh hasil yang kurang sempurna. Mereka membutuhkan ruang dan ketenangan di mana mereka dapat berpikir sebelum mereka berbicara, menulis, atau bertindak.

  Koleris (empedu kuning) yaitu orang berkepribadian Koleris memiliki kepribadian 4. yang kuat, yang secara alami berorientasi pada sasaran, yang hidupnya dicurahkan untuk berprestasi, dan cepat mengorganisasikannya. Kepribadian ini menuntut loyalitas dan penghargaan dari sesama atas diri mereka. Disiplin diri serta kemampuan mereka untuk fokus membuat mereka menjadi pemimpin-pemimpin yang kuat.

  Ajaran Hippocrates yang kemudian disempurnakan oleh Galenus ini tahan uji sampai berabad-abad, pendapatnya lama sekali diikuti oleh para ahli, hanya dengan variasi yang berbeda-beda. Bahkan sampai dewasa ini pun pengaruh itu masih sangat terasa (Suryabrata, 2000).