khazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika

Transkripsi

1 hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen Ilmu Komputer/Informatia Faultas Sains dan Matematia Universitas Diponegoro Semarang ABSTRAK Kepribadian merupaan gambaran tingah lau dari individu. Penerimaan teman sebaya merupaan penilaian individu bahwa dirinya diterima, didengar, diperhatian, dihargai, serta dapat merasa aman dan nyaman saat bersama teman-teman dengan umur yang sama. Kepribadian dan penerimaan teman sebaya penting untu dietahui agar dapat mengenal potensi diri. Tes epribadian merupaan salah satu sarana untu mengetahui dan menglasifiasian epribadian seseorang e tipe epribadian tertentu. Jaringan syaraf tiruan bacpropagation dapat digunaan untu melauan lasifiasi sebuah pola berdasaran permasalahan tertentu seperti halnya dalam menglasifiasi tipe epribadian dan penerimaan teman sebaya seseorang. Sistem lasifiasi tipe epribadian dan penerimaan teman sebaya menggunaan jaringan syaraf tiruan bacpropagation dapat digunaan untu menglasifiasi tipe epribadian dan penerimaan teman sebaya seseorang e dalam beberapa tipe, yaitu introvert diterima, introvert ditola, estrovert diterima, dan estrovert ditola berdasaran sejumlah set pertanyaan yang menjadi alat uur dalam penentuan epribadian. Sistem lasifiasi tipe epribadian dan penerimaan teman sebaya menggunaan jaringan syaraf tiruan bacpropagation menghasilan arsitetur bacpropagation terbai untu lasifiasi epribadian dan penerimaan teman sebaya pada saat menggunaan hidden layer dengan 7 neuron, epoch, nilai target error 0.0, dan laju pembelajaran 0.. Hasil esperimen jaringan syaraf tiruan bacpropagation pada sistem ini menghasilan rata-rata tingat aurasi 98.75% dan tingat error.25%. Kata Kunci: lasifiasi; epribadian; JST, bacpropagation. Pendahuluan Remaja adalah soso yang senantiasa menari untu dibicaraan. Ketia seseorang memasui masa remaja, maa saat itulah ia meninggalan status dari ana-ana menuju masa dewasa dan ini yang sering disebut sebagai masa peralihan. Ciri-ciri yang menonjol pada usia remaja terlihat dalam perilau sosialnya []. Bagi remaja, penerimaan sosial mempunyai arti penting yang mana salah satunya adalah diterima oleh teman sebaya. Tanpa penerimaan teman seelompo aan menimbulan gangguan perembangan psiis dan sosial remaja. Terdapat beberapa fator yang mempengaruhi penerimaan teman sebaya, salah satunya yaitu perilau sosial yang ditampaan oleh remaja [2]. Perilau yang ditampaan individu, tercermin dari gambaran orientasi terhadap dunianya. Orientasi ini disebut dengan siap, di mana siap dipengaruhi oleh tipe epribadian individu. Kepribadian individu, secara sederhana dibedaan menjadi dua utub berdasaran arah energi psiis dalam diri individu, yaitu epribadian estrovert dan introvert [3]. Kedua epribadian ini memilii caranya masing-masing dalam merespons lingungannya, sehingga diperluan sebuah tes yang berguna untu mengenal epribadian dan potensi diri yang ada agar dapat dioptimalan untu esusesan dalam ehidupan sosial. Tes epribadian adalah sebuah tes yang dilauan untu menentuan tipe epribadian seseorang [4]. Penglasifiasian tipe epribadian yang dilauan dengan tes epribadian saat ini sering ali masih menggunaan metode lama dan urang memanfaatan tenologi yang ada. Padahal pesatnya perembangan tenologi memberian manfaat dalam ehidupan manusia. Pemanfaatan tenologi yang begitu besar membuat omputer dapat beerja dengan meniru cara erja ota manusia dengan memanfaatan metode jaringan syaraf tiruan. Metode tersebut dapat dimanfaatan untu menglasifiasi sebuah pola berdasaran permasalahan tertentu seperti halnya dalam menglasifiasian tipe epribadian dan penerimaan teman sebaya seseorang. Sehubungan dengan pentingnya pengenalan tipe epribadian dan penerimaan teman sebaya serta dilatarbelaangi beberapa alasan tersebut maa perlu dibangunnya sebuah sistem lasifiasi tipe epribadian dan penerimaan teman sebaya yang memanfaatan tenologi omputer. Klasifiasi epribadian telah banya diapliasian pada berbagai jurnal ilmiah. Menurut Luas, Aribowo, dan Wardhani (2004) proses lasifiasi epribadian yang menggunaan sistem paar dengan metode etidapastian (uncertainty) ternyata hanya mampu

2 2 Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan... menjawab 0 pertanyaan dari 20 pertanyaan yang ada dengan tingat epercayaan yang bai [5]. Klasifiasi epribadian menggunaan jaringan syaraf tiruan learning vector quantization memberian nilai aurasi sebesar 63.75% [6]. Dari beberapa penelitian tersebut menunjuan bahwa metode-metode yang telah digunaan sebelumnya belum memberian hasil yang masimal, untu itu perlu dilauan penelitian mengenai lasifiasi tipe epribadian dan penerimaan teman sebaya dengan menggunaan algoritma bacpropagation. Salah satu model jaringan dalam jaringan syaraf tiruan adalah bacpropagation. Bacpropagation melatih jaringan untu mendapatan eseimbangan antara emampuan jaringan untu mengenali pola yang digunaan selama pelatihan serta emampuan jaringan untu memberian respons yang benar terhadap pola masuan yang serupa dengan pola yang dipaai selama pelatihan [6]. Sudah banya penelitian implementasi jaringan syaraf tiruan bacpropagation terhadap predisi seperti predisi penyait demam berdarah dengan aurasi 74% [7] dan aner servis dengan aurasi 95.4% [8]. Beberapa hasil penelitian mengenai algoritma bacpropagation sebelumnya menunjuan bahwa algoritma bacpropagation mampu memberian inerja yang bai sehingga penulis tertari untu membuat sistem lasifiasi tipe epribadian dengan menggunaan algoritma bacpropagation. Bacpropagation dapat digunaan untu lasifiasi arena bacpropagation dapat mengenali pola dan memberian respons benar terhadap pola masuan sehingga coco untu menglasifiasian epribadian seseorang berdasaran input pertanyaan. Sistem lasifiasi epribadian yang memanfaatan algoritma bacpropagation ini diharapan mampu memberian hasil output yang lebih aurat. Sistem lasifiasi epribadian dan penerimaan teman sebaya ini dibangun berbasis web. Kelebihan pembangunan sistem berbasis web adalah dapat diases dengan mudah dari jara jauh melalui browser tanpa harus melauan instalasi software sehingga nantinya sistem lasifiasi tipe epribadian dan penerimaan teman sebaya ini dapat digunaan oleh alangan umum di manapun dan apanpun tanpa bantuan seorang paar secara langsung. Tujuan yang ingin dicapai adalah terciptanya suatu sistem lasifiasi tipe epribadian dan penerimaan teman sebaya menggunaan jaringan syaraf tiruan bacpropagation, sehingga dapat memudahan seseorang untu mengenali epribadiannya masing-masing. 2. Metode 2. Pengumpulan Data Pada penelitian ini, data diperoleh melalui uesioner. Kuesioner disebar epada mahasiswa tingat satu sampai dengan empat dengan rentang usia 8 sampai 22 tahun melalui google form. Jumlah data yang telah terumpul sebanya 20 data emudian dielompoan e dalam 4 elas melalui bantuan psiolog, sehingga data sebanya 20 buah ini terdiri atas 69 data yang didefinisian e dalam elas estrovert diterima, 49 data untu introvert diterima, 52 data untu estrovert ditola, 40 data untu introvert ditola. 2.2 Arsitetur JST Bacpropagation Arsitetur JST bacpropagation yang digunaan pada sistem ini terdiri atas 3 layer, yaitu input layer, hidden layer, dan output layer. 2.3 Jaringan Syaraf Tiruan Bacpropagation Jaringan syaraf tiruan adalah sistem pemroses informasi yang memilii arateristi mirip dengan jaringan syaraf biologi. Jaringan syaraf tiruan ditentuan oleh 3 hal, yaitu arsitetur jaringan, metode untu menentuan bobot penghubung, serta fungsi ativasi [4]. Bacpropagation merupaan salah satu model jaringan syaraf tiruan. Bacpropagation melatih jaringan untu mendapatan eseimbangan antara emampuan jaringan untu mengenali pola yang digunaan selama pelatihan serta emampuan jaringan untu memberian respons yang benar terhadap pola masuan yang serupa tapi tida sama dengan pola yang dipaai selama pelatihan [8]. Arsitetur bacpropagation terdiri atas satu atau lebih unit masuan ditambah satu unit bias, satu layar tersembunyi yang terdiri atas satu atau lebih unit ditambah satu unit bias, serta satu atau lebih unit eluaran. Algoritma pelatihan bacpropagation adalah sebagai beriut: a. Langah 0: Inisialisasi semua bobot dengan bilangan aca ecil, epoch =, tentuan laju pembelajaran (α), tentuan jumlah unit pada layar tersembunyi (p) serta tentuan ondisi penghentian. Kondisi penghentian berupa masimum max epoch dan error target. b. Langah : Jia epoch max epoch dan error target < MSE, lauan langah 2 9. c. Langah 2: Untu setiap pasang data pelatihan ( sampai dengan a di mana a adalah jumlah data pelatihan), lauan langah 3 8. d. Fase I: Propagasi maju Langah 3 : Tiap unit masuan menerima sinyal dan menerusannya e unit tersembunyi di atasnya. Langah 4 : Hitung semua eluaran di unit tersembunyi z j (j =, 2,..., p) z j = f ( z _ net j ) = z _ net (2) j + e Langah 5: Hitung semua eluaran jaringan di unit y ( =, 2,..., m) y () (3) = f ( y _ net ) = y _ net (4) + e e. Fase II : Propagasi mundur Langah 6: Hitung fator δ unit eluaran berdasaran esalahan di setiap unit eluaran y ( =, 2,..., m) δ = ( t y ) f ' ( y _ net ) = ( t y ) y ( y ) (5)

3 Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan... 3 Hitung suu perubahan bobot W j dengan laju percepatan α 3. Bobot yang digunaan sebagai inisialisasi: =, 2,..., m ; j = 0,,..., p (6) (5) Langah 7: Hitung fator δ unit tersembunyi berdasaran esalahan di tiap unit tersembunyi z (j =, 2,..., p) j δ j = δ _ net j f '( z _ net j ) = δ _ net j z j ( z j ) (8) Hitung suu perubahan bobot v ji dengan laju percepatan α j =, 2,..., p ; i = 0,,..., n f. Fase III : Perubahan bobot Langah 8: Hitung semua perubahan bobot Perubahan bobot garis yang menuju e unit eluaran (7) (9) (0) =, 2,..., m ; j = 0,,..., p Perubahan bobot garis yang menuju e unit tersembunyi: j =, 2,..., p ; i = 0,,..., n g. Langah 9: Perbaharui nilai epoch () epoch = epoch + (2) dan hitung mean squared error (MSE) a ( t y = MSE = a 2 ) (3) 2.4 Algoritma Nguyen Widrow Bobot awal aan mempengaruhi apaah jaringan mencapai titi minimum loal atau global dan seberapa cepat onvergensinya. Nguyen dan Widrow (200) mengusulan cara membuat inisialisasi bobot e unit tersembunyi sehinga menghasilan iterasi yang lebih cepat. Algoritma Nguyen Widrow adalah sebagai beriut [9]:. Inisialisasi semua bobot (V ji (Lama)) dengan bilangan aca dalam interval [-0.5, 0.5] 2. Hitung: (4) Di mana β adalah fator sala dengan rumus: β = 0.7 n p (6) 4. Bobot bias yang dipaai sebagai inisialisasi ( v j0 ) adalah bilangan aca dalam interval [ - β, β ] 2.5 Preprocessing Data Preprocessing data merupaan suatu proses atau langah yang dilauan untu membuat data mentah (dalam penelitian ini berupa data hasil uesioner) menjadi data yang siap diolah menggunaan metode bacpropagation. Pada penelitian ini preprocessing data dilauan dalam 3 tahapan, yaitu mapping data, normalisasi data, dan pemisahan antara data latih dan data uji dengan metode K-Fold. Sistem lasifiasi epribadian ini aan menggunaan sejumlah 0 atribut pertanyaan untu menentuan tipe epribadian dan penerimaan teman sebaya seseorang. Setiap hasil tes yang berjumlah 0 atribut pertanyaan ini aan direpresentasian sebagai variabel input, sedangan setiap atribut pertanyaan aan direpresentasian sebagai variabel input. Dari masing-masing atribut pertanyaan tersebut terdapat 4 pilihan jawaban di mana aan merepresentasian arateristi dari masing-masing tipe epribadian. Langah mapping data dilauan untu mengidentifiasi data yang telah diperoleh dalam pengumpulan data e dalam arsitetur bacpropagation. Data yang diperoleh diidentifiasi dan selanjutnya dipetaan data mana yang aan dijadian input neuron dan data mana yang aan menjadi output neuron Langah edua yaitu mapping data input dan output jaringan. Pertanyaan dari uesioner aan menjadi input neuron, pertanyaan e- aan menjadi x, pertanyaan e-2 aan menjadi x 2, begitu seterusnya sampai dengan arateristi layanan e 0 aan menjadi x 0. Sedangan nilai output neuron diperoleh dari hasil perhitungan sehingga terbentu arsitetur jaringan dengan 0 neuron input dan neuron output seperti pada gambar. Langah etiga yaitu normalisasi data yang telah dipetaan e dalam arsitetur jaringan dengan rumus beriut: r = R x (7) Langah 4, yaitu identifiasi data latih dan data uji menggunaan K-Fold Cross Validation dengan nilai K= 0. Data yang telah dilauan preprocessing emudian aan diproses menggunaan K-Fold Cross Validation. Tahapan ini dilauan untu membagi data hasil menjadi data pelatihan dan data pengujian. Penelitian ini menggunaan dataset sejumlah 60 yang terdiri atas 4 elas tipe epribadian.

4 4 Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan... lain yang digunaan pada pengujian ini yaitu jumlah hidden neuron sebanya 3, laju pembelajaran (α) sebesar 0.4, dan epoch masimum sebanya epoch. Hasil dari pengujian target error dalam 3 ali percobaan ditunjuan pada tabel. Tabel. Hasil Percobaan Target Error Percobaan e- Target Error Rata-rata MSE Gambar. Arsitetur JST Bacpropagation Proses K-Fold Cross Validation ini menggunaan nilai, sehingga dataset aan dibagi menjadi 0 subset yang terdiri atas data dengan perbandingan jumlah elas yang sama. Setiap subset aan terdiri 6 data, di mana 6 data tersebut terdiri atas 4 elas yang masing-masing terdapat 4 data. Metode ini aan melauan iterasi sebanya 0 ali, di mana pada iterasi pertama subset e- menjadi data pengujian, sedangan sisa subset lainnya aan menjadi data pelatihan. Pada iterasi edua, subset edua digunaan sebagai data pengujian dan subset lainnya sebagai data pelatihan, dan seterusnya hingga seluruh subset digunaan sebagai data pelatihan. Penggambaran metode 0-Fold Cross Validation pada dataset lebih jelasnya ditunjuan pada gambar Nilai nilai rata-rata mean square error terendah pada etiga percobaan selalu pada nilai target error 0.0. Hasil esperimen pengujian e- ini emudian disajian dalam grafi yang dapat dilihat pada gambar 3 Gambar 3. Grafi Hubungan Target Error dengan MSE Gambar 2. 0-Fold Cross Validation pada Dataset Dataset awal sejumlah 60 dengan proses 0-Fold Cross Validation ini aan diperoleh data pelatihan sebanya 44 data dan data pengujian sebanya 6 data dalam setiap pelatihan. 3. Hasil Hasil penelitian berdasar esperimen nilai target error, esperimen ombinasi hidden neuron, dan laju pembelajaran. 3. Esperimen Nilai Target Error Pengujian target error dilauan dengan menggunaan nilai target error adalah 0.; 0.0; 0.00; Variabel 3.2 Esperimen Kombinasi Hidden Neuron dan Laju Pembelajaran Nilai laju pembelajaran yang diteliti antara 0.; 0.2; 0.3; 0.4; 0.5; 0.6; 0.7; 0.8; 0.9. Jumlah hidden neuron yang diteliti 2 sampai dengan 9. Nilai masimum epoch yang digunaan adalah dan nilai target error yang digunaan sesuai hasil dari strategi yaitu 0.0. Sehingga aan terbentu 72 ombinasi parameter penelitian. Masing-masing ombinasi tersebut aan menghasilan ombinasi jaringan terbai dari pembangunan sistem ini dengan nilai error minimum 0.0 dan epoch masimal Arsitetur terbai dari jaringan syaraf tiruan bacpropagation didapatan dari ombinasi laju perubahan dan jumlah hidden neuron. Sesuai dengan hasil penelitian di atas, ombinasi hidden neuron dan alfa yang memilii tingat eauratan tertinggi yaitu pada nilai hidden neuron 7 dan dengan laju percepatan 0,5 dengan tingat aurasi

5 Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan ,75%. Hasil esperimen pengujian e-2 ini emudian disajian dalam grafi yang dilihat pada gambar 4. telah berhasil dibangun dan dapat berjalan sesuai ebutuhan fungsional. Sistem lasifiasi epribadian dan penerimaan teman sebaya menggunaan jaringan syaraf tiruan bacpropagation menghasilan arsitetur jaringan terbai dengan 0 neuron pada input layer, 7 neuron pada hidden layer, dan 2 neuron output mampu melauan lasifiasi dengan tingat aurasi terbai, yaitu sebesar 98.75% dan tingat error.25%. 6. Daftar Pustaa 4. Disusi Gambar 4. Grafi Hasil Pengujian Klasifiasi epribadian telah banya dipubliasian pada berbagai jurnal ilmiah. Pada beberapa penelitian terdahulu seperti Luas, Aribowo, dan Wardhani disebutan bahwa proses lasifiasi epribadian yang menggunaan sistem paar dengan metode etidapastian (uncertainty) ternyata hanya mampu menjawab 0 pertanyaan dari 20 pertanyaan yang ada dengan tingat epercayaan yang bai [5]. Klasifiasi epribadian menggunaan jaringan syaraf tiruan learning vector quantization memberian nilai aurasi sebesar 63.75% [6]. Sudah banya penelitian implementasi jaringan syaraf tiruan bacpropagation terhadap predisi seperti predisi penyait demam berdarah dengan aurasi 74% [7] dan aner servis dengan aurasi 95.4% [8]. Dari beberapa penelitian tersebut menunjuan bahwa metode-metode yang telah digunaan sebelumnya belum memberian hasil yang masimal. Sedangan penelitian mengenai lasifiasi tipe epribadian dan penerimaan teman sebaya dengan menggunaan algoritma bacpropagation. menghasilan tingat aurasi 98.75%. 5. Kesimpulan Sistem lasifiasi epribadian dan penerimaan teman sebaya menggunaan jaringan syaraf tiruan bacpropagation [] I. Puhar, Penerimaan Teman Sebaya Pada Remaja Panti Asuhan Ditinjau Dari Kematangan Sosial, Sripsi, Unia Soegijapranata, p. 63, [2] R. Sinthia, Hubungan Antara Penerimaan Sosial Kelompo Kelas dengan Kepercayaan Diri Pada Siswa Kelas I SLTP XXX Jaarta, Triadi, vol. 4, no., p. 42, 20. [3] Suryabrata, Psiologi Kepribadian, Jaarta: Rajawali Pers, [4] F. Littauer, Personality Plus, Tangerang: Karisma Publishing Group, 20. [5] S. Luas, A. Ariwibowo dan R. Wardhani, Sistem Paar Untu Mendiagnosa Kepribadian Berdasaran Teori Kepribadian Florence Littauer, Jurnal Ilmiah Ilmu Komputer, p. 29, [6] A. M. Pratiwi dan P. S. Sasongo, Sistem Klasifiasi Kepribadian Menggunaan Jaringan Syaraf Tiruan, Journal of Informatcs and Technology, p. 8, 205. [7] W. Widodo, A. Rachman dan R. Amelia, Jaringan Syaraf Tiruan Predisi Penyait Demam Berdarah dengan Menggunaan Metode Bacpropagation, Jurnal IPTEK, vol. 8, no., 204. [8] A. T. Susanto, Apliasi Diagnosa Kaner Servis dengan Menggunaan Algoritma Bacpropagation, Sripsi, 202. [9] J. Siang, Jaringan Syaraf Tiruan dan Pemrograman Menggunaan Matlab, Yogyaarta: Penerbit Andi, 2005.