Pengelompokan Data Hasil Tes Kepribadian 16pf Sopir Bus Menggunakan Algoritma Genetika

Penulis

  • Luthfi Hidayat Universitas Brawijaya
  • Wayan Firdaus Mahmudy Universitas Brawijaya

DOI:

https://doi.org/10.25126/jtiik.201633197

Abstrak

Abstrak

Tes kepribadian merupakan suatu metode tes yang disusun untuk mendeskripsikan bagaimana kecenderungan seseorang dalam bertingkah laku maupun berpikir. Tes kepribadian sebenarnya hanya dapat dideskripsikan secara kualitatif karena sebenarnya kepribadian tidak dapat diukur. Namun, untuk membantu menjelaskan kepribadian seseorang dapat menggunakan bantuan angka sehingga hasil dari tes tersebut dapat di deskripsikan ke dalam bentuk kualitatif. Dalam penelitian sebelumnya, pengelompokan hasil data tes kepribadian 16PF dilakukan dengan metode K – Means Clustering yang digabung dengan metode Silhouette Coefficient. Penelitian tersebut memiliki hasil maksimum SI (Silhouette Index) hingga 0.4341. Dalam penelitian kali ini, metode yang dapat digunakan untuk mengelompokkan dan menghitung seluruh data serta atribut yang diperoleh menggunakan Algoritma Genetika. Tahapan untuk mengelompokkan data menggunakan metode yang sama seperti penelitian sebelumnya yaitu K – Means Clustering dan untuk menghitung cluster diperlukan representasi kromosom agar dapat membangkitkan nilai Centroid untuk perhitungan Silhouette Coefficient. Representasi kromosom yang digunakan adalah real code genetic algorithm dimana representasi tersebut dibangkitkan secara random dengan interval tertentu. Dari pengujian yang dilakukan, sistem mampu memberikan nilai SI terbaik pada jumlah populasi 40, jumlah generasi 15, kombinasi cr 0.7 dan mr 0.3. Algoritma genetika mampu memberikan solusi optimal dibandingkan dengan penelitian sebelumnya dimana dengan jumlah data yang sama menghasilkan nilai SI yang lebih baik.

Kata Kunci: Algoritma genetika, Personality Factor, Clustering, K – Means, Silhouette Coefficient.

Abstract

Abstract

Personality Test is a test method developed to describe how the tendency of a person's behavior and thinking. Actually, personality tests can only be described qualitatively because actual personality cannot be measured. However, figures can be used to help explaining an individual’s personality, thus test results could be described into qualitative terms. In previous research, grouping data results 16PF personality test was conducted using K - Means Clustering combined with Silhouette Coefficient methods. The study has a maximum performance in terms of SI (silhouette index) of 0.4341. In the present study, the method can be used to classify, count all the data and attributes that are obtained using Genetic Algorithms. Stages for classifying data using the same method as previous research, that K - Means Clustering and to calculate cluster, required the representation of chromosomes in order to generate value of Centroid for the calculation Silhouette Coefficient. Chromosome representation used is real code genetic algorithm which is representations generated randomly with a certain interval. From the tests, systems are able to provide the best SI values in populations of 40, the number of generations 15, combination of cr mr are 0.7 and 0.3. Genetic algorithms are able to provide optimal solutions compared to a previous study in which the same amount of data to produce better value SI.

Keywords: Genetic algorithms, Personality Factor, Clustering, K – Means, Silhouette Coefficient.

Downloads

Download data is not yet available.

Referensi

Agusta, Y. 2007. “K-Means – Penerapan, Permasalahan Dan Metode Terkait.” STMIK STIKOM BALI, Denpasar, Bali 3.

Aiken, L. R, & G. Groth. 2006. Psychological Testing and Assessment. Twelfth. Indeks.

Anonymous. 2010. “Perkembangan Jumlah Kendaraan Bermotor Menurut Jenis Tahun 1987-2012.” http://www.bps.go.id/website/tabelExcelIndo/indo_17_12.xls. [Diakses pada tanggal 11 September 2015].

Armindya, Y. R. 2015. “Ahok: Sertifikasi Sopir Transjakarta Wajib Hukumnya.” http://metro.tempo.co/read/news/2015/06/25/083678174/ahok-sertifikasi-sopir-transjakarta-wajib-hukumnya. [Diakses pada tanggal 12 September 2015].

Blas, L.E. Agustın, Salcedo S. Sanz, S. Jimenez Fernandez, L. Carro Calvo, J. Del Ser, & J. A. Portilla Figueras. 2012. “A New Grouping Genetic Algorithm for Clustering Problems.” Journal Department of Signal Theory and Communications, Universidad de Alcalá, Madrid, Spain.

Boyle, G. J., G. Matthews, & DH. Saklofske. 2008. “The SAGE Handbook of Personality Theory and Assessment: Personality Measurement and Testing.” New York: Sage Publications 2.

Kumar, A. 2013. “Cluster Analysis.” Journal of I.A.S.R.I. Library Avenue, New Delhi.

Mahmudy, W. F. 2015. Dasar-Dasar Algoritma Evolusi. Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya.

Mahmudy, WF, Marian, RM & Luong, LHS 2013, 'Modeling and optimization of part type selection and loading problems in flexible manufacturing system using real coded genetic algorithms', International Journal of Electrical, Computer, Electronics and Communication Engineering, vol. 7, no. 4, pp. 251-260.

Mahmudy, WF 2014, Optimisation of Integrated Multi-Period Production Planning and Scheduling Problems in Flexible Manufacturing Systems (FMS) Using Hybrid Genetic Algorithms , School of Engineering, University of South Australia.

Prakoso, Ryo C. 2015. “Pengelompokan Data Hasil Tes Kepribadian 16PF Sopir Bus Menggunakan Metode K-Means.” DORO: Repository Jurnal Mahasiswa PTIIK. Fakultas Ilmu Komputer. Universitas Brawijaya. Malang.

Revelle, W. 2014. “Raymond B. Cattell.” Publication of The Personality Project.

Wahyuni, I., Auliya, Y. A., Rahmi, A., Mahmudy, W. F. (2016). "Clustering Nasabah Bank Berdasarkan Tingkat Likuiditas Menggunakan Hybrid Particle Swarm Optimization dengan K-Means." Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) 10(2): 24-33.

Unduhan

Diterbitkan

08-09-2016

Terbitan

Bagian

Teknologi Informasi

Cara Mengutip

Pengelompokan Data Hasil Tes Kepribadian 16pf Sopir Bus Menggunakan Algoritma Genetika. (2016). Jurnal Teknologi Informasi Dan Ilmu Komputer, 3(3), 163-168. https://doi.org/10.25126/jtiik.201633197