Eksplorasi Algoritma Tree Based Model Untuk Kasus Tipe Kepribadian dengan Myers Briggs Type Indicator (MBTI)

Abstract

“Eksplorasi Algoritma Tree Based Model untuk Kasus tipe kepribadian dengan Myers- Briggs Type Indicator (MBTI).” Penelitian ini dilakukan karena pentingnya memahami

tipe kepribadian individu dalam berbagai aspek kehidupan, seperti pendidikan, pekerjaan, dan hubungan sosial. Myers-Briggs Type Indicator (MBTI) merupakan salah satu alat ukur yang paling umum digunakan untuk mengklasifikasikan tipe kepribadian individu. Namun, penggunaan MBTI masih memiliki beberapa keterbatasan, seperti kurangnya akurasi dan kesulitan dalam memilih parameter yang tepat. Dalam beberapa tahun terakhir, penggunaan algoritma machine learning telah meningkat pesat dalam berbagai bidang, termasuk psikologi. Algoritma Tree Based Model merupakan salah satu jenis algoritma yang paling umum digunakan dalam klasifikasi data. Oleh karena itu, penelitian ini bertujuan untuk menganalisis dan mengekplorasi performa berbagai model berbasis pohon keputusan dalam mengklasifikasikan tipe kepribadian MBTI. Penelitian ini menggunakan dataset yang dikumpulkan menggunakan google form yang diisi bersamaan dengan pengisian tes kepribadian pada website 16Personalities, responden akan mengisi jawaban yang sama persis dengan tes kepribadian yang sudah dilakukan. Dan sampel yang terkumpul berjumlah 174 sampel. Model yang akan digunakan untuk eksplorasi dalam penelitian ini meliputi Decision Tree, Random Forest, Extra Trees, Gradient Boosting, XGBoost, dan Ada Boost. Tahapan pada penelitian ini mencakup Pre-Processing Data, Analisis data, Modelling dan Testing. Hasil penelitian Model terbaik berdasarkan prediksi yang dilakukan dengan target semua dimensi MBTI dan nilai perbandiangan antara train set dan test set sebesar 8:2 adalah model Extra Trees dengan nilai akurasi 0.728, kemudian model tertinggi setelah Extra Trees ada Random Forest dengan nilai akurasi 0.7178, kemudian model XGBoost dengan nilai akurasi 0.7142, kemudian model AdaBoost dengan nilai akurasi 0.703, dilanjut dengan model Gradient Boosting dengan nilai akurasi 0.70, dan terakhir model yang memiliki nilai paling rendah ada Decision Tree dengan nilai 0.603. Penelitian ini diharapkan dapat memberikan kontribusi pada pengembangan algoritma pembelajaran mesin dalam psikologi, serta dapat membantu dalam pengembangan sistem yang lebih akurat dan efektif dalam mengklasifikasikan tipe kepribadian individu. Selain itu, penelitian ini juga dapat membantu dalam memahami lebih lanjut tentang tipe kepribadian individu dan bagaimana algoritma pembelajaran mesin dapat digunakan untuk meningkatkan pemahaman tersebut.