A3b7 PDF
A3b7 PDF
Abstract— Graphology is a study of representing personality menjadi salah satu alasan mengapa tulisan tangan dapat
based on handwriting. Individual’s handwriting is unique and dianalisis untuk memahami kepribadian seseorang. Dengan
has own feature that it can be analyzed to understand menganalisis tulisan tangan, seseorang dapat mengetahui
personality. Graphology is used in some fields such as staffing, kelebihan dan kekurangan dirinya sehingga dapat dijadikan
determining interest and talent. Some researches in graphology sebagai sarana untuk introspeksi diri.
using artificial intelligence have been studied before. However,
most of the researches still used one handwriting feature and did
Grafologi digunakan di antaranya dalam penempatan
not classify into personality type. In this study, using some karyawan, penentuan gaya belajar, penentuan minat dan bakat,
features of handwriting, i.e. left margin, right margin, size, and serta pengungkapan kasus kejahatan. Pakar yang bekerja
slant to classify personality type. Personality is classified based dalam menganalisis tulisan tangan disebut dengan grafolog.
on Myers-Briggs Type Indicator (MBTI) using Back Propagation Meskipun campur tangan grafolog dalam menganalisis tulisan
and Learning Vector Quantization method. The result shows tangan sangat efektif untuk dilakukan, hal ini tentunya
that Learning Vector Quantization has better performance, with memerlukan tenaga dan waktu. Oleh karena itu, diperlukan
90% accuracy, than Back Propagation, which has 82% accuracy. sebuah sistem yang dapat menganalisis tulisan tangan secara
otomatis.
Intisari— Grafologi adalah ilmu yang merepresentasikan Implementasi kecerdasan buatan sudah banyak diterapkan
kepribadian seseorang berdasarkan tulisan tangan. Tulisan pada aplikasi untuk mengenali pola dalam melakukan
tangan setiap orang bersifat unik dan memiliki karakteristiknya klasifikasi terhadap objek tertentu. Salah satu model
masing-masing, sehingga dapat dianalisis untuk memahami kecerdasan buatan yang banyak diimplementasikan adalah
watak seseorang. Grafologi digunakan dalam berbagai bidang, Jaringan Saraf Tiruan (JST). JST dimodelkan berdasarkan
seperti penentuan minat bakat dan penempatan karyawan.
jaringan saraf biologi manusia dalam memperoleh informasi.
Penelitian yang menerapkan kecerdasan buatan di bidang
grafologi sudah dilakukan oleh beberapa peneliti. Akan tetapi, Model ini memiliki kemampuan untuk mendapatkan informasi
sebagian besar masih menggunakan satu karakteristik tulisan dari data yang rumit dan memecahkan masalah dengan
tangan dan tidak mengklasifikasikan ke dalam salah satu tipe sendirinya berdasarkan informasi yang melewati jaringan.
kepribadian. Oleh karena itu, pada makalah ini dibangun Model yang paling sering digunakan dan paling sukses dalam
aplikasi pengenalan kepribadian berdasarkan beberapa mengenali pola yaitu multilayer perceptron [1]. Back
karakterisitik tulisan tangan yaitu margin kiri, margin kanan, Propagation merupakan salah satu metode supervised
ukuran, kemiringan, dan bentuk huruf. Kepribadian learning pada model multilayer perceptron yang bekerja
diklasifikasikan berdasarkan Myers-Briggs Type Indicator dengan meminimalkan error pada keluaran yang dihasilkan
(MBTI) menggunakan metode Back Propagation dan Learning
Vector Quantitazion. Berdasarkan hasil pengujian, diketahui
pada jaringan. Selain itu, salah satu metode JST yang sering
metode Learning Vector Quantitazion, dengan tingkat akurasi digunakan pada pengenalan pola adalah Learning Vector
90%, memiliki kinerja yang lebih baik dibandingkan Back Quantization. Berbeda dengan metode Back Propagation,
Propagation yang memiliki tingkat akurasi sebesar 82%. jaringan pada metode ini belajar menggunakan neuron pada
lapisan kompetitif dalam mengklasifikasikan masukan data.
Kata Kunci— Grafologi, Kepribadian, Jaringan Saraf Tiruan, Oleh karena itu, pada makalah ini dibandingkan dua metode
Back Propagation, Learning Vector Quantization. JST yaitu Back Propagation dan Learning Vector
Quantization.
I. PENDAHULUAN Penelitian di bidang grafologi dengan
Grafologi merupakan cabang ilmu pengetahuan dalam mengimplementasikan kecerdasan buatan telah dilakukan
menginterpretasikan karakter dan kepribadian seseorang dalam beberapa penelitian sebelumnya, di antaranya
melalui tulisan tangan. Tulisan tangan berasal dari ide dan menggunakan karakteristik tulisan yaitu tekanan tulisan [2],
pemikiran yang ada pada otak manusia. Setiap orang memiliki garis dasar [3], dan huruf ‘t’ [4]. Akan tetapi, pada penelitian-
pola tulisan tangan yang unik seperti pada sidik jari. Hal ini penelitian tersebut hanya digunakan salah satu karakteristik
pada tulisan tangan, sehingga tidak dapat menggambarkan
1,2
Program Studi Teknik Informatika, Politeknik Caltex Riau,
kepribadian seseorang. Penelitian lainnya telah menggunakan
Jl.Umban Sari (Patin) No.1 Rumbai Pekanbaru - Riau 28265 (tlp: beberapa karakteristik tulisan tangan di antaranya garis dasar,
0761-53939; fax: 0761-554224; e-mail: kemiringan, huruf “t”, dan margin [5]. Akan tetapi, penelitian
mutia13ti@mahasiswa.pcr.ac.id, maksum@pcr.ac.id) tersebut hanya mengenali karakter seseorang dan belum
3
Program Studi Sistem Informasi, Politeknik Caltex Riau, mengklasifikasikannya menjadi tipe kepribadian. Maka pada
Jl.Umban Sari (Patin) No.1 Rumbai Pekanbaru - Riau 28265 (tlp: makalah ini dibangun aplikasi yang dapat mengenali
0761-53939; fax: 0761-554224; e-mail: dadang@pcr.ac.id) kepribadian seseorang berdasarkan karakteristik tulisan tangan
Mutia Fadhilla: Pengenalan Kepribadian Seseorang Berdasarkan ... ISSN 2301 - 4156
366 JNTETI, Vol. 6, No. 3, Agustus 2017
ISSN 2301 – 4156 Mutia Fadhilla: Pengenalan Kepribadian Seseorang Berdasarkan ...
JNTETI, Vol. 6, No. 3, Agustus 2017 367
Mutia Fadhilla: Pengenalan Kepribadian Seseorang Berdasarkan ... ISSN 2301 - 4156
368 JNTETI, Vol. 6, No. 3, Agustus 2017
dengan supervisi [10]. Hal ini menyebabkan bobot dan bias diperoleh agar dapat dijadikan masukan pada metode yang
dapat dihitung secara otomatis tanpa harus melakukan uji coba. digunakan. Aplikasi akan melakukan pelatihan pada data latih
sehingga dapat diperoleh bobot yang optimal pada setiap
2) Perceptron: Perceptron merupakan model JST yang
metode yang digunakan. Selanjutnya, dilakukan pengujian
memiliki beberapa lapisan (layer) dengan lapisan masukan
kinerja setiap metode serta membandingkan metode yang
yang bersifat tetap. Model ini digambarkan pertama kali oleh
lebih baik digunakan pada aplikasi pengenalan kepribadian
Frank Rosenblatt pada tahun 1958. Komponen utama dari
yang dibangun.
model ini menurut Frank yaitu hasil pengalian bobot neuron
dan fungsi aktivasi nonlinear. Algoritme pelatihan perceptron
dapat digunakan baik untuk masukan biner atau bipolar
dengan ambang tertentu. Satu siklus atau iterasi yang
melibatkan semua data pada pelatihan disebut dengan istilah
epoch.
3) Back Propagation: Back Propagation merupakan
metode pembelajaran pada JST yang menggunakan penurunan
gradien (gradient descent) dalam meminimalkan error. Back
Propagation merupakan salah satu metode pembelajaran pada
paradigma multilayer perceptron dari JST [1]. Metode ini
juga dikenal dengan error backpropagation atau backprop.
Pembelajaran ini terdiri atas tiga tahapan, yaitu tahap Gbr. 3 Tahapan pada penelitian.
perambatan maju, tahap perambatan balik, dan tahap
B. Pengumpulan Data Latih
perubahan bobot dan bias. Tahap perambatan maju digunakan
untuk menghitung jumlah bobot dan masukan pada algoritme Data latih yang digunakan berupa citra tulisan tangan yang
lalu penerapan fungsi aktivasi untuk menghitung nilai dari ditulis pada kertas berukuran A4. Data latih dikumpulkan
neuron keluaran. Pada tahap perambatan balik dilakukan dengan meminta sampel tulisan tangan mahasiswa dan
penerapan penurunan gradien, lalu tahap terakhir yaitu karyawan di Pekanbaru secara acak. Tulisan tangan ini lalu
perubahan bobot dan bias berdasarkan error. dianalisis tipe kepribadiannya oleh grafolog secara manual
berdasarkan tipe kepribadian MBTI. Jumlah tulisan tangan
4) Bidirectional Associative Memory (BAM): BAM yang terkumpul yaitu 200 tulisan tangan dan kemudian difilter
merupakan model JST yang memiliki dua lapisan (masukan menjadi 100 tulisan tangan sesuai dengan kebutuhan aplikasi
dan keluaran) yang saling timbal balik. Hubungan ini bersifat yang dibangun.
bidirectional, yaitu jika bobot yang dikirim dari lapisan
TABEL II
masukan ke keluaran adalah W, maka bobot yang dikirim dari RINCIAN DATA LATIH APLIKASI
lapisan keluaran ke masukan adalah transpose dari W (WT).
Metode ini dapat menerima dua jenis masukan dataset yaitu Tipe Kepribadian Jumlah Data
diskret dan kontinu. ISTJ 2
ISTP 9
5) Learning Vector Quantization (LVQ): LVQ merupakan
ISFJ 11
metode pada JST yang bersifat adaptif berdasarkan data latih
ISFP 1
dengan kelas yang diinginkan. LVQ terdiri atas tiga buah
INTJ 10
lapisan yaitu masukan, kompetitif, dan keluaran. Metode ini
INTP 9
melatih data secara kompetitif pada lapisan kompetitif yang
secara otomatis mengklasifikasikan data masukan ke dalam INFJ 6
salah satu kelas. LVQ tidak hanya melatih data secara INFP 1
terawasi (supervised learning), metode ini juga dapat ESTJ 2
melakukan clustering atau unsupervised learning untuk ESTP 6
preprocessing pada dataset [12]. ESFJ 3
ESFP 12
III. METODOLOGI ENTJ 6
ENTP 1
A. Tahapan Penelitian ENFJ 8
Tahapan yang dilakukan pada penelitian ini ditunjukkan ENFP 13
pada Gbr. 3. Tahapan awal yang dilakukan yaitu pengumpulan
data latih (data training) yang dibutuhkan. Selanjutnya adalah Tabel II menunjukkan rincian jumlah tulisan tangan yang
pembangunan aplikasi untuk pengenalan kepribadian. didapatkan berdasarkan tipe kepribadian MBTI. Tulisan
Pembangunan aplikasi ini dilakukan beriringan dengan tangan yang telah terkumpul selanjutnya di-scan menjadi file
pengumpulan data latih. Pada aplikasi diterapkan dua metode citra sehingga dapat dikenai proses pengolahan citra digital.
JST yaitu Back Propagation dan LVQ. Lalu, tahapan Gbr. 4 menunjukkan hasil scanning salah satu tulisan tangan
selanjutnya yaitu pengolahan citra tulisan tangan yang telah yang telah dikumpulkan. Ciri tulisan tangan yang digunakan
ISSN 2301 – 4156 Mutia Fadhilla: Pengenalan Kepribadian Seseorang Berdasarkan ...
JNTETI, Vol. 6, No. 3, Agustus 2017 369
Gbr. 4 Contoh hasil scanning tulisan tangan. • Menerapkan fungsi aktivasi pada lapisan tersembunyi
untuk menghitung sinyal keluaran dengan persamaan
C. Back Propagation 𝑧𝑗 = 𝑓(𝑧_𝑖𝑛𝑗 ) . Fungsi aktivasi yang biasa digunakan
Back Propagation merupakan salah satu metode adalah fungsi sigmoid, yaitu:
pembelajaran pada JST yang menggunakan metode penurunan 1
gradien untuk meminimalkan kuadrat error keluaran. Metode 𝑓(𝑥) = . (3)
1+ 𝑒 −𝑥
pembelajaran ini terdiri atas inisialisasi bobot (diambil dari • Setiap unit keluaran (Yk, k=1,2,3,…,m) menjumlahkan
nilai acak yang cukup kecil) dan dilakukan tahapan
bobot sinyal tersembunyi menggunakan persamaan:
pembelajaran.
𝑝
Gbr. 5 menunjukkan arsitektur JST Back Propagation yang 𝑦_𝑖𝑛𝑘 = 𝑤0𝑘 + ∑𝑗=1 𝑧𝑗 𝑤𝑗𝑘 (4)
digunakan. Jaringan terdiri atas tiga lapisan yaitu masukan,
tersembunyi, dan keluaran. Lapisan masukan terdiri atas enam kemudian menerapkan fungsi aktivasi untuk
neuron, yaitu X1, X2, X3, X4, X5, dan X0, berdasarkan jumlah menghitung sinyal keluaran dengan persamaan:
parameter yang diperoleh dari ektraksi ciri citra tulisan tangan. 𝑦𝑘 = 𝑓(𝑦_𝑖𝑛𝑘 ). (5)
X1 merupakan jarak margin kiri, X2 merupakan kemiringan
dari margin kiri, X3 merupakan jarak margin kanan, X4 • Menghitung kuadrat error dari keluaran.
merupakan ukuran tulisan, X5 merupakan kemiringan tulisan, 2) Tahap Perambatan Balik (Back Propagation):
dan X0 merupakan bias. Lapisan tersembunyi terdiri atas
• Setiap unit keluaran menerima pola target (t) yang
delapan neuron dan lapisan keluaran terdiri atas empat neuron
berdasarkan jumlah dimensi pada MBTI. sesuai dengan pola masukan pelatihan.
• Menghitung nilai error pada setiap unit di lapisan
Pelatihan data menggunakan metode ini dilakukan dengan
jumlah maksimum epoch sebanyak 1.000 dan error minimum keluaran menggunakan persamaan berikut.
0,05. Adapun tahapan pelatihan data yang dilakukan pada 𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘 ) 𝑓 ′ �𝑦𝑖𝑛 𝑘 �. (6)
metode Back Propagation terdiri dari tahap perambatan maju,
tahap perambatan balik, serta tahap perubahan bobot dan bias. Kemudian menghitung koreksi bobot dengan (7).
Mutia Fadhilla: Pengenalan Kepribadian Seseorang Berdasarkan ... ISSN 2301 - 4156
370 JNTETI, Vol. 6, No. 3, Agustus 2017
• Tes kondisi berhenti. Iterasi berhenti ketika kuadrat Algoritme pada LVQ adalah sebagai berikut.
error lebih kecil daripada error minimum. • Tetapkan bobot(w), maksimum iterasi atau maksimum
epoch, error minimum (eps) dan learning rate (α).
D. Learning Vector Quantization • Masukkan masukan dan target.
LVQ merupakan metode pembelajaran pada lapisan • Tetapkan kondisi awal (epoch = 0 dan err=1).
kompetitif terawasi yang belajar secara otomatis dalam • Kerjakan jika: (epoch < maksimum iterasi) atau (α >
mengklasifikasikan vektor-vektor masukan ke dalam kelas. eps)
Kelas yang dihasilkan berdasarkan jarak antar vektor-vektor Epoch = epoch + 1
masukan. Jika terdapat dua vektor masukan yang hampir sama, Kerjakan untuk i = 1 sampai jumlah data latih
maka akan diklasifikasikan ke dalam kelas yang sama. Tentukan J sehingga || x – wj || adalah minimum
Gbr. 6 menunjukkan arsitektur JST LVQ. Jaringan terdiri Perbaiki bobot (wj) dengan ketentuan :
atas tiga lapisan yaitu masukan, kompetitif, dan keluaran. Jika T = J maka :
Lapisan masukan terdiri atas lima neuron berdasarkan hasil wj(baru) = wj(lama) + α(x-wj(lama))
ekstraksi ciri dari citra tulisan tangan, yaitu jarak margin kiri, (15)
kemiringan margin kiri, jarak margin kanan, ukuran, dan Jika T ≠ J maka :
kemiringan tulisan tangan. Lapisan kompetitif dan lapisan wj(baru) = wj(lama) - α(x-wj(lama))
keluaran terdiri atas 16 neuron berdasarkan jumlah tipe (16)
Kurangi nilai α.
kepribadian MBTI.
Pada makalah ini, pelatihan data menggunakan metode IV. HASIL DAN PEMBAHASAN
LVQ dilakukan dengan maksimum epoch sebanyak 1.000,
seperti pada metode Back Propagation. Bobot awal dari A. Implementasi Antarmuka
metode diambil dari data latih pertama dari setiap tipe Aplikasi dibangun menggunakan IDE Microsoft Visual
kepribadian. Selain itu, pesat pembelajaran yang digunakan Studio dengan bahasa pemrograman C# dan database MySQL.
yaitu 0,5 dan error minimum yang digunakan adalah 0,05. Gbr. 7 menunjukkan antarmuka menu utama. Aplikasi terdiri
ISSN 2301 – 4156 Mutia Fadhilla: Pengenalan Kepribadian Seseorang Berdasarkan ...
JNTETI, Vol. 6, No. 3, Agustus 2017 371
atas tiga menu utama, yaitu menu mulai untuk mengarahkan tampilan digunakan untuk memasukkan data latih dengan
ke antarmuka pengenalan kepribadian, menu pelatihan data, memilih citra tulisan dan tipe kepribadiannya. Lalu, data latih
dan menu petunjuk pemakaian aplikasi. tersebut dapat disimpan dengan menekan tombol Simpan.
Sedangkan pelatihan data dilakukan dengan memilih metode
yang akan dilatih lalu menekan tombol Latih Data.
Mutia Fadhilla: Pengenalan Kepribadian Seseorang Berdasarkan ... ISSN 2301 - 4156
372 JNTETI, Vol. 6, No. 3, Agustus 2017
matrix. Gbr. 11 menunjukkan confusion matrix metode Back Tipe kepribadian ISFP dan INFP hanya memiliki satu data
Propagation. Berdasarkan gambar tersebut, diperoleh tingkat dari keseluruhan data yang digunakan untuk melakukan
akurasi pada metode ini adalah 82%. Hal ini menunjukkan pengujian.
bahwa aplikasi yang dibangun berhasil mengenali kepribadian Prediksi
berdasarkan tulisan tangan menggunakan metode Back ISTJ
ISTJ ISTP ISFJ ISFP INTJ INTP INFJ INFP ESTJ ESTP ESFJ ESFP ENTJ ENTP ENFJ ENFP
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Propagation jika dilihat berdasarkan tingkat akurasi yang ISTP 0 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0
ISFJ 0 0 10 0 0 0 0 0 0 0 0 0 1 0 0 0
diperoleh. ISFP 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
INTJ 0 0 0 0 10 0 0 0 0 0 0 0 0 0 0 0
Prediksi INTP 0 0 0 0 0 9 0 0 0 0 0 0 0 0 0 0
ISTJ ISTP ISFJ ISFP INTJ INTP INFJ INFP ESTJ ESTP ESFJ ESFP ENTJ ENTP ENFJ ENFP INFJ 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0
ISTJ 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 INFP 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
Aktual
ISTP 0 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ESTJ 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0
ISFJ 0 0 11 0 0 0 0 0 0 0 0 0 0 0 0 0 ESTP 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6
ISFP 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 ESFJ 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0
INTJ 0 0 0 0 9 0 1 0 0 0 0 0 0 0 0 0 ESFP 0 1 0 0 0 0 0 0 0 0 0 11 0 0 0 0
INTP 0 0 0 0 0 9 0 0 0 0 0 0 0 0 0 0 ENTJ 0 0 0 0 0 0 0 0 0 0 0 0 5 0 0 1
INFJ 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 ENTP 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
INFP 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 ENFJ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 8 0
Aktual
ESTJ 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 ENFP 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 12
ESTP 0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0
ESFJ 0 0 0 0 0 0 0 0 0 0 1 0 0 0 2 0
Gbr. 12 Confusion Matrix metode LVQ.
ESFP 0 0 0 0 0 0 0 0 0 0 0 12 0 0 0 0
ENTJ 0 0 1 0 0 0 1 0 0 0 0 0 3 0 1 0
ENTP 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 TABEL IV
ENFJ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 8 0 TABEL RINCIAN CONFUSION MATRIX METODE LVQ
ENFP 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 10
ISSN 2301 – 4156 Mutia Fadhilla: Pengenalan Kepribadian Seseorang Berdasarkan ...
JNTETI, Vol. 6, No. 3, Agustus 2017 373
tipe kepribadian dengan tingkat akurasi yang tinggi. Selain itu, precision dan recall maksimal hampir di semua tipe
metode ini memiliki tingkat akurasi lebih besar dibandingkan kepribadian. Akan tetapi, terdapat beberapa tipe kepribadian
metode Back Propagation. yang masih memiliki persentase precision dan recall sebesar 0%
Adapun persentase precision dan recall dari metode LVQ pada kedua metode yang digunakan. Hal ini dapat disebabkan
disajikan pada Tabel IV. Berdasarkan tabel tersebut, karena jumlah persebaran data yang digunakan pada setiap
persentase precision tertinggi sebesar 100% diperoleh hampir tipe kepribadian tidak rata. Pengumpulan data pada penelitian
semua tipe kepribadian kecuali ISTP, ISFJ, ENTJ, dan ENFP. selanjutnya sebaiknya dilakukan secara merata pada setiap
Persentase recall pada metode ini juga memiliki nilai tertinggi tipe kepribadian.
sebesar 100% pada hampir setiap tipe kepribadian kecuali
ISFJ, ESTP, ESFP, ENTJ, dan ENFP. Precision dan recall REFERENSI
tipe kepribadian ESTP pada metode ini memiliki nilai [1] C. M. Bishop, Pattern Recognition and Machine Learning, New York:
persentase yang sama dengan pada metode Back Propagation, Springer Science+Business Media, 2006.
yaitu tidak presisi dan persentase recall 0%. [2] G. K. Arridho, ”Analisis Pen Pressure Tulisan Tangan untuk
Mengidentifikasi Kepribadian Seseorang Menggunakan Support Vector
Berdasarkan hasil pengujian precision dan recall pada Machine (SVM),” Journal of Informatics and Technology, Vol 2, No 3,
metode LVQ, terlihat bahwa aplikasi berhasil mengenali pp. 66-67, 2013.
hampir semua tipe kepribadian. Hal ini dapat dilihat dari nilai [3] E. Prasetiawan, ”Analisis Pola Garis Dasar Tulisan Tangan Untuk
persentase presisi yang diperoleh pada setiap tipe kepribadian, Mengidentifikasi Kepribadian Seseorang Menggunakan Support Vector
yaitu antara 63,16% hingga 100%. Akan tetapi, aplikasi tidak Machine (SVM),” Journal of Informatics and Technology, Vol 2, No 3,
pp. 125-133, 2013.
berhasil mengenali tipe kepribadian ESTP. Penggunaan
metode LVQ tidak presisi terhadap tipe kepribadian ini. Hal [4] I. Awaludin och A. Khairunisa, ”Aplikasi Grafologi dari Huruf "t"
Menggunakan Jaringan Syaraf Tiruan,” Jurnal Nasional Teknik Elektro
ini dapat dilihat dari nilai precision dan recall tipe kepribadian dan Teknologi Informasi (JNTETI) UGM, Vol.4, No.3, 2015.
ESTP pada Tabel IV. [5] P. Joshi, A. Agarwal, A. Dhavale och S. Kodolikar, ”Handwriting
Berdasarkan hasil pengujian kedua metode yang Analysis for Detection of Personality Traits using Machine Learning
digunakan pada aplikasi, dapat disimpulkan bahwa metode Approach,” International Journal of Computer Applications (0975 -
yang lebih baik digunakan untuk aplikasi pengenalan 8887), Volume 130, No.15, 2015.
kepribadian adalah metode LVQ. Metode ini memperoleh [6] S. Dwikardana, Practical Handbook of Graphology, Yogyakarta:
Penerbit PT Kanisius, 2014.
tingkat akurasi lebih tinggi dibandingkan Back Propagation,
yaitu sebesar 90%. Sedangkan metode Back Propagation [7] W. Setyaningsih, Mengenal Kepribadian Lewat Tulisan, Yogyakarta:
NOTEBOOK, 2015.
hanya memiliki tingkat akurasi sebesar 82%. Selain itu,
[8] R. A. Noe, J. R. Hollenbeck, B. Gerhart och P. M. Wright, Manajemen
metode LVQ memiliki nilai precision dan recall tertinggi Sumber Daya Manusia : Mencapai Keunggulan Bersaing, Jakarta:
hampir di semua tipe kepribadian. Penerbit Salemba Empat, 2010.
[9] R. C. Gonzales och R. E. Woods, Digital Image Processing, New Jersey:
V. KESIMPULAN Pearson Prentice Hall, 2010.
Berdasarkan hasil yang diperoleh dapat disimpulkan bahwa [10] T. Sutojo, E. Mulyanto och V. Suhartono, Kecerdasan Buatan,
aplikasi pengenalan kepribadian seseorang berdasarkan tulisan Yogyakarta: Penerbit ANDI, 2011.
tangan berhasil dibangun dengan memperoleh tingkat akurasi [11] Suyanto, Artificial Intelligence, Bandung: Penerbit Informatika, 2014.
mencapai 90%. Metode yang paling baik digunakan pada [12] J. Amezcua, P. Melin och O. Castillo, ”A Neural Network with a
aplikasi ini yaitu LVQ. Hal ini dikarenakan metode ini Learning Vector Quantization Algorithm for Multiclass Classification
Using a Modular Approach,” Recent Developments and New Direction
memiliki tingkat akurasi yang lebih tinggi dibandingkan in Soft-Computing Foundations and Applications, Springer, Cham, 2016,
metode Back Propagation. Metode LVQ memiliki tingkat pp. 171-184.
akurasi sebesar 90% sedangkan Back Propagation sebesar
82%. Selain itu, metode LVQ memperoleh persentase
Mutia Fadhilla: Pengenalan Kepribadian Seseorang Berdasarkan ... ISSN 2301 - 4156