TINJAUAN LITERATUR
Metode pemodelan sistem ini bekerja dengan cara mengadaptasi solusi yang
pernah digunakan untuk memecahkan masalah lama dan menggunakan lagi solusi
tersebut untuk masalah baru (Alfa Pahlawan, Angelina, Ade, 2015). Dari penelitian
yang telah dilakukan oleh Alfa Pahlawan dan rekan-rekannya telah terbukti bahwa
metode case based reasoning melakukan retrieve solusi dari database kasus yang
Metode ini adalah metode yang bekerja dengan cara mengambil keputusan untuk
kasus baru berdasarkan solusi dari kasus-kasus sebelumnya. Dengan kata lain basis
pengetahuan belajar dari kasus sebelumnya. Proses pada metode ini meliputi
kasus agar mudah dalam menemukan masalah yang mirip, dan pengintegrasian kasus
baru pada struktur memori database. Secara umum terdapat 4 langkah proses yakni:
Task ini dimulai dengan pendeskripsian sebagian masalah dan berakhir saat
telah ditemukan kasus sebelumnya yang telah cocok. Sub task pada proses ini
Proses reuse dari solusi kasus yang telah diperoleh dalam konteks kasus baru
difokuskan pada 2 aspek yakni perbedaan antara kasus yang sebelumnya dengan yang
baru, dan bagian dari kasus tersebut yang dapat dipelajari oleh sistem sehingga
7
c. Revise (meninjau / memperbaiki) :
Meninjau atau memperbaiki usulan solusi. Pada fase ini terdapat 2 tugas yakni
mengevaluasi solusi kasus yang dihasilkan oleh proses reuse jika proses berhasil maka
dilanjutkan ke proses retain. Sedangkan jika tidak berhasil maka solusi kasus
d. Retain (menyimpan) :
Fase ini adalah proses penyimpanan bagian-bagian dari pengalaman kasus yang
Pada penelitian yang akan dilakukan pola data susah ditentukan karena
perolehan data hasil melalui perhitungan matematis, hal ini dirasakan sulit untuk
melakukan pemetaan data secara manual karena banyaknya kemungkinan yang akan
terjadi. Peneliti memilih metode case based reasoning karena metode ini mampu
membuat pola dengan belajar mengenali pola dari kasus-kasus yang telah diselesaikan.
Dengan menggunakan metode case based reasoning peneliti berharap data akan lebih
mudah diolah karena pola data hasil akan selalu terbentuk ketika menyelesaikan
persoalan.
terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan
algoritma ini menyimpan vektor-vektor fitur dan klasifikasi dari data pembelajaran.
Pada tahap klasifikasi, fitur-fitur yang sama dihitung untuk data tes (yang
8
klasifikasinya tidak diketahui). Jarak dari vektor yang baru terhadap seluruh vektor
data pembelajaran dihitung, dan sejumlah k-buah data yang paling mendekati
termasuk pada klasifikasi terbanyak dari titik-titik tersebut. Nilai k yang terbaik untuk
algoritma ini tergantung pada data, secara umum nilai k yang tinggi akan mengurangi
efek noise pada klasifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi
lebih kabur. Nilai k yang bagus dapat dipilih dengan optimasi parameter, misalnya
diprediksikan berdasarkan data pembelajaran yang paling dekat (dengan kata lain, k =
Ketepatan algoritma k-NN ini 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.
Pada penelitian yang dilakukan oleh Mei Lestari dengan judul Penerapan
(2014) dengan menggunakan 110 records pasien yang masing-masing 100 records
digunakan untuk training data dan 10 records digunakan untuk testing data. Dalam
menentukan seorang pasien terkena penyakit jantung digunakan 9 data terdekat atau k
terhadap data baru. Dari 9 data tersebut diperoleh kelas mayoritas, maka data uji
tersebut termasuk kedalam kelas mayoritas. Perhitungan kedekatan / jarak antar atribut
9
Gambar 2.1 Contoh hasil penelitian
Perhitungan kedekatan kasus antara data training dengan data uji adalah sebagai
berikut: Kuadrat jarak data training baris ke-1 dengan data uji = (70-44)2+(1-0)2+(4-
3)2+(130-108)2+(322-141)2+(0-0)2+(2-0)2+(109-175)2+(0-0)2+(2,40,6)2+(2-2)2+(3-
0)2+(3-3)2 = 38295,24
Hasil dari penelitian tersebut yaitu dengan menggunakan cofusion matrix dan
kurva ROC, diperoleh nilai akurasi 70% dan termasuk klasifikasi baik karena memiliki
proses pembelajaran pola data dan interpretasi pengetahuan pada mesin sistem akan
lebih mudah karena keefektifan algoritma nearest neighbor dalam training data.
10
Algoritma ini akan digunakan sebagai mesin inferensi pada sistem yang akan
dibangun oleh peneliti, dimana algoritma ini bertugas dalam lingkup knowledge
engineering system.
Marston(1928), namun alat instrumen tes DISC dibuat pertama kali oleh Walter Clarke
pada tahun 1956 dan terus dikembangkan oleh beberapa peneliti sejak saat itu. DISC
perilaku kerja yang berdasarkan pada 4 tipe kepribadian seseorang yaitu Dominance,
dengan 24 nomor soal yang masing-masing nomor soalnya terdiri dari 4 pernyataan
dan 1 pernyataan yang paling tidak menggambarkan dirinya / least (Goni, Opod, &
David, 2016). Setelah itu, hasil jawaban dari responden diolah menggunakan rumus
matematis metode DISC. Pada pengolahan data menggunakan alat tes ini terdapat 3
hasil grafik, dimana masing-masing grafik ini akan menghasilkan beberapa pola yang
berbeda.
Grafik pertama adalah grafik most, pada grafik ini akan merepresentasikan
jawaban most yang dipilih oleh responden. Grafik most menggambarkan mask, public
self pada diri responden. Grafik kedua yakni grafik least yang akan merepresentasikan
jawaban least yang dipilih oleh responden. Grafik least sendiri akan menggambarkan
core, private self dari diri responden. Grafik yang terakhir adalah grafik change, grafik
ini akan menampilkan hasil pengolahan matematis antara hasil pilihan most – least =
change. Dari grafik ini akan diperoleh hasil mirror, perceived self pada diri responden.
11
Hasil dari alat tes DISC akan terlihat dari pola ketiga grafik tersebut, hasilnya berupa
Pada penelitian yang dilakukan oleh Cindy K.E, Henry Opod, dan Lydia David
bahwa karakteristik orang tipe D antara lain tegas, ambisius, independen, menyukai
sabar, dan tidak menyukai hal yang rutin. Karakteristik orang tipe I antara lain ramah,
senang bergaul, suka menghibur orang lain, antusias, optimis, motivator, kurang
memerhatikan detail, banyak bicara, mudah lupa, dan seringkali bereaksi berlebihan
terhadap sesuatu. Karakteristik orang tipe S antara lain sabar, gigih, jujur, akomodatif,
loyal, tidak terlalu menuntut, ingin menolong orang lain, tidak suka dengan perubahan,
kurang antusias, kurang tegas, cenderung menghindar dari konlik, dan sulit menyusun
prioritas. Karakteristik orang tipe C antara lain teliti, terstruktur, berhati-hati dalam
membuat keputusan, kritis dalam menganalisa kerja sendiri maupun kerja kelompok,
Dari teori yang disampaikan diatas peneliti akan membangun aplikasi alat tes
psikologi DISC menggunakan metode pemodelan sistem case based reasoning dengan
algoritma nearest neighbor. Hal ini dirasa akan membuat aplikasi selalu mengalami
perbaikan data hasil dan pola data hasil dapat dilihat melalu pemodelan sistem CBR.
Serta dalam basis pengetahuan akan mudah didapat hasil karena menggunakan
12
2.4. Penelitian Sebelumnya
1. Penelitian yang dilakukan oleh (Cindy K. E. Goni, Henry Opod, Lydia David,
tahun 2016” dimana aplikasi ini menghasilkan suatu system yang dapat
kepada karyawan, dari perengkingan diperoleh hasil data karyawan yang paling
berpotensi untuk menempati suatu posisi tertentu sesuai kriteria yang telah
ditetapkan.
Case Based Reasoning, Rule Based Reasoning, Rule Based Reasoning dan
Theorema Bayes (Studi Kasus: Deteksi Penyakit umum)” Hasil yang dicapai
sistem pakar yang menerapkan metode case based reasoning dengan rule based
13
reasoning dapat meningkatkan akurasi dari sistem pakar hingga 39,88%. Hal ini
solusi, sehingga solusi akhir yang dipilih sistem juga lebih akurat. Sehingga pada
penelitian yang akan dilakukan peneliti memilih metode case based reasoning
4. Penelitian yang dilakukan oleh (Sri Mulyana dan Sri Hartati, 2009) dengan judul
diantaranya adalah metode ini merupakan metode yang paling tepat untuk
yang pernah terjadi. Sehingga pada aplikasi yang akan dibangun pada penelitian
Dengan hasil, peneliti tersebut diperoleh nilai akurasi 70% dan termasuk baik
6. Penelitian yang dilakukan oleh (Adrian Angga P, Ajib Susanto, Desi Purwanti
K, 2017) dengan judul penelitian “Rancang bangun web tracing alumni dengan
algoritma nearest neighbor menggunakan media SMS tracing dan map graduate
KNN dilakukan perhitungan kedekatan kasus alumni baru dan semua alumni
lama maka didapatkan kasus alumni lama terdekat yang diambil sebagai
14
2.5. Keaslian Penelitian
knowledge engineer pathfinder network pada alat tes DISC” ini belum pernah diangkat
terkait dengan metode objek permasalahan ini adalah “Sistem pakar disc psikotest
penelitian lainnya yang terkait tentang permasalahan objeknya adalah “sistem pakar
evaluasi psikologis remaja pada lembaga indonesia creative centre jakarta” (Henny
Destiana & Sari Suleha, 2016), namun yang membedakan adalah metode objek dan
sistemnya adalah “Sistem pakar dengan menggunakan metode case base reasoning,
rule base reasoning, dan theorema bayes (Studi Kasus : Deteksi Penyakit Umum)”
(Alfa Pahlawan Putra, Angelina Prima Kurniati, Ade Romadhony, 2015) namun yang
membedakan adalah objeknya. Dan penelitian terkait dengan mesin inferensi yang
mendeteksi penyakit jantung” (Mei Lestari, 2014) namun yang membedakan adalah
objeknya.
15