BAB II

TINJAUAN LITERATUR

2.1. Metode Case Based Reasoning

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

pernah terjadi sebelumnya sehingga akurasi data pada penelitiannya meningkat.

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

pemilihan informasi kasus yang akan disimpan, bentuk penyimpanan, penyusunan

kasus agar mudah dalam menemukan masalah yang mirip, dan pengintegrasian kasus

baru pada struktur memori database. Secara umum terdapat 4 langkah proses yakni:

a. Retrieve (memperoleh kembali) :

Task ini dimulai dengan pendeskripsian sebagian masalah dan berakhir saat

telah ditemukan kasus sebelumnya yang telah cocok. Sub task pada proses ini

mengacu pada identifikasi fitur, pencocokan awal, pencarian, dan pemilihan.

b. Reuse (menggunakan kembali) :

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

menjadi solusi baru.

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

diperbaiki menggunakan domain spesifik dari pengetahuan.

d. Retain (menyimpan) :

Fase ini adalah proses penyimpanan bagian-bagian dari pengalaman kasus yang

mungkin berguna untuk memecahkan masalah yang akan datang.

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.

2.2. Nearest Neighbor

Algoritma nearest neighbor adalah sebuah metode untuk melakukan klasifikasi

terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan

objek tersebut. Data pembelajaran diproyeksikan ke ruang berdimensi banyak, dimana

masing-masing dimensi merepresentasikan fitur data. Ruang ini dibagi menjadi

bagian-bagian berdasarkan klasifikasi data pembelajaran. Dekat atau jauhnya tetangga

biasanya dihitung berdasarkan jarak euclidean. Pada tahap pembelajaran data,

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

parameter yang diberikan diambil. Titik yang baru klasifikasinya diprediksikan

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

dengan menggunakan cross-validation. Kasus khusus di mana klasifikasi

diprediksikan berdasarkan data pembelajaran yang paling dekat (dengan kata lain, k =

1) disebut algoritma nearest neighbor.

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

algoritma klasifikasi nearest neighbor (K-NN) untuk mendeteksi penyakit jantung

(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

= 9. Klasifikasi dilakukan dengan menggunakan mayoritas suara diantara klasifikasi

dari k objek. Algoritma KNN menggunakan klasifikasi ketetanggaan sebagai prediksi

terhadap data baru. Dari 9 data tersebut diperoleh kelas mayoritas, maka data uji

tersebut termasuk kedalam kelas mayoritas. Perhitungan kedekatan / jarak antar atribut

adalah sebagai berikut:

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

Gambar 2.2 Hasil penelitian algoritma KNN

Hasil dari penelitian tersebut yaitu dengan menggunakan cofusion matrix dan

kurva ROC, diperoleh nilai akurasi 70% dan termasuk klasifikasi baik karena memiliki

nilai AUC 0.875.

Dengan menggunakan algoritma nearest neighbor peneliti berharap dalam

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.

2.3. Alat Tes DISC

Test kepribadian DISC pertama kali dikembangkan oleh William Moulton

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

merupakan pengukuran kepribadian yang bertujuan untuk melihat dan mengukur

perilaku kerja yang berdasarkan pada 4 tipe kepribadian seseorang yaitu Dominance,

Influence Steadiness, Compliance(Wahid, 2016). Tes ini dilakukan selama 7 menit

dengan 24 nomor soal yang masing-masing nomor soalnya terdiri dari 4 pernyataan

dimana responden memilih 1 pernyataan yang paling menggambarkan dirinya / most

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

kombinasi antara keempat kepribadian DISC.

Pada penelitian yang dilakukan oleh Cindy K.E, Henry Opod, dan Lydia David

dengan judul Gambaran kepribadian berdasarkan tes Disc mahasiswa Fakultas

Kedokteran Universitas Sam Ratulangi Manado semester 1 tahun 2016 menjelaskan

bahwa karakteristik orang tipe D antara lain tegas, ambisius, independen, menyukai

persaingan, penerima tantangan, cepat dalam mengambil keputusan, penuntut, tidak

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,

patuh terhadap atasan/pimpinan, kurang fleksibel, defensif ketika dikritik, terlalu

mengikuti aturan, dan lamban dalam menyelesaikan tugas karena terlalu

memperhatikan detail dan menginginkan kesempurnaan.

Dari teori yang disampaikan diatas peneliti akan membangun aplikasi alat tes

psikologi DISC menggunakan metode pemodelan sistem case based reasoning dengan

selalu melakukan update atau pengembangan pada basis pengetahuan menggunakan

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

algoritma nearest neighbor.

12
2.4. Penelitian Sebelumnya

Adapun penelitian yang dilakukan sebelumnya terdapat beberapa variasi dan

keunggulan masing-masing, berikut penelitian sebelumnya diantaranya;

1. Penelitian yang dilakukan oleh (Cindy K. E. Goni, Henry Opod, Lydia David,

2016) dengan judul jurnal “Gambaran Kepribadian berdasarkan tes DISC

mahasiswa Fakultas Kedokteran Universitas Sam Ratulangi Manado semester 1

tahun 2016” dimana aplikasi ini menghasilkan suatu system yang dapat

menganalisa karakter diri mahasiswa fakultas kedokteran Universitas Sam

Ratulangi. Penelitian ini menggunakan metode cross sectional study.

2. Penelitian yang dilakukan oleh (Irma Setiawati, Gunawan Abdillah, Asep Id

Hadiana, 2016) dengan judul jurnal “Sistem Pendukung Keputusan Penempatan

Karyawan Berdasarkan Test DOMINANT-INFLUENCE-STEADY-

COMPLIANCE (DISC) Menggunakan Metode Profil Matching” Aplikasi ini

menggunakan metode profil matching. Hasil yang dicapai berupa rekomendasi

untuk penempatan karyawan pada posisi yang diharapkan sesuai dengan

perhitungan dari sistem. Hasil perhitungan berupa rangking yang diberikan

kepada karyawan, dari perengkingan diperoleh hasil data karyawan yang paling

berpotensi untuk menempati suatu posisi tertentu sesuai kriteria yang telah

ditetapkan.

3. Penelitian yang dilakukan oleh (Alfa Pahlawan, Angelina Prima, Ade

Romadhony, 2015) dengan judul “Sistem Pakar Dengan Menggunakan Metode

Case Based Reasoning, Rule Based Reasoning, Rule Based Reasoning dan

Theorema Bayes (Studi Kasus: Deteksi Penyakit umum)” Hasil yang dicapai

adalah perbandingan antara ketiga metode tersebut yang menunjukan bahwa

sistem pakar yang menerapkan metode case based reasoning dengan rule based

13
 reasoning dapat meningkatkan akurasi dari sistem pakar hingga 39,88%. Hal ini

terjadi karena penggabungan kedua metode akan menghasilkan lebih banyak

solusi, sehingga solusi akhir yang dipilih sistem juga lebih akurat. Sehingga pada

penelitian yang akan dilakukan peneliti memilih metode case based reasoning

sebagai metode pemodelan sistem agar hasil yang diperoleh mendapatkan

keakuratan yang maksimal.

4. Penelitian yang dilakukan oleh (Sri Mulyana dan Sri Hartati, 2009) dengan judul

“Tinjauan Singkat Perkembangan Case-Based Reasoning” Hasil yang dicapai

ialah menemukan beberapa permasalahan metode case based reasoning

diantaranya adalah metode ini merupakan metode yang paling tepat untuk

retrieving, dan dalam pengembanganya tidak selalu tersedia dokumentasi kasus

yang pernah terjadi. Sehingga pada aplikasi yang akan dibangun pada penelitian

kali ini akan dibuat dokumentasi kasus yang pernah diselesaikan.

5. Penelitian oleh (Mei Lestari, 2014) dengan judul “Penerapan algoritma

klasifikasi nearest neighbor (K-NN) untuk mendeteksi penyakit jantung”.

Dengan hasil, peneliti tersebut diperoleh nilai akurasi 70% dan termasuk baik

karena memiliki nilai AUC 0,875.

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

di Universitas Dian Nuswantoro Semarang”. Dengan menggunakan algoritma

KNN dilakukan perhitungan kedekatan kasus alumni baru dan semua alumni

lama maka didapatkan kasus alumni lama terdekat yang diambil sebagai

rekomendasi tempat KP.

14
2.5. Keaslian Penelitian

Permasalahan “Penerapan case based reasoning dengan pengembangan

knowledge engineer pathfinder network pada alat tes DISC” ini belum pernah diangkat

di UPN “Veteran” Yogyakarta maupun di skala nasional. Adapun penelitian yang

terkait dengan metode objek permasalahan ini adalah “Sistem pakar disc psikotest

lembaga anak bangsa cerdas” (Bobby anto L . L Balle,2012), namun yang

membedakannya adalah objek penelitiannya dan metode pemodelan sistem. Adapun

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

metode pemodelan sistem. Selanjutnya penelitian terkait tentang metode pemodelan

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

digunakan ialah “Penerapan algoritma klasifikasi nearest neighbor (K-NN) untuk

mendeteksi penyakit jantung” (Mei Lestari, 2014) namun yang membedakan adalah

objeknya.

15