IMPLEMENTASI METODE NAÏVE BAYES CLASSIFIER UNTUK SISTEM IDENTIFIKASI JENIS KECERDASAN MANUSIA

10



39

34
IMPLEMENTASI METODE NAÏVE BAYES CLASSIFIER UNTUK SISTEM IDENTIFIKASI JENIS KECERDASAN MANUSIA
























Disusun Oleh :

Deden Ardiansyah














Abstrak

Kecerdasan tumbuh secara alami pada diri manusia. Semakin lama kecerdasan tersebut membutuhkan pengolahan untuk mengembangkannya. Dr.Howard Gardner mengungkapkan bahwa tiap manusia itu cerdas dan memiliki kecerdasan yang berbeda satu sama lainnya. Ia mengemukakan terdapat 9 jenis kecerdasan yang mencakup kecerdasan linguistik, kecerdasan matematika-logis, kecerdasan visual-spasial, kecerdasan kinestetik-jasmani, kecerdasan musikal, kecerdasan interpersonal, kecerdasan naturalis, dan kecerdasan eksistensial. Salah satu cara mengidentifikasi jenis kecerdasan adalah dengan penerapan metode Naïve Bayes Classifier. Naïve Bayes merupakan sebuah pendekatan untuk sebuah ketidakpastian yang diukur melalui probabilitas. Metode klasifikasi Naïve Bayes menentukan peluang kelas bersyarat dengan asumsi bahwa variabel bersifat bebas dengan mengasumsikan bahwa sebuah variabel tidak memiliki keterkaitan dengan variabel lainnya.

















BAB I
PENDAHULUAN

Latar Belakang
Manusia memiliki anugerah berupa kecerdasan untuk kemampuan berpikirnya. Kecerdasan tersebut tumbuh dengan alamiah tetapi masih memerlukan pengolahan untuk pengembangannya. Manusia dituntut untuk mengembangkan kemampuan alami dalam bentuk kecerdasan tersebut. Kecerdasan bukan diukur dari nilai yang diperoleh seseorang melainkan kemampuan untuk melihat dan menyelesaikan suatu permasalahan. Binet (2009) mengungkapkan bahwa kecerdasan merupakan kemampuan yang terdiri dari tiga komponen yaitu kemampuan untuk mengarahkan pikiran atau tindakan, kemampuan untuk mengubah arah pikiran atau tindakan, dan kemampuan untuk mengkritisi pikiran dan tindakan diri sendiri atau autocritism.
Konsep perhitungan kecerdasan telah banyak dilakukan untuk melakukan pengujian terhadap angka kecerdasan. Penerapan perhitungan IQ (Intelligence Qoutient) merupakan konsep paling umum yang dilakukan untuk mengetahui tingkat kecerdasan. Pengujian tingkat kecerdasan ini dilakukan berdasarkan perbandingan antara tingkat kemampuan mental (mental age) dengan tingkat usia (chronological age). Hanya saja konsep pengujian ini tidak lagi menjadi ukuran yang akurat sebagai standar kecerdasan. Perhitungan IQ lebih kepada mengukur kemampuan individu terhadap soal-soal logika dan bahasa.
Masing-masing manusia memiliki jenis kecerdasan alami yang beragam. Kecerdasan tersebut tidak berarti bahwa masing-masing hanya memiliki satu, tetapi tiap manusia memiliki banyak kecerdasan. Dr. Howard Gardner menemukan sebuah teori kecerdasan yang mengungkapkan bahwa "Manusia lebih rumit daripada apa yang dijelaskan dari tes IQ atau tes apapun itu". Gardner (1993) mengungkapkan bahwa tiap manusia itu cerdas dan memiliki kecerdasan yang berbeda satu sama lainnya. Ia mengemukakan dalam bukunya yang berjudul "Frames of Mind" bahwa terdapat 7 jenis kecerdasan manusia. Kecerdasan tersebut berkembang menjadi 9 jenis kecerdasan pada tahun 1999 yang mencakup kecerdasan linguistik, kecerdasan matematika-logis, kecerdasan visual-spasial, kecerdasan kinestetik-jasmani, kecerdasan musikal, kecerdasan interpersonal, kecerdasan naturalis, dan kecerdasan eksistensial.
Noverino (2011) dalam penelitiannya "Pembelajaran Bahasa Asing dengan Strategi Multiple Intelligence" telah melakukan penerapan terhadap 8 jenis kecerdasan manusia. Ia melakukan strategi pembelajaran berupa teknik yang mewakili dari masing-masing kecerdasan tersebut. Salah satu contohnya yaitu membuat kalimat sesuai dengan rumus tata bahasa yang merupakan pengembangan kecerdasan logis-matematis. Strategi ini dilakukan sebagai bentuk pengenalan terhadap jenis kecerdasan yang kurang diketahui pemahamannya. Diana (2013) juga telah melakukan penerapan terhadap salah satu jenis kecerdasan dalam penelitiannya "Penerapan Metode Bernyanyi dengan Menggunakan Alat Bantu Pembelajaran untuk Meningkatkan Kecerdasan Kinestetik Anak di Kelompok B2 Taman Kanak-Kanak Aisyiyah II Pasar Manna Kabupaten Bengkulu Selatan". Diana menerapkan metode belajar aktif untuk melakukan nyanyian yang diiringi oleh gerakan. Penerapan belajar ini mengacu pada peningkatan kecerdasan kinestetik-jasmani.
Penelitian yang mengarah pada pengenalan hingga penerapan Multiple Intelligence telah banyak dilakukan sebagai tahap pengembangan kecerdasan. Hanya saja masing-masing orang sering kali lupa bahwa manusia memiliki satu kecerdasan yang lebih banyak mendominasi dari pola pikirnya. Purnomo dkk (2010) telah melakukan penelitian yang berjudul "Analisis dan Perancangan Decission Support System untuk Rekomendasi Peminatan Berdasarkan 9 Jenis Kecerdasan Manusia dengan Metode Constrained Fuzzy AHP". Penelitian tersebut melakukan pengujian terhadap jenis kecerdasan yang dominan pada diri tiap mahasiswa di Universitas Bina Nusantara untuk mendukung dalam pengambilan jurusan.
Seorang manusia cenderung mengarah kepada satu kelebihan alamiah yang terfokus pada satu keunikan dari kecerdasannya. Fokus kecerdasan ini sangat membantu dalam pemilihan minat maupun pendukung kerja dari masing-masing kepemilikannya. Ragam dari kecerdasan ini yang seringkali menutupi satu kecerdasan yang mendominasi sehingga manusia tersebut seringkali tidak tau bagaimana kemampuannya. Fokus kecerdasan dari masing-masing individu dapat diketahui dengan melakukan pengujian. Pengujian ini bertujuan untuk mengarahkan pola pikir kedalam tipe tiap tiap pemikirnya sehingga pola pikir tersebut mampu untuk menuntun masing-masing individu untuk berfikir sesuai dengan kelebihannya.

1.2 Rumusan Masalah
Rumusan maslaah yang dibuat untuk melakukan penelitian ini adalah bagaimana melakukan penerapan metode Naïve Bayes Classifier pada sistem identifikasi jenis kecerdasan manusia.

Batasan Masalah
Penelitian ini perlu dibatasi agar pada akhirnya penelitian dapat lebih terarah terhadap targetnya. Penelitian ini dibatasi terhadap pengujian 9 jenis kecerdasan manusia menurut Dr. Howard Gardner menggunakan penerapan metode Naïve Bayes Classifier. Penelitian ini menganalisa tipe kecerdasan manusia yang diuji lebih dominan kedalam kelas jenis kecerdasan manusia tipe mana. Jumlah responden yang digunakan dibatasi 50 (lima puluh) responden dengan rata rata umur 20-24 tahun. Jumlah pertanyaan yang digunakan sebanyak 27 (dua puluh tujuh) soal.

1.4 Metode Penelitian
Metode penelitian yang digunakan dalam penulisan tugas akhir ini adalah metode SDLC yang memiliki beberapa tahap seperti sebagai berikut :
Tahap Perencanaan Sistem
Tahap Analisis Data
Perancangan Sistem
Implementasi Sistem
Uji Coba Sistem
Penggunaan dan Pemeliharaan



1.5 Sistematika Penulisan
Dalam penulisan tugas akhir ini penulis membagi dalam beberapa bab yang menerangkan secara garis besar pembahasan di dalam tugas akhir ini agar mudah memahami materi yang dibahas dan mengambil kesimpulan. Adapun sistematika penulisannya sebagai berikut :
BAB I PENDAHULUAN
Pada bab ini penulis memberikan penjelasan mengenai Latar belakang Masalah, Rumusan Masalah, Batasan Masalah, Metode Penelitian, dan Sistematika Penulisan.
BAB II LANDASAN TEORI
Pada bab ini penulis menjelaskan landasan teori pendukung untuk menyelesaikan rumusan masalah yang telah dibuat.
BAB III DESAIN DAN PERANCANGAN
Pada bab ini penulis menjelaskan tentang membuat desain dan perancanagn system atau penelitian yang dilakukan oleh penulis selama melakukan penelitian.
BAB IV HASIL dan PEMBAHASAN
Pada bab ini penulis menjelaskan tentang hasil dari desain dan perancangan pada bab sebelumnya serta pembahasan temuan dari hasil penelitian.
BAB V PENUTUP
Pada bab ini penulis menjelaskan tentang kesimpulan yang telah di dapat pada bab sebelumnya serta terdapat saran dalam bab ini agar pada penelitian selanjutnya dapat dilanjutkan.









BAB II
LANDASAN TEORI

Kecerdasan Manusia
Kecerdasan merupakan sejumlah kemampuan kognitif yang dimiliki oleh masing-masing individu. Kecerdasan memiliki ragam sifat maupun pikiran yang mendukung, yaitu seperti pemecahan maslah, pemahaman wacana, penggunaan bahasa, perencanaan strategi, atau pemikiran abstrak. Keseluruhan dari penerapan hingga penerapan jenis kecerdasan tersebut berujung pada suatu target pengembangan yaitu pembelajaran.

Kecerdasan Majemuk (Multiple Intelligence)
Kecerdasan majemuk (Multiple Intelligence) merupakan suatu teori yang ditemukan dan dikembangkan oleh seorang psikolog perkembangan dan profesor pendidikan Graduate School of Education Harvard Univercity, Dr. Howard Gardner. Menurut Gardner, kecerdasan bukanlah kemampuan seseorang untuk menjawab soal-soal tes IQ didalam ruang tertutup yang jauh dari lingkungannya. Kecerdasan merupakan kemampuan sesorang untuk menyelesaikan persoalan nyata dalam berbagai situasi secara nyata atau praktek bukan hanya sekedar melalui teori. Gardner (1993) mengungkapkan terdapat 9 jenis kecerdasan yang terdiri dari antara lain :
Kecerdasan Linguistik
Kecerdasan ini merupakan kecerdasan dalam mengolah kata secara lisan maupun tulisan. Ciri-ciri :
Dapat berargumentasi, persuasif, menghibur atau mengajar secara efektif melalui kata-kata
Tertarik terhadap bacaan dan mampu mengartikan bahasa tulisan
Suka bermain kata-kata maupun berdiskusi
Kemampuan bahasa baik dan efektif



Kecerdasan Logis-Matematis
Kecerdasan ini merupakan kecerdasan dalam pengolahan angka dan logika. Kecerdasan ini merupakan kecerdasan para ilmuan, akuntan, dan programmer. Ciri-ciri :
Pemikirannya bersifat rasional
Memecahkan masalah perhitungan matematika dengan baik
Memahami argument orang lain dengan penalaran logis
Berpikir dengan pola sebab-akibat hingga menciptakan hipotesis
Mudah dalam membuat klasifikasi dan kategorisasi

Kecerdasan Visual-Spasial
Kecerdasan ini merupakan kecerdasan dalam berpikir menggunakan pola gambar hingga menyerap, mengubah dan menciptakan kembali aspek visual-spasial. Ciri-ciri :
Peka terhadap detail visual, keseimbangan, warna, garis, bentuk, dan ruang
Memiliki jiwa seni (foto, coretan, puisi, gambar, dll)
Memiliki perasaan yang mendalam dalam suatu hal
Dapat memperkirakan jarak dan ruang
Mampu membuat sketsa ide dengan jelas

Kecerdasan Kinestetik-Jasmani
Kecerdasan ini merupakan kecerdasan dalam bentuk fisik. Kecerdasan Kinestetik-Jasmani mencakup bakat terhadap pengendalian gerak tubuh ataupun keterampilan penanganan benda. Ciri-ciri :
Menyukai dan menikmati kegiatan fisik (olahraga)
Cekatan dan tidak bisa tinggal diam
Memiliki minat ataupun ketertarikan terhadap segala sesuatu
Lincah, kuat, dan memiliki keseimbangan baik



Kecerdasan Musikal
Kecerdasan ini merupakan kecerdasan dalam bentuk pemahaman akan irama atau melodi. Kecerdasan musikal mampu untuk mengembangkan, mengekspresikan dan menikmati bentuk musik dan suara. Ciri-ciri :
Kepakaan yang tajam terhadap nada dan mampu menyanyikan lagu dengan tepat
Mampu mengikuti irama
Ingatan tajam
Mudah dalam menghafal
Mampu belajar dan bekerja dengan mendengarkan music

Kecerdasan Interpersonal
Kecerdasan ini merupakan kecerdasan untuk mengerti dan sensitif terhadap perasaan, intensi, motivasi, watak dan tempramen orang lain. Kecerdasan Interpersonal memiliki pemahaman dalam bekerja sama dengan orang lain. Ciri-ciri :
Tanggap terhadap suasana hati, perangai, niat dan hasrat orang lain
Menjalin kontak mata dengan baik
Menghadapi orang lain dengan penuh perhatian dan terbuka
Memberikan rasa nyaman dan mendorong orang lain untuk menyampaikan kisahnya

Kecerdasan Intrapersonal
Kecerdasan ini merupakan kecerdasan terghadap diri sendiri. Kecerdasan Intrapersonal memiliki pemahaman akan diri sendiri dan mampu bertindak adaptif terhadap pengenalan diri. Ciri-ciri :
Menggunakan pemahamannya untuk memperkaya dan membimbing hidupnya
Mudah dalam mengendalikan perasaan sendiri
Mawas diri dan suka bermeditasi atau bentuk lain dalam penelusuran jiwa yang mendalam
Lebih suka bekerja sendiri
Kecerdasan Naturalis (Lingkungan)
Kecerdasan ini merupakan kecerdasan dalam memahami dan menikmati alam dan menggunakannya secara produktif dan mengembangkan pengetahuan akan alam. Kecerdasan lingkungan merupakan kemampuan dalam mengerti flora fauna serta segala hal yang mencakup alam natural. Ciri-ciri :
Cinta terhadap lingkungan
Senang melalukan kegiatan diluar rumah (alam)
Mampu mengenali sifat dan tingkah laku binatang
Kecerdasan Eksistensial
Kecerdasan ini merupakan kecerdasan dalam menjawab persoalan dalam eksistensi keberadaan manusia. Kecerdasan eksistensial muncul atas rasa tidak puas untuk menerima keadaan sehingga mencoba untuk menyadari dan mencari jawaban yang terdalam. Ciri-ciri :
Memiliki insting yang kuat
Kadang beruntung dan peka terhadap sekitar
Memiliki kebijaksanaan tinggi
Mempertanyakan hakekat segala sesuatu dan peran diri didunia

Quisioner
Sistem quisioner merupakan sistem yang umum digunakan untuk memperoleh data melalui survey lapangan. Penerapan sistem identifikasi jenis kecerdasan manusia ini menerapkan sistem quisioner dalam pengumpulan hingga pengujian datanya. Pemanfaatan quisioner berdasarkan tipe kriteria masing-masing jenis kecerdasan. Kemampuan dari pengguna akan diuji berdasarkan hasil dari jawaban quisioner. Contoh dari soal quisioner dapat dilihat pada Tabel 1.

Tabel 1. Contoh Quisioner
No.
Kecerdasan
Soal
Jawaban
1.
Linguistik
Setiap nomor pada soal merupakan pasangan kata. Cari kata yang memiliki gabungan serupa dengan soal !
Emas : Karat
Membeli : Uang
Mewah : Mahal
Mengantuk : Tidur
Lamban : Terlambat
Panjang : Meter
E
2.
Logis-Matematis
Apabila Alsadawi, Bermawi, dan Cintami pergi kekantin mereka selalu minta soto dan sate,
Jika Alsadawi memesan soto, maka Bermawi memesan sate
Salah satu dari Alsadawi atau Cintami memesan soto, tetapi tidak keduanya
Bermawi dan Cintami, keduanya tidak memesan sate
Siapakah yang memesan soto kemarin dan sate sekarang?
Soto kemarin Bermawi, sate sekarang Alsadawi
Soto kemarin Bermawi, sate sekarang Cintami
Soto kemarin Cintami, sate sekarang Alsadawi
Soto kemarin Cintami, sate sekarang Bermawi
Soto kemarin Alsadawi, sate sekarang Bermawi


A
3.
Spasial
Pilih gambar a, b, c, d, atau e yang sesuai untuk mengisi kotak yang kosong !


B

Teorema Naïve Bayes
Teorema Naïve Bayes adalah sebuah pendekatan untuk sebuah ketidakpastian yang diukur melalui probabilitas. Teorema ini merupakan suatu penalaran statistik untuk mengatasi ketidakpastian pada penalaran non monotonis. Penalaran non monotonis adalah penalaran akibat ditemukannya penambahan fakta baru yang bisa mengakibatkan ketidak konsistenan dari suatu rule. Teorema ini dikemukakan oleh Thomas Bayes yang mengklasifikasikan kemungkinan terdapat dua kejadian terpisah (contoh A dan B) sehingga dirumuskan sebagai berikut :
P(A"B)=PBAx P(A)P(B).......... (1)
Keterangan :
P(A) = Probabilitas kejadian A
P(B) = Probabilitas kejadian B
P(A"B) = Probabilitas kejadian A dan B

Naïve Bayes Classifier
Agus Mulyanto (2009) mengungkapkan bahwa klasifikasi merupakan proses untuk menemukan model atau fungsi yang membedakan kelas data dengan tujuan untuk dapat memperkirakan kelas dari suatu objek. Pengklasifikasian kelas suatu objek berdasarkan pada fakta pembangun yang terdiri dari beberapa karakter dengan lebih dari satu kelas.
Metode klasifikasi Naïve Bayes menentukan peluang kelas bersyarat dengan asumsi bahwa variabel bersifat bebas dengan mengasumsikan bahwa sebuah variabel tidak memiliki keterkaitan dengan variabel lainnya. Klasifikasi ini dilakukan dengan membandingkan nilai probabilitas suatu objek yang berada pada satu kelas dengan nilai probabilitas suatu objek yang berada dikelas lainnya. Proses klasifikasi memerlukan beberapa petunjuk untuk menentukan kelas yang cocok terhadap sampel yang dianalisis. Naïve Bayes Classifier dapat dirumuskan sebagai berikut :
P(C"F1,...,Fn) =PCPF1,…, FnCPF1,…, Fn.......... (2)
Keterangan :
P = Probabilitas
C = Kelas (Class)
F1,…, Fn = Karakteristik dari klasifikasi

Perumusan Naïve Bayes Classifier menjelaskan bahwa peluang sebuah sampel dengan karakteristik tertentu untuk masuk kedalam sebuah kelas merupakan peluang muncul kelas dikali dengan karakteristik dibagi dengan peluang kemunculan karakteristik sampe secara umum. Rumus Bayes tersebut dilanjutkan dengan penjabaran P(C"F1,...,Fn"C) dengan perkalian menggunakan asumsi indenpendensi yang mengungkapkan bahwa masing-masing karakter saling bebas antara satu dengan yang lainnya. Penjabaran tersebut dilakukan karena dalam sebuah pengklasifikasian akan muncul banyak karakteristik dari klasifikasi sehingga perumusannya menjadi sebagai berikut :

P(F1,...,Fn"C) = P(F1"C)P(F2"C)...P(Fn"C)

=i=1nP(FiC ………(3)
Keterangan :
P = Probabilitas
C = Kelas (Class)
n = Jumlah karakteristik
Fi = Karakteristik dari klasifikasi









BAB III
DESAIN DAN PERANCANGAN SISTEM

Perencanaan Sistem
Perencanaan dari sistem identifikasi jenis kecerdasan manusia ini berisikan tentang bagaimana metode Naïve Bayes Classifier mengidentifikasikan jenis kecerdasan dominan dari user. Pengidentifikasian tersebut dihitung berdasarkan dari hasil pertanyaan yang akan dijawab oleh user.
Analisis Sistem
Analisis sistem merupakan tahapan untuk menentukan bagaimana sistem berjalan secara keseluruhan. Tahap analisis sistem dapat dilihat pada Gambar 2.

Gambar 2. Analisis Sistem
3.2.1 Klasifikasi Hubungan Antar Kelas
Penelitian ini memiliki beberapa kelas yang memiliki hubungan tidak langsung antara satu kecerdasan dengan kecerdasan lainnya. Hubungan antar kecerdasan tersebut berupa unsur pembangun yang cenderung memiliki keterkaitan dalam jenisnya. Kelas-kelas yang saling berhubungan tersebut dapat dilihat pada Tabel 3.

Tabel 3. Hubungan Antar Kelas
Kecerdasan Utama
Kecerdasan Bawaan
Musikal
Logis-Matematis
Eksistensial
Intrapersonal
Linguistik
Intrapersonal
Spasial
Spasial
Linguistik
Interpesonal
Naturalis
Kinestetik-Jasmani
Logis-Matematis
Intrapersonal
Intrapersonal
Eksistensial
Kinestetik-Jasmani
Linguistik
Logis-Matematis
Kinestetik-Jasmani
Interpersonal
Intrapersonal
Interpersonal
Spasial
Sumber : http://muthiaaa.wordpress.com

Klasifikasi Bobot Nilai Antar Kelas
Klasifikasi bobot merupakan identifikasi terhadap kecerdasan yang dihasilkan dari masing-masing parameter. Bobot ditentukan berdasarkan nilai atribut kelas utama ditambah dengan nilai atribut kelas turunan. Data yang digunakan dalam klasifikasi terdiri dari 9 kecerdasan yang masing-masing memiliki parameter berupa pertanyaan sebanyak 27 pertanyaan. Tiap 3 pertanyaan mewakili 1 jenis atribut sehingga terdapat 9 atribut untuk mewakili 1 kecerdasan. Jumlah data kecerdasan manusia dibatasi terhadap 7 data untuk masing-masing kecerdasannya sehingga total keseluruhan data yaitu 63 data.
Nilai bobot yang digunakan dalam identifikasi ini berupa nilai angka untuk jawaban benar dan tanpa nilai untuk jawaban salah. Kecerdasan yang memiliki hubungan antar kelasnya akan diberikan nilai utama berupa 5 point untuk kecerdasan utama dan 0 untuk jawaban salah. Pemberian point 5 ini berdasarkan pada penilaian kelulusan tes CPNS LJK CAT 2013 dimana nilai untuk intelegensia umum dan wawasan kebangsaan salah bernilai 0 (nol) dan benar bernilai 5 (lima). Pemberian point nilai untuk kecerdasan bawaan berdasarkan pada skala interval. Skala interval memperlihatkan jarak yang sama tetapi tidak memberikan jumlah absolut dari objek yang diukur. Berdasarkan skala interval maka pemberian point untuk kecerdasan bawaan adalah 2 dimana jarak jawaban benar kecerdasan utama ke jawaban benar kecerdasan bawaan adalah 5 – 2 = 3 dam jarak jawaban benar kecerdasan bawaan ke jawaban salah adalah 2 – 0 = 2. Deklarasi dari pembobotan nilai tersebut dapat dilihat pada Tabel 4.

Tabel 4. Pembobotan Nilai
Nilai
Ket
5
Jawaban benar untuk dengan kriteria kecerdasan yang sama pada soal
2
Jawaban benar untuk kriteria kecerdasan bawaan yang terhubung dengan kecerdasan soal
0
Jawaban salah untuk keseluruhan kriteria soal


Pembobotan nilai pada akhirnya akan disimpan didatabase dan akan diakumulasikan dari 27 soal menjadi 9 kriteria. Nilai yang didapat tersebut akan dijumlahkan sesuai dengan 3 soal dengan kriteria kecerdasan yang sama sehingga diperoleh nilai hasil penjumlahan akhir yang terbagi dalam 9 kelompok. Apabila seseorang menjawab 2 soal benar untuk satu karakter dan karakter tersebut merupakan bawaan dari karakter lainnya, maka akumulasi nilai akan menjadi 5+5+2=12 untuk setiap nilai Qn. Pengakumulasian ini berdasarkan perhitungan skor TOEFL skor nilainya dijumlahkan untuk setiap kategori. Contoh dari nilai bobot pertanyaan dan jenis kecerdasan dapat dilihat pada Tabel 5.



Tabel 5. Contoh Bobot Nilai Kecerdasan
Qa
Qb
Qc
Qd
Qe
Qf
Qg
Qh
Qi
Kelas
19
12
15
2
4
11
7
6
17
Linguistik
17
2
11
12
6
7
9
16
2
Linguistik
9
17
10
2
10
10
6
4
4
Logis-Matematis
7
16
7
9
10
12
13
10
7
Logis-Matematis
2
4
23
21
6
21
4
6
14
Visual-Spasial
4
2
21
7
2
10
11
2
2
Visual-Spasial
10
4
10
16
2
11
4
2
11
Kinestetik-Jasmani
2
12
6
15
5
11
2
5
2
Kinestetik-Jasmani
7
21
14
2
21
12
16
2
14
Musikal
9
2
12
14
19
12
2
10
9
Musikal
2
6
10
16
6
17
14
15
10
Interpersonal
2
10
11
15
4
16
10
10
4
Interpersonal
10
2
7
6
17
21
23
10
12
Intrapersonal
2
17
16
9
6
2
21
4
11
Intrapersonal
14
12
2
14
5
9
9
15
7
Naturalis
9
9
2
4
11
2
12
14
2
Naturalis
17
14
4
16
14
2
15
4
21
Eksistensial
10
16
10
11
7
6
10
2
19
Eksistensial
Keterangan :
Qa, Qb, ..., Qn : Question/Pertanyaan (Qa=1,2,3 ; Qb=4,5,6 ; ... ; Qn)
23,21,15, ..., n : Bobot Nilai



Perancangan Sistem
Perancangan sistem merupakan tahapan yang meliputi pembangun sistem. Perancangan tersebut berupa perancangan basis data, perancangan secara umum, hingga perancangan secara rinci.

3.4 Metode Naïve Bayes Classifier
Perhitungan menggunakan metode Naïve Bayes Classifier dapat dilakukan dengan cara melakukan perhitungan terhadap nilai rata-rata dan standar deviasi dari setiap kelas. Perhitungan tersebut didasari dari banyaknya data dari tiap-tiap kelas kecerdasan. Contoh perhitungan rata-rata dan standar deviasi dapat dilihat pada Tabel 6.

Tabel 6. Perhitungan Rata-Rata dan Standar Deviasi
 
 
Linguistik
Logis-Matematis
Visual-Spasial
...
Eksistensial
Qa
Rata-rata
17,8571
7,0000
7,1429
...
10,7143
 
Std Deviasi
3,2878
3,8297
3,8483
...
4,2314
Qb
Rata-rata
7,8571
17,8571
8,2857
...
8,5714
 
Std Deviasi
6,8661
3,2878
6,7011
...
4,7559
Qc
Rata-rata
9,7143
12,0000
17,8571
...
7,2857
 
Std Deviasi
5,0238
6,1101
3,2878
...
3,8607
Qd
Rata-rata
8,5714
8,5714
10,7143
...
8,0000
 
Std Deviasi
5,8554
3,3094
7,0643
...
4,7258
Qe
Rata-rata
6,5714
6,5714
6,1429
...
9,7143
 
Std Deviasi
3,4572
4,1173
3,2878
...
2,4300
Qf
Rata-rata
10,5714
10,2857
9,4286
...
7,1429
 
Std Deviasi
4,9952
4,2706
6,2144
...
3,6253
Qg
Rata-rata
9,0000
8,7143
7,5714
...
8,8571
 
Std Deviasi
3,9581
3,9881
3,2071
...
5,7859
Qh
Rata-rata
10,5714
6,7143
9,1429
...
8,0000
 
Std Deviasi
6,4254
4,9905
4,7759
...
6,0553
Qi
Rata-rata
10,4286
8,2857
8,0000
...
17,8571
 
Std Deviasi
5,7982
4,4987
5,7735
...
3,2878

Perhitungan rata-rata diatas menjadi dasar dilakukannya perhitungan terhadap nilai likelihood dan probabilitas kelas kecerdasan. Atribut dari data uji dibuat kedalam satuan bobot dengan membuat pengurangan terhadap nilai maksimum dari satu atribut. Perhitungan untuk pengujian kecerdasan ini berbanding terbalik dengan pengambilan data training. Data training diperoleh dengan menjumlahkan keseluruhan nilai yang diperoleh didalam satu karakter kecerdasan. Untuk perhitungan data uji diperoleh dengan melakukan pengurangan terhadap nilai yang menjadi dasar dari perhitungan. Setiap karakter kecerdasan secara otomatis memiliki nilai 15 yang berupa nilai 5 untuk 3 soal. Hal ini membuat dilakukannya pengurangan yang dilakukan dari nilai pokok tersebut dengan nilai jumlah benar dan bawaan yang diperoleh. Apabila responden memiliki 2 jawaban benar untuk satu karakter dan karakter tersebut merupakan bawaan dari karakter lainnya, maka perhitungannya menjadi 15-(5+5+2)=3. Contoh kasus jumlah bobot atribut hasil dari quisioner dapat dilihat pada Tabel 7.

Tabel 7. Contoh Hasil Bobot Nilai Quisioner
Qa
Qb
Qc
Qd
Qe
Q1
Q2
Q3
Q4
Q5
Q6
Q7
Q8
Q9
Q10
Q11
Q12
Q13
Q14
Q15
15 - (x)
15 - (x)
15 - (x)
15 - (x)
15 - (x)
5
0
5
0
0
0
5
0
5
0
5
0
0
0
5
2 
2 
 
2
2
2
2

 
2
2
2
 
 
 
 
 
 

 
 
 
 
 
 2
 
 
 
 
 
Qa = 15 – 14
Qb = 15 – 6
Qc = 15 – 12
Qd = 15 – 13
Qe = 15 – 5
Qa = 1
Qb = 9
Qc = 3
Qd = 2
Qe = 10
Qf
Qg
Qh
Qi
Q16
Q17
Q18
Q19
Q20
Q21
Q22
Q23
Q24
Q25
Q26
Q27
15 - (x)
15 - (x)
15 - (x)
15 - (x)
0
0
0
5
0
5
0
0
5
0
0
0
2
2
2 



 
 
 
 2
2 
 
Qf = 15 – 6
Qg = 15 – 10
Qh = 15 – 5
Qi = 15 – 4
Qf = 9
Qg = 5
Qh = 10
Qi = 11

Hasil quisioner diatas dapat dihitung kedalam perumusan Naïve Bayes Classifier. Tabel 8 menunjukkan hasil dari perumusan Naïve Bayes Classifier. Perumusan yang digunakan adalah :

Tabel 8. Contoh Perhitungan Naïve Bayes Classifier (Qa = 10)
Question/Kecerdasan
f(x)
f(Qa=1"Linguistik)
34704,7693
f(Qa=1"Logis-Matematis)
3,9547
f(Qa=1"Visual-Spasial)
4,1204
f(Qa=1"Kinestetik-Jasmani)
5,1413
f(Qa=1"Musikal)
7,7772
f(Qa=1"Interpersonal)
4,5505
f(Qa=1"Intrapersonal)
3,7254
f(Qa=1"Naturalis)
4,7135
f(Qa=1"Eksistensial)
13,0066

Perhitungan perumusan pada Tabel 8 dilakukan terhadap seluruh Qn. Qa sampai dengan Qi dimasukan perhitungannya terhadap perumusan Naïve Bayes Classifier sehingga diperoleh hasil f(x) terhadap keseluruhan Qn. Tahap selanjutnya adalah mencari nilai likelihood dengan mengkonversikan keseluruhan nilai masing-masing kecerdasan. Pengkonversian ini dengan melakukan perkalian terhadap keseluruhan hasil Qn untuk tiap kategori. Contoh konversi penilaian hasil perkalian terhadap Qn untuk kategori Linguistik dapat dilihat pada Tabel 9.

Tabel 9. Nilai Likelihood Linguistik
Question/Kecerdasan
f(x)
f(Qa=1"Linguistik)
34704,7693
f(Qb=9"Linguistik)
2,7694
f(Qc=3"Linguistik)
4,0045
f(Qd=2"Linguistik)
3,8060
f(Qe=10"Linguistik)
2,0193
f(Qf=9"Linguistik)
2,0712
f(Qg=5"Linguistik)
2,3459
f(Qh=10"Linguistik)
2,5719
f(Qi=11"Linguistik)
2,3225
Likelihood Linguistik
85848900,1725

Perhitungan nilai likelihood dilakukan terhadap masing-masing kelas untuk tiap jenis kecerdasan. Hasil dari perhitungan nilai likelihooddapat dilihat pada Tabel 10.

Tabel 10. Nilai Likelihood
Likelihood Linguistik
85848900,1725092000
Likelihood Logis-Matematis
121978,7176185040
Likelihood Visual-Spasial
9050925,9128917700
Likelihood Kinestetik-Jasmani
15254451,3957587000
Likelihood Musikal
66258,6221989497
Likelihood Interpersonal
52522,1296330166
Likelihood Intrapersonal
855293,7243353770
Likelihood Naturalis
61532,5681958880
Likelihood Eksistensial
16530,3792253946
TOTAL
111328393,6223670000

Tahap selanjutnya merupakan tahap terakhir dari perhitungan Naïve Bayes Classifier yaitu perhitungan probabilitas. Perhitungan probabilitas menggunakan hasil perhitungan dari nilai likelihood. Perhitungan probabilitas menghitung normalisasi dengan perumusan likelihood n dibagi total likelihood. Contohnya adalah likelihood linguistik dibagi total likelihood. Nilai probabilitas dapat dilihat pada Tabel 11.

Tabel 11. Nilai Probabilitas
Probabilitas Linguistik
0,7711321198
Probabilitas Logis-Matematis
0,0010956658
Probabilitas Visual-Spasial
0,0812993489
Probabilitas Kinestetik-Jasmani
0,1370221100
Probabilitas Musikal
0,0005951637
Probabilitas Interpersonal
0,0004717766
Probabilitas Intrapersonal
0,0076826198
Probabilitas Naturalis
0,0005527123
Probabilitas Eksistensial
0,0001484830
Probabilitas Maksimum
0,7711321198

Tabel 10 menunjukkan bahwa probabilitas linguistik lebih besar daripada probabilitas lainnya sehingga dapat disimpulkan bahwa penguji lebih dominan terhadap kecerdasan Linguistik dengan hasil probabilitas 0,7711321198.

Data Flow Diagram (DFD)
Data Flow Diagram (DFD) dari sistem identifikasi kecerdasan manusia berupa hubungan secara keseluruhan antara admin, sistem dan user. Hubungan ini merupakan gambaran umum tentang input output yang akan diterima oleh admin dan user. Gambaran umum tersebut dapat digambarkan melalui diagram konteks yang terdapat pada Gambar 3.

Gambar 3. Diagram Konteks
Entity Relationship Diagram (ERD)
Entity Relationship Diagram (ERD) merupakan perancangan yang menunjukkan relasi antar entitas dilengkapi dengan atributnya. Sistem identifikasi jenis kecerdasan manusia ini memiliki 5 tabel yang saling terkait dalam prosesnya. ERD sistem identifikasi dapat dilihat pada Gambar 4.


Gambar 4. Entity Relationship Diagram (ERD)

Tabel Relasi
Tabel relasi menunjukkan relasi antar tabel didalam database. Tabel relasi sistem identifikasi jenis kecerdasan manusia ini dapat dilihat pada Gambar 5.

Gambar 5. Tabel Relasi
Spesifikasi Tabel
Tabel yang terdapat pada database sistem identifikasi jenis kecerdasan manusia ini terdiri dari beberapa tabel penghubung sebagai dasar perhitungan menggunakan metode Naïve Bayes Classifier. Deskripsi dari tabel tabel tersebut dapat dilihat pada Tabel 12 sampai dengan Tabel 17.

Tabel 12. Tabel Admin
Nama Field
Type
Ukuran
Keterangan
Username
Varchar
10
Primary Key
Nama
Varchar
20
Not Null
Password
Varchar
10
Not Null

Tabel 13. Tabel Tipe
Nama Field
Type
Ukuran
Keterangan
kd_tipe
Int
10
Primary Key
tipe
Varchar
20
Not Null
keterangan
Text
-
Not Null

Tabel 14. Tabel Soal
Nama Field
Type
Ukuran
Keterangan
Id_soal
Int
3
Primary Key
Pertanyaan
Text
-
Not Null
Gambar
Varchar
100
Null
Pilihan_A
Varchar
100
Not Null
Pilihan_A_Gambar
Varchar
100
Null
Pilihan_B
Varchar
100
Not Null
Pilihan_B_Gambar
Varchar
100
Null
Pilihan_C
Varchar
100
Not Null
Pilihan_C_Gambar
Varchar
100
Null
Pilihan_D
Varchar
100
Not Null
Pilihan_D_Gambar
Varchar
100
Null
Pilihan_E
Varchar
100
Not Null
Pilihan_E_Gambar
Varchar
100
Null
Jawaban
Varchar
100
Not Null
Tampil
Enum('ya','tidak')
100
-
kd_tipe
Int
2
Foreign Key

Tabel 15. Tabel Kelas
Nama Field
Type
Ukuran
Keterangan
Id_kelas
Int
10
Primary Key
Nama_kelas
Varchar
50
Not Null

Tabel 16. Tabel Rata
Nama Field
Type
Ukuran
Keterangan
Id_rata
Int
10
Primary Key
Id_data
Int
10
Not Null
Id_kelas
Int
10
Foreign Key
Nilai
Float
-
Not Null

Tabel 17. Tabel Deviasi
Nama Field
Type
Ukuran
Keterangan
Id_dev
Int
10
Primary Key
Id_data
Int
10
Not Null
Id_kelas
Int
10
Foreign Key
Nilai_deviasi
Float
-
Not Null

Flowchart Sistem
Flowchart sistem identifikasi kecerdasan manusia ini berupa alur dari setiap proses yang bekerja didalam sistem. Implementasi ini berupa bagaimana tampilan dari sistem yang dapat diakses oleh admin maupun user untuk terhubung kedalam proses identifikasi. Flowchart sistem dibagi menjadi dua yaitu frontend dan backend.

Frontend
Flowchart frontend merupakan alur kerja sistem yang terhubung dengan pengguna (user). Frontend merupakan alur yang akan digunakan oleh user untuk mengisi quisioner hingga memperoleh hasil dari proses identifikasi kecerdasan dominan. Alur kerja frontend dapat dilihat pada Gambar 6.

Gambar 6(a). Flowchart Frontend


Gambar 6(b). Flowchart Frontend

Backend
Flowchart backend merupakan alur kerja sistem yang terhubung dengan admin. Backend merupakan alur yang akan digunakan oleh admin untuk menginput data-data yang akan digunakan dalam proses identifikasi. Alur kerja backend dapat dilihat pada Gambar 7.


Gambar 7. Flowchart Backend


Struktur Navigasi
Struktur navigasi pada sistem identifikasi kecerdasan manusia berupa hubungan keterkaitan antara seluruh proses pada sistem. Struktur navigasi ini terbagi dua yaitu struktur navigasi user dan struktur navigasi admin. Struktur navigasi user terdapat pada Gambar 8 dan struktur navigasi admin terdapat pada Gambar 9.

Gambar 8. Struktur Navigasi User


Gambar 9. Struktur Navigasi Admin


Rancangan Halaman
Tampilan halaman website merupakan tampilan (display) awal yang akan menjad perantara antara user dengan sistem. Desain halaman tersebut mencakup elemen interface antara menu, desain form, layout, dan elemen elemen pendukung tampilan. Halaman awal pada sistem identifikasi jenis kecerdasan manusia ini berupa halaman pencarian pada Frontend dan halaman login pada Backend.

Rancangan Frontend
Rancangan halaman frontend pada sistem identifikasi jenis kecerdasan manusia ini terdiri dari halaman utama, halaman deskripsi dan halaman tes kecerdasan. Rancangan halaman frontend dapat dilihat pada Gambar 10 sampai dengan Gambar 13.

Gambar 10. Rancangan Halaman Utama (Frontend)
Gambar 11. Rancangan Halaman Deskripsi

Gambar 12. Rancangan Halaman Tes Kecerdasan
Gambar 13. Rancangan Halaman Hasil Identifikasi


Rancangan Backend
Rancangan halaman backend pada sistem identifikasi jenis kecerdasan manusia terdiri dari halaman login, halaman utama, halaman input soal, halaman input standar deviasi dan rata rata, serta halaman standar deviasi dan rata-rata. Rancangan halaman tersebut dapat dilihat pada Gambar 14 sampai dengan Gambar 18.


Gambar 14. Rancangan Halaman Login

Gambar 15. Rancangan Halaman Utama Backend


Gambar 16. Rancangan Halaman Input Soal

Gambar 17. Rancangan Halaman Lihat Soal




Gambar 18. Rancangan HalamanTipe Kecerdasan



















3.4 Tahap Implementasi
Implementasi dari sistem identifikasi ini menggunakan dua jenis implementasi. Implementasi pertama yaitu pembuatan database menggunakan software XAMPP untuk mendefinisikan data training sebagai data master. Implementasi kedua yaitu penerapan perancangan kedalam pemrograman PHP menggunakan Adobe Dreamweaver CS5. Adapun langkah-langkahnya adalah :
Melakukan penginstallan software.
Pembuatan database.

Gambar 19. Halaman Awal phpmyadmin
Pembuatan source code .






Gambar 20.Halaman Awal Adobe Dreamwever







BAB IV
HASIL DAN PEMBAHASAN

4.1 Hasil
4.1.1 Halaman Frontend
Halaman Frontend merupakan halaman penghubung antara user dengan sistem. User menggunakan tampilan halaman ini untuk melakukan akses terhadap sistem. Halaman yang mencakup halaman Frontend adalah halaman utama, halaman deskripsi, halaman tes kecerdasan, dan halaman hasil identifikasi.

4.1.1.1 Halaman Utama
Halaman utama ini berisi halaman awal yang menampilkan menu pilihan yang terhubung ke halaman deskripsi dan halaman tes kecerdasan. Halaman utama dapat dilihat pada Gambar 21.

Gambar 21. Tampilan Halaman Utama Frontend.

4.1.1.2 Halaman Deskripsi
Halaman deskripsi merupakan halaman informasi mengenai jenis-jenis kecerdasan berserta penjelasannya. Halaman ini memberikan informasi awal terhadap kriteria-kriteria hasil dari tes uji identifikasi. Halaman deskripsi dapat dilihat pada Gambar 22 dan Gambar 23.



Gambar 22. Tampilan Halaman Deskripsi Linguistik




Gambar 23. Tampilan Halaman Deskripsi Naturalis





4.1.1.3 Halaman Tes Kecerdaan
Halaman tes kecerdasan merupakan halaman yang menampilkan soal-soal yang akan menjadi dasar perhitungan jenis kecerdasan dominan. Halaman ini memilih soal secara acak dengan batasan tampilan 27 soal yang tiap kategori diwakili oleh 3 soal. Halaman tes kecerdasan dapat dilihat pada Gambar 24.

Gambar 24.Tampilan Halaman Tes Kecerdasan

4.1.1.4 Halaman Hasil Identifikasi
Halaman hasil identifikasi merupakan halaman hasil perhitungan yang menunjukkan jenis dari kecerdasan dominan user. Halaman ini berisi hasil akhir perhitungan dari jawaban pada tes kecerdasan terhadap data training. Halaman hasil identifikasi dapat dilihat pada Gambar 25.

Gambar 25. Tampilan HalamanHasil Identifikasi.

4.1.2 Halaman Backend
Halaman Backend merupakan halaman yang digunakan oleh admin untuk melakukan penambahan data, edit data maupun penghapusan data. Halaman Backend mencakup halaman login, halaman utama, halaman input soal, halaman lihat soal dan halaman tipe kecerdasan.

4.1.2.1 Halaman Login
Halaman login berfungsi sebagai halaman validasi dalam pengaksesan halaman website. Halamanlogin dapat dilihat pada Gambar 26.

Gambar 26. Tampilan Halaman Login

4.1.2.2 Halaman Utama
Halaman utama berisi halaman awal yang menampilkan menu yang ada pada Backend website. Halaman utama dapat dilihat pada Gambar 27.

Gambar 27. Tampilan Halaman Utama Backend

4.1.2.3 Halaman Input Soal
Halaman input soal merupakan salah satu halaman yang digunakan dalam proses input data. Input data pada halaman ini berupa soal yang akan menjadi uji coba dalam tes kecerdasan. Halaman input soal dapat dilihat pada Gambar 28.


Gambar 28. Tampilan Halaman Input Soal


4.1.2.4 Halaman Lihat Soal
Halaman lihat soal merupakan halaman display untuk menunjukkan keseluruhan dari data soal yang telah di input. Halaman ini memungkinkan admin untuk melakukan edit dan penghapusan soal. Halaman lihat soal dapat dilihat pada Gambar 29.

Gambar 29. Tampilan Halaman Lihat Soal

4.1.2.5 Halaman Tipe Kecerdasan
Halaman tipe kecerdasan merupakan halaman yang berisi data dari 9 jenis kecerdasan manusia. Deskripsi dari 9 jenis kecerdasan manusia ini diperlukan sebagai output dari hasil tes kecerdasan pada halaman Frontend . Halaman ini juga dapat membantu edit dari data kecerdasan yang ada. Halaman tipe kecerdasan dapat dilihat pada Gambar 30.

Gambar 30. Tampilan Halaman Tipe Kecerdasan
Pembahasan
4.2.1 Proses Perhitungan
Proses perhitungan pada sistem dilakukan terhadap identifikasi metode sistem. Proses perhitungan ini terbagi menjadi dua proses, yaitu dan perhitungan pembobotan dan perhitungan metode Naïve Bayes Classifier.

4.2.1.1 Perhitungan Pembobotan
Perhitungan pembobotan dilakukan berdasarkan tipe jawaban untuk pertanyaan. Perhitungan terhadap pembobotan dapat berupa nilai 1 sampai dengan 5 sebagai tingkatan jawaban salah, hampir benar, hingga jawaban benar. Penilaian bertingkat dapat memberikan peluang identifikasi yang dapat lebih akurat nilainya. Hanya saja pada sistem ini digunakan pembobotan untuk 3 range nilai, yaitu jawaban benar kecerdasan utama, jawaban benar kecerdasan bawaan dan jawaban salah.
Perhitungan pembobotan dilakukan untuk memperoleh data angka pasti sebelum dilakukan perhitungan terhadap metode Naïve Bayes Classifier. Pembobotan nilai berdasarkan kepada kecerdasan utama dan kecerdasan bawaan yang saling terhubung. Contoh pembobotan nilai dapat dilihat pada Gambar 31.












Gambar 31. Pembobotan Nilai Linguistik

Gambar 31 menunjukkan bahwa jawaban pada tes kecerdasan menghasilkan 3 jawaban benar pada 3 pengisian soal untuk kecerdasan Linguistik. Berdasarkan Tabel 3, dapat diketahui bahwa kecerdasan Linguistik memiliki kecerdasan bawaan untuk Kinestetik-Jasmani dan Interpersonal. Nilai pembobotan yang dihasilkanpun berupa 15 poin untuk 3 jawaban benar pada Linguistik dan masing-masing 6 poin untuk kecerdasan bawaan pada Kinestetik-Jasmani dan Interpersonal.
Perhitungan nilai pembobotan juga dilakukan terhadap jawaban salah. Jawaban salah bernilai sama dengan tidak memberi jawaban yaitu 0 (nol). Maka jawaban salah tidak memberi pengaruh terhadap nilai uji pada metode Naïve Bayes Classifier. Contoh nilai pembobotan untuk jawaban salah dapat dilihat pada Gambar 32.










Gambar 32. Pembobotan Jawaban Salah

Gambar 32 menunjukkan bahwa jawaban pada tes kecerdasan menghasilkan 2 jawaban benar pada 3 pengisian soal untuk kecerdasan Linguistik. Satu jawaban yang diinputkan bernilai salah. Hal ini berakibat pada pembobotan diperoleh nilai berupa 10 poin untuk 2 jawaban benar pada Linguistik dan masing-masing 4 poin untuk kecerdasan bawaan pada Kinestetik-Jasmani dan Interpersonal.

4.2.1.2 Perhitungan Metode Naïve Bayes Classifier
Metode Naïve Bayes Classifier mengidentifikasi kecerdasan dengan asumsi variabel bersifat bebas. Klasifikasi dilakukan dengan membandingkan nilai probabilitas dari masing-masing kelas. Identifikasi ini dilakukan untuk menentukan jawaban benar salah akan masuk kelas kecerdasan mana. Contoh jawaban yang akan diuji dapat dilihat pada Tabel 18.

Tabel 18. Contoh Jawaban Kuis
Q1
Q2
Q3
Q4
Q5
Q6
Q7
Q8
Q9
Q10
Q11
Q12
Q13
Q14














Q15
Q16
Q17
Q18
Q19
Q20
Q21
Q22
Q23
Q24
Q25
Q26
Q27














Melalui jawaban pada Tabel 18 maka akan diuji kedalam perhitungan Naïve Bayes Classifier sehingga perlu dilakukan perhitungan nilai pada tiap variabelnya. Perhitungan nilai dapat dilihat pada Tabel 19.

Tabel 19. Perhitungan Nilai per Variabel
Qa
Qb
Qc
Qd
Qe
Q1
Q2
Q3
Q4
Q5
Q6
Q7
Q8
Q9
Q10
Q11
Q12
Q13
Q14
Q15
15 - (x)
15 - (x)
15 - (x)
15 - (x)
15 - (x)
5
0
5
0
0
0
5
0
5
0
5
0
0
0
5
2 
2 
 
2
2
2
2

 
2
2
2


 
 
 
 
 
 
 
 
 
 
 2
 
 
 
 
 
Qa = 15 – 14
Qb = 15 – 6
Qc = 15 – 12
Qd = 15 – 13
Qe = 15 – 5
Qa = 1
Qb = 9
Qc = 3
Qd = 2
Qe = 10
Qf
Qg
Qh
Qi
Q16
Q17
Q18
Q19
Q20
Q21
Q22
Q23
Q24
Q25
Q26
Q27
15 - (x)
15 - (x)
15 - (x)
15 - (x)
0
0
0
5
0
5
0
0
5
0
0
0
2
2
2 


 


 
 2
2 
 
Qf = 15 – 6
Qg = 15 – 10
Qh = 15 – 5
Qi = 15 – 4
Qf = 9
Qg = 5
Qh = 10
Qi = 11




Perhitungan pada tabel 19 menjadi angka hitung untuk perhitungan probabilitas. Sehingga dapat diperoleh nilai probabilitas pada tabel 20.

Tabel 20. Nilai Probabilitas
Probabilitas Linguistik
0,7711321198
Probabilitas Logis-Matematis
0,0010956658
Probabilitas Visual-Spasial
0,0812993489
Probabilitas Kinestetik-Jasmani
0,1370221100
Probabilitas Musikal
0,0005951637
Probabilitas Interpersonal
0,0004717766
Probabilitas Intrapersonal
0,0076826198
Probabilitas Naturalis
0,0005527123
Probabilitas Eksistensial
0,0001484830
Probabilitas Maksimum
0,7711321198

Perhitungan pada Tabel 20 merupakan perhitungan prediksi secara manual. Hasilnya menunjukkan bahwa jawaban kuis menunjukkan kecerdasan Linguistik yang dominan. Hasil jawaban diatas diuji kembali kedalam sistem untuk melihat apakah hasil identifikasi menghasilkan nilai sama. Hasil pengujian sistem dapat dilihat pada Gambar 33.

Gambar 33. Pengujian Metode Sistem

Gambar 33 menunjukkan bahwa hasil perhitungan manual dan sistem menghasilkan nilai sama. Nilai maksimum yang ditunjukkan adalah 0,77132 dengan pembulatan angka untuk probabilitas linguistik. Berdasarkan Gambar 33 maka pengujian tersebut bernilai sama untuk kecerdasan Linguistik.

Uji Coba
Tahap uji coba dilakukan untuk menguji dan mengetahui apakah Sistem Identifikasi Jenis Kecerdasan Manusia ini telah sesuai antara rancangan dengan fungsinya.
4.2.2.1 Uji Coba Struktural
Uji coba struktural adalah uji coba yang dilakukan untuk memastikan apakah website terstruktur dengan baik sesuai dengan rancangan. Hasil uji coba struktural dapat dilihat pada Tabel 21.

Tabel 21. Uji Coba Struktural
No.
Uji Coba
Hasil
1.
Tampilan halaman utama Frontend
Ya (terlihat pada Gambar 21)
2.
Tampilan halaman deskripsi
Ya (terlihat pada Gambar 22, 23)
3.
Tampilan halaman tes kecerdasan
Ya (terlihat pada Gambar 24)
4.
Tampilan halaman hasil identifikasi
Ya (terlihat pada Gambar 25)
5.
Tampilan halaman login
Ya (terlihat pada Gambar 26)
6.
Tampilan halaman utama Backend
Ya (terlihat pada Gambar 27)
7.
Tampilan halaman inputsoal
Ya (terlihat pada Gambar 28)
8.
Tampilan halaman lihat soal
Ya (terlihat pada Gambar 29)
9.
Tampilan halaman tipe kecerdasan
Ya (terlihat pada Gambar 30)

4.2.2.2 Uji Coba Fungsional
Uji coba fungsional adalah uji coba yang dilakukan untuk mengetahui apakah fungsi yang difasilitasi oleh website telah berjalan dengan baik. Hasil uji coba fungsional dapat dilihat pada Tabel 22.

Tabel 22. Uji Coba Fungsional
No
Uji Coba
Keterangan
Hasil
1.
Proses input soal
Data masuk ke database
Sesuai (terlihat pada Gambar 32)
2.
Proses edit kecerdasan
Data masuk ke database
Sesuai (terlihat pada Gambar 33)
3.
Proses identifikasi kecerdasan
Masuk ke halaman hasil identifikasi
Sesuai (terlihat pada Gambar 34)


4.2.2.3 Uji Coba Validasi
Uji coba validasi adalah uji coba yang dilakukan untuk melakukan pengujian terhadap hasil data yang dimasukkan kedalam sistem identifikasi. Proses input soal dapat dilihat pada Gambar 34.

Gambar 34. Proses Input Soal

Jenis kecerdasan tidak dilakukan penginputan karena kecerdasan bersifat sama yaitu 9 (sembilan). Untuk jenis kecerdasan hanya dilakukan edit terhadap deskripsi data. Proses edit kecerdasan dapat dilihat pada Gambar 35.

Gambar 35. Proses Edit Kecerdasan

Identifikasi kecerdasan dapat dilakukan dengan mengisi quisioner yang ada mengenai pengetahuan terhadap kategori kecerdasan. Proses identifikasi kecerdasan dapat dilihat pada Gambar 36.

Gambar 36. Proses Identifikasi Kecerdasan
4.2.2.4 Uji Coba Sistem
Tahap uji coba sistem merupakan tahap pengujian proses sistem melalui bagian frontend. Tahap uji coba sistem ini mencakup pengujian terhadap cara-cara tidak efektif yang kemungkinan akan dilakukan oleh user. Pengujian pertama dilakukan apabila seorang user mengakses website dan mencoba melakukan pengujian tanpa mengisi jawaban. Apabila terjadi kemungkinan seperti ini, maka yang akan muncul adalah peringatan untuk mengisi jawaban terlebih dahulu. Tampilan untuk peringatan tersebut dapat dilihat pada Gambar 37.

Gambar 37. Tampilan Peringatan
Uji coba sistem juga dilakukan terhadap pengisian jawaban dengan metode acak. Apabila seorang user melakukan pengisian soal dengan jawaban keseluruhan a, b, c, d, e maka kecerdasan yang muncul adalah jenis kecerdasan dengan jumlah jawaban yang bernilai benar sama. Apabila terjadi kemungkinan seperti ini, maka hasil kecerdasan yang akan diperoleh dipastikan sama. Pengisian dan hasil jawaban untuk jawaban keseluruhan sama ditunjukkan pada Tabel 23.
Tabel 23. Uji Coba Jawaban Sama
Jawaban
Hasil Kecerdasan
A
Kinestetik-Jasmani
B
Intrapersonal
C
Eksistensial
D
Linguistik
E
Interpersonal

Uji coba sistem selanjutnya dilakukan terhadap pengaksesan website. Pengujian ini masih bisa berubah dikarenakan sistem masih dimasukkan kedalam website dengan domain gratis. Website ini dapat diakses pada multiplemdp.url.ph. Melalui website ini dilakukan uji coba terhadap pengaksesan diwaktu yang sama. User yang digunakan sebanyak 4 (empat)user dengan menggunakan koneksi internet yang sama. Melalui pengujian ini dapat dilihat bahwa kecepatan pengaksesan berdasarkan pada urutan dalam pengaksesan. Kemampuan internet untuk pengaksesan menjadi dasar perhitungan cepat atau lambatnya sistem identifikasi dapat digunakan. Hasil pengujian waktu terhadap akses sistem dapat dilihat pada Tabel 24.

Tabel 24. Uji Coba Waktu Akses
User
Waktu

Akses Website
Proses Load Soal
Proses Identifikasi
I
00.00.03
00.01.14
00.00.05
II
00.01.10
00.00.20
00.00.03
III
00.01.01
00.00.47
00.00.01
IV
00.03.07
00.00.08
00.00.04

Uji coba terakhir yang dilakukan adalah uji coba terhadap jumlah responden. Melalui uji coba ini diketahui bahwa dari 50 user yang terlibat memiliki nilai yang tidak seimbang untuk hasil identifikasinya. Kecerdasan kinestetik-jasmani memiliki hasil user terbanyak yaitu lebih dari 50%. Sebaliknya, kecerdasan logis-matematis tidak memiliki hasil user atau dengan kata lain 0%. Berdasarkan hasil pengisian terhadap jawaban kuis, dapat dilihat bahwa user malas untuk mengerjakan soal logis-matematis yang berupa angka dan penalaran. Hal ini berpengaruh terhadap hasil identifikasi. Banyaknya user yang tidak mengerjakan soal logis-matematis menyebabkan tidak adanya user yang dominan terhadap kecerdasan logis-matematis. Hasil persentase tes kecerdasan dapat dilihat pada Tabel 25.

Tabel 25. Hasil Persentase Tes Kecerdasan
Kecerdasan
Jumlah
Persentase
Linguistik
10
20%
Logis-Matematis
0
0%
Visual-Spasial
2
4%
Kinestetik-Jasmani
28
56%
Musikal
3
6%
Interpersonal
3
6%
Intrapersonal
1
2%
Naturalis
2
4%
Eksistensial
1
2%
TOTAL
50
100%

4.2.3 Menghitung Nilai Akurasi Identifikasi
Nilai akurasi digunakan sebagai pengukuran tingkat keakuratan perhitungan sistem dengan perhitungan manual. Nilai akurasi sistem identifikasi ini dihitung berdasarkan perhitungan terhadap 50 user. Data dari nilai akurasi sistem identifikasi dapat dilihat pada Tabel 26.

Tabel 26. Nilai Akurasi 50 User
No.
Nilai Prediksi
Prediksi
Nilai Sistem
Sistem
Akurasi
1.
0.72945
Eksistensial
0.72958
Eksistensial
99,98%
2.
0.77113
Linguistik
0.77113
Linguistik
100,00%
3.
0.43936
Visual-Spasial
0.43931
Visual-Spasial
99,99%
4.
0.99768
Kinestetik-Jasmani
0.99768
Kinestetik-Jasmani
100,00%
5.
0.58743
Linguistik
0.58744
Linguistik
100,00%
6.
0.88561
Linguistik
0.88559
Linguistik
100,00%
7.
0.59584
Interpersonal
0.59585
Interpersonal
100,00%
8.
0.79693
Linguistik
0.79694
Linguistik
100,00%
9.
0.45816
Linguistik
0.45818
Linguistik
100,00%
10.
0.89140
Linguistik
0.89139
Linguistik
100,00%
11.
0.48639
Interpersonal
0.48638
Interpersonal
100,00%
12.
0.50301
Musikal
0.50301
Musikal
100,00%
13.
0.79517
Naturalis
0.79516
Naturalis
100,00%
14.
0.98980
Interpersonal
0.98980
Interpersonal
100,00%
15.
0.55903
Naturalis
0.55903
Naturalis
100,00%
16.
0.63229
Musikal
0.63231
Musikal
100,00%
17.
0.99932
Kinestetik-Jasmani
0.99932
Kinestetik-Jasmani
100,00%
18.
0.32289
Intrapersonal
0.32289
Intrapersonal
100,00%
19.
0.56739
Kinestetik-Jasmani
0.56736
Kinestetik-Jasmani
99,99%
20.
0.84494
Visual-Spasial
0.84493
Visual-Spasial
100,00%
21.
0.98621
Kinestetik-Jasmani
0.998621
Kinestetik-Jasmani
98,74%
22.
0.60406
Musikal
0.60408
Musikal
100,00%
23.
0.93275
Kinestetik-Jasmani
0.93274
Kinestetik-Jasmani
100,00%
24.
0.99969
Kinestetik-Jasmani
0.99989
Kinestetik-Jasmani
99,98%
25.
0.89838
Kinestetik-Jasmani
0.89837
Kinestetik-Jasmani
100,00%
26.
0.89022
Kinestetik-Jasmani
0.89021
Kinestetik-Jasmani
100,00%
27.
0.99894
Kinestetik-Jasmani
0.99894
Kinestetik-Jasmani
100,00%
28.
0.55290
Kinestetik-Jasmani
0.55293
Kinestetik-Jasmani
99,99%
29.
0.74340
Kinestetik-Jasmani
0.74342
Kinestetik-Jasmani
100,00%
30.
0.97267
Kinestetik-Jasmani
0.97267
Kinestetik-Jasmani
100,00%
31.
0.99676
Kinestetik-Jasmani
0.99676
Kinestetik-Jasmani
100,00%
32.
0.67782
Kinestetik-Jasmani
0.67779
Kinestetik-Jasmani
100,00%
33.
0.54856
Linguistik
0.54859
Linguistik
99,99%
34.
0.78287
Kinestetik-Jasmani
0.78284
Kinestetik-Jasmani
100,00%
35.
0.63540
Kinestetik-Jasmani
0.63542
Kinestetik-Jasmani
100,00%
36.
0.89466
Kinestetik-Jasmani
0.89466
Kinestetik-Jasmani
100,00%
37.
0.99992
Kinestetik-Jasmani
0.99992
Kinestetik-Jasmani
100,00%
38.
0.81030
Kinestetik-Jasmani
0.81033
Kinestetik-Jasmani
100,00%
39.
0.97384
Kinestetik-Jasmani
0.97383
Kinestetik-Jasmani
100,00%
40.
0.98468
Kinestetik-Jasmani
0.98767
Kinestetik-Jasmani
99,70%
41.
0.98589
Kinestetik-Jasmani
0.98767
Kinestetik-Jasmani
99,82%
42.
0.99873
Kinestetik-Jasmani
0.99989
Kinestetik-Jasmani
99,88%
43.
0.98199
Kinestetik-Jasmani
0.98900
Kinestetik-Jasmani
99,29%
44.
0.99996
Kinestetik-Jasmani
0.99995
Kinestetik-Jasmani
100,00%
45.
0.40777
Linguistik
0.40777
Linguistik
100,00%
46.
0.99962
Kinestetik-Jasmani
0.99962
Kinestetik-Jasmani
100,00%
47.
0.61491
Linguistik
0.61493
Linguistik
100,00%
48.
0.89653
Kinestetik-Jasmani
0.89653
Kinestetik-Jasmani
100,00%
49.
0.99898
Linguistik
0.99898
Linguistik
100,00%
50.
0.93809
Kinestetik-Jasmani
0.92059
Kinestetik-Jasmani
98,13%

TOTAL
99,91%



BAB V
PENUTUP

5.1 Kesimpulan
Perancangan dan implementasi Sistem Identifikasi Jenis Kecerdasan Manusia dibuat dengan menggunakan software Adobe Dreamweaver CS5. Sistem identifikasi ini menggunakan bahas pemrograman PHP yang terhubung dengan database MySQL. Penerapan identifikasi pada sistem ini menggunakan metode Naïve Bayes Classifier. Metodelogi penelitian yang digunakan adalah metode System Development Life Cycle (SDLC) yang meliputi tahapan perencanaan, analisis, perancangan, implementasi, uji coba, penggunaan dan pemeliharaan.
Metode Naïve Bayes Classifier merupakan metode identifikasi yang dalam perhitungannya menggunakan perbandingan terhadap data training. Data training yang digunakan merupakan data yang telah dilakukan perhitungan rata rata dan standar deviasinya. Metode ini melakukan identifikasi kemungkinan kriteria dengan menghitung tiap kriteria kategori terhadap keseluruhan rata-rata dan standar deviasi tiap kategori. Sistem identifikasi menggunakan metode Naïve Bayes Classifier memperoleh kesimpulan bahwa data training dan data uji berbanding terbalik dalam pengolahannya. Apabila dalam data uji penginputan datanya berupa data maksimum, maka dalam data uji penginputan data yang diolah harus berupa data minimum, begitu pula sebaliknya.
Selain itu jenis pembobotan juga mempengaruhi hasil akhir identifikasi. Identifikasi juga dapat diberikan pembobotan tidak hanya berupa jawaban benar salah tetapi juga dapat menggunakan tingkatan jawaban seperti "hampir benar". Tipe pembobotan benar salah memungkinkan terjadinya jawaban benar karena keberuntungan.

5.2 Saran
Sistem identifikasi jenis kecerdasan manusia ini memiliki banyak kekurangan dalam pembuatannya sehingga diperlukan dilakukannya pengembangan sistem. Saran dari peneliti adalah :
Proses identifikasi dapat di uji kembali keakuratannya dengan menerapkan metode identifikasi lainnya sehingga dapat diperoleh hasil yang lebih valid.
Pengembangan sistem dengan menerapkan perhitungan untuk metode Fuzzy. Hal dikarenakan metode Fuzzy mendukung sistem dalam kondisi nilai yang tidak hanya terdiri dari jawaban benar salah tetapi juga untuk jawaban kemungkinan. Metode Fuzzy dapat membantu dalam pembobotan untuk tingkatan pada jawaban.
Jawaban pada pertanyaan salah diberikan nilai minus agar ada perbedaan antara tidak mengisi jawaban dengan jawaban salah.
Perhitungan rata-rata dan standar deviasi dibuat secara dinamis yang memungkinkan data dapat diubah dengan sistem yang menghitung secara otomatis.




















Daftar Pustaka

Aryanti, D. 2013. Cara Mudah Menghitung Skor TOEFL ITP, (http://hamasah-uwi.blogspot.com/2013/11/cara-menghitung-skor-toefl.html, diakses tanggal 23 Mei 2014 00:27)

Hariwijaya. 2005. Psikotes untuk Lolos Seleksi CPNS, Penerbit Andi, Yogyakarta

Mutia. 2013. Tentang Kecerdasan Majemuk, (http://muthiaaa.wordpress.com/ 2013/09/14/tentang-kecerdasan-majemuk/, diakses tanggal 16 April 2014 00:02)

Natalius, S. 2013. Metoda Naïve Bayes Classifier dan Penggunaannya pada Klasifikasi Dokumen, Institut Teknologi Bandung, Bandung

Papeti. 2013. Data Nominal, Ordinal, Interval dan Rasio, (http://johosuapapeti.blogspot.com/2013/03/data-nominal-ordinal-interval-dan-rasio.html, diakses tanggal 24 Mei 2014 12:46)

Program Studi Ilmu Komputer FMIPA Unpak, 2013. Buku Panduan Skripsi dan Tugas Akhir, Program Studi Ilmu Komputer FMIPA Universitas Pakuan, Bogor

Purnomo et al, 2010. Analisis dan Perancangan Decision Support System untuk Rekomendasi Peminatan Berdasarkan 9 Kecerdasan Manusia dengan Metode Constrained Fuzzy AHP, SNATI, Yogyakarta

Satria, N. 2013. Pengetahuan : 9 Kecerdasan Manusia, (http://ilmu-duniadanakhirat.blogspot.com/2013/02/pengetahuan-9-kecerdasan-manusia.html, diakses tanggal 5 April 2014 22:50)

Subawa, A. 2011. Multiple Intelligence (Kecerdasan Majemuk), (http://aninditasubawa.blogspot.com/2011/11/multiple-intelligence-kecerdasan.html, diakses tanggal 25 April 2014 18:58)

2013. Penilaian Kelulusan Tes CPNS LJK CAT 2013, (http://askep-net.blogspot.com/2013/10/Penilaian-Kelulusan-Tes-CPNS-2013.html. diakses tanggal 16 Mei 2014 21:33)

2011. Periksa Kecerdasan Majemuk (Kecerdasan Ganda), (http://soaltesiq.blogspot.com/2011/11/periksa-kecerdasan-majemuk-kecerdasan.html, diakses tanggal 25 April 2014 21:21)