Klasifikasi Kepribadian Introvert dan Extrovert Menggunakan Random Forest, Naïve Bayes, dan K-Nearest Neighbor

Abstract

Kepribadian merupakan faktor penting yang memengaruhi cara individu berpikir, berperilaku, dan berinteraksi dalam kehidupan sosial. Salah satu dimensi utama dalam model Big Five Personality Traits adalah ekstraversi, yang merepresentasikan kecenderungan seseorang untuk bersosialisasi dan berinteraksi aktif dengan lingkungannya. Penelitian ini bertujuan mengembangkan model klasifikasi kepribadian introvert dan extrovert menggunakan tiga algoritma machine learning, yaitu Random Forest, Naïve Bayes, dan K-Nearest Neighbor (KNN). Dataset yang digunakan berjumlah 2.900 entri dengan delapan atribut perilaku sosial seperti waktu yang dihabiskan sendirian, frekuensi menghadiri acara sosial, ukuran lingkaran pertemanan, dan tingkat aktivitas di media sosial. Proses penelitian meliputi pembersihan data, transformasi variabel kategorikal, pembagian data secara stratifikasi (80:20), pembangunan model, serta evaluasi menggunakan metrik akurasi, precision, recall, F1-score, dan ROC-AUC. Hasil pengujian menunjukkan bahwa model KNN dengan k = 11 memberikan performa terbaik dengan akurasi 92,59% dan nilai ROC-AUC 0,9494, diikuti oleh Naïve Bayes dengan akurasi 92,24% (ROC-AUC 0,8988) dan Random Forest dengan akurasi 90,86% (ROC-AUC 0,9480). Kontribusi utama penelitian ini adalah memberikan analisis komparatif terhadap tiga algoritma yang mewakili paradigma pembelajaran berbeda, yaitu probabilistik, berbasis jarak, dan ensemble pohon keputusan, dalam konteks klasifikasi kepribadian berdasarkan dimensi ekstraversi. Hasil penelitian ini dapat menjadi dasar bagi pengembangan sistem prediksi kepribadian berbasis perilaku sosial yang efisien dan adaptif.