Artificial Intelligence - Machine Learning : Prediksi Kepribadian (Introvert dan Extrovert)

Evaluasi Model Prediksi Kepribadian: Analisis Dashboard untuk Pembelajaran Akademis

Dalam ranah kecerdasan buatan (Artificial Intelligence) dan machine learning, prediksi kepribadian menjadi topik menarik yang menghubungkan teknologi dengan psikologi. Untuk tujuan akademis, saya mengembangkan sebuah Dashboard Evaluasi Model Prediksi Kepribadian yang dapat diakses di:

🔗 Evaluation Dashboard – Personality Prediction

đź”— Personality Prediction - Form

Dataset : https://www.kaggle.com/datasets/rakeshkapilavai/extrovert-vs-introvert-behavior-data

Dashboard ini dirancang sebagai media pembelajaran interaktif, baik bagi mahasiswa maupun dosen, untuk memahami bagaimana berbagai algoritma AI dievaluasi dalam konteks klasifikasi kepribadian (introvert vs extrovert).

1. Gambaran Umum

Dataset yang digunakan terdiri dari 580 sampel dengan 7 indikator kepribadian, di antaranya:

  • a. Time Spent Alone
  • b. Stage Fear
  • c. Social Event Attendance
  • d. Going Outside
  • e. Drained After Socializing
  • f. Friends Circle Size
  • g. Social Media Post Frequency

Indikator ini mewakili perilaku sosial sehari-hari yang diasumsikan berkorelasi dengan kecenderungan introversi atau ekstroversi.

2. Evaluasi Model

Dashboard menampilkan hasil evaluasi untuk 7 model/algoritma machine learning. Setiap model dibandingkan berdasarkan metrik: Akurasi, Precision, Recall, F1-score, ROC AUC, Confusion Matrix, serta hasil Cross-Validation (5-fold).

Beberapa temuan penting:

  • a. Gradient Boosting menunjukkan performa terbaik dengan akurasi 92,93 % dan stabilitas tinggi pada cross-validation (rata-rata ~93,4 % ± 1,1 %). Fitur dominan: stage fear (~90,3 %).
  • b. Naive Bayes dan Random Forest juga mencatat akurasi yang sama (92,93 % dan 92,41 %) dengan performa konsisten.
  • c. Neural Network (MLP) menghasilkan akurasi 92,76 %, menunjukkan potensi kuat meskipun kompleksitas model lebih tinggi.
  • d. Logistic Regression dan KNN cukup kompetitif dengan akurasi >91 %. Logistic Regression unggul dalam interpretabilitas, sementara KNN memiliki F1-score relatif tinggi.
  • e. Decision Tree relatif lebih rendah (86,72 %) namun memberikan visualisasi fitur yang mudah dipahami, menjadikannya cocok untuk tujuan edukatif.

3. Interpretasi Fitur

Salah satu kelebihan dashboard ini adalah adanya analisis feature importance. Misalnya:

  • a. Fitur stage fear muncul sebagai indikator paling dominan pada hampir semua model.
  • b. Faktor drained after socializing dan time spent alone juga konsisten memberi kontribusi signifikan.

Hal ini memperlihatkan keterhubungan langsung antara perilaku sosial dengan kecenderungan kepribadian.

4. Manfaat Akademis

  • a. Studi kasus nyata untuk memahami model evaluation dalam machine learning.
  • b. Media eksplorasi perbandingan performa antar-algoritma.
  • c. Sarana belajar interpretasi hasil prediksi ke domain non-teknis (psikologi).
  • d. Bahan kuliah praktikum pada mata kuliah AI, Data Mining, atau HCI.
  • e. Alat untuk memicu diskusi kritis tentang validitas data, bias model, dan etika penggunaan AI.

5. Batasan dan Arah Riset

Meskipun dashboard ini informatif, ada beberapa batasan:

  • a. Ukuran dataset kecil (580 sampel) sehingga generalisasi masih terbatas.
  • b. Validitas psikometrik dari indikator kepribadian perlu ditinjau lebih lanjut.
  • c. Risiko overfitting pada model kompleks tetap ada meski dilakukan cross-validation.

Ke depan, pengembangan dapat diarahkan pada:

  • a. Penggunaan dataset lebih luas dan beragam.
  • b. Integrasi prediksi Big Five Personality Traits.
  • c. Eksplorasi model deep learning dan explainable AI.
  • d. Analisis longitudinal untuk melihat dinamika kepribadian dari waktu ke waktu.

6. Penutup

Dashboard evaluasi ini bukan hanya menampilkan angka dan grafik, tetapi juga membuka ruang refleksi akademis. Dengan menggabungkan aspek teknis (algoritma, metrik evaluasi) dan aspek psikologis (indikator kepribadian), mahasiswa dan dosen dapat memperoleh gambaran komprehensif tentang bagaimana AI dapat digunakan sekaligus dikritisi dalam konteks prediksi kepribadian.

✨ Dengan demikian, dashboard ini diharapkan menjadi fondasi riset lanjutan sekaligus media pembelajaran multidisiplin di lingkungan kampus.

Penulis

  • SELAMAT MULIYADI HARJONO
    SELAMAT MULIYADI HARJONO
    Ketua HMSI 2024-2025
    Nama saya Selamat M. Harjono biasa dipanggil memet. Saya kuliah di Universitas Dumai mengambil jurusan Sistem Informasi karena saya tertarik terhadap teknologi khususnya dibidang IT. Lihat Profil
Ikuti Media Sosial Penulis