Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Coding: Journal of Computing and Software Engineering
Doni Iskandar Rotama Sihaloho
Program Studi Teknik Informatika, Universitas Muhammadiyah Riau, Indonesia
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Library & Information Science

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Coding: Journal of Computing and Software Engineering

 1 
Penerapan Random Forest untuk Identifikasi Tipe Kepribadian: Studi Kasus Klasifikasi Introvert dan Extrovert Fauzan Azim; Doni Iskandar Rotama Sihaloho; Muhammad Rizki; Afdanil Hidayat Alghifary; Husnul Qadri Habibullah; Harya Jaya Kusuma; Rahmad Gunawan
Coding: Journal of Computing and Software Engineering Vol. 1 No. 2: DESEMBER 2025
Publisher : Coding: Journal of Computing and Software Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25181/coding.v1i2.4368

Abstract

Pengelompokan tipe kepribadian menjadi salah satu cara penting untuk memahami bagaimana individu berinteraksi dalam konteks sosial. Penelitian ini mengeksplorasi penerapan algoritma pembelajaran mesin dalam membedakan individu ke dalam dua kategori kepribadian utama: introvert dan ekstrovert, berdasarkan indikator perilaku sosial yang dapat diukur secara kuantitatif. Dataset yang digunakan mencakup 2.900 observasi dengan variabel-variabel seperti durasi waktu yang diluangkan secara mandiri, frekuensi partisipasi dalam kegiatan sosial, tingkat interaksi di luar lingkungan rumah, serta jumlah teman dalam jaringan sosial. Sebelum analisis, data mengalami proses pra-pemrosesan yang meliputi konversi variabel kategorikal menjadi bentuk numerik dan penskalaan fitur numerik agar seragam. Model klasifikasi yang digunakan adalah Random Forest Classifier dengan parameter baku, yang divalidasi menggunakan pembagian data latih dan uji melalui teknik stratified split untuk menjaga keseimbangan distribusi kelas. Hasil evaluasi menunjukkan performa model yang baik, dengan tingkat akurasi sebesar 90,86% dan F1-Score mencapai 91,03%. Temuan ini menegaskan bahwa pendekatan berbasis pembelajaran mesin, terutama model ensemble seperti Random Forest memiliki potensi besar dalam mengidentifikasi ciri kepribadian melalui pola perilaku sosial yang terekam.
Co-Authors Afdanil Hidayat Alghifary Fauzan Azim Harya Jaya Kusuma Husnul Qadri Habibullah Muhammad Rizki Rahmad Gunawan