Prediksi Kepribadian DISC Pada Twitter Menggunakan Metode Decision Tree C4.5 Dengan Pembobotan TF-IDF dan TF-RF

Media sosial online berperan penting bagi kebutuhan manusia sehari-hari, yang dapat membangun konektivitas antara pengguna dengan pengguna lainnya. Di zaman yang modern ini hampir setiap kalangan memiliki media sosial sebagai sarana informasi dan sebagai ungkapan dengan sudut pandang keperibadian masing-masing pengguna atas berbagai aspek kehidupan. Dengan menggunakan media sosial di twitter, penulis dapat menemukan berbagai macam karakter dan keperibadian yang dimiliki oleh masing-masing pengguna media sosial. Salah satu permasalahannya adalah bagaimana mengklarifikasi kepribadian seseorang melalui tweet pada media sosial twitter. Maka dalam hal ini, penulis melakukan klasifikasi kepribadian pengguna twitter dengan menggunakan penilaian DISC serta membangun sistem klasifikasi kepribadian untuk mengetahui tingkat akurasi algoritma metode Decision Tree C4.5 dan nilai performansi yang baik. Yang membedakan penelitian ini dengan penelitian lainnya adalah setiap kata menggunakan metode pembobotan TF-IDF dan TF-RF. Followers, following, retweet, hastag, huruf besar, huruf kecil, emoticon dan lainnya merupakan sarana pendekatan berdasarkan prilaku sosial pengguna. Percobaan melalui pendekatan perilaku sosial didapatkan hasil nilai Bi Class Dominance adalah sebesar 97.56, Influence sebesar 70.13, Steadiness sebesar 57.14, Compliance sebesar 73.34. Percobaan melalui pendekatan linguistik TF-IDF didapatkan hasil nilai Bi Class Dominance adalah 97.50, Influence sebesar 73.17, Steadiness sebesar 46.15, Compliance sebesar 74.36. Percobaan melalui pendekatan linguistik TF-RF didapatkan hasil nilai Bi Class Dominance adalah sebesar 100, Influence sebesar 75.00, Steadiness sebesar 53.28, Compliance sebesar 72.50. Hasil perhitungan F-Measure dari pendekatan perilaku sosial adalah sebesar 0.2626 dari data latih dan data uji 80 :20, melalui pendekatan linguistik pada TF-IDF didapatkan hasil perhitungan F-Measure sebesar 0.3010 dari data latih dan data uji 90 :10, dan percobaan melalui pendekatan linguistik pada TF-RF didapatkan hasil F-Measure sebesar 0.4824 dari data latih dan data uji 90 :10