Optimalisasi Klasifikasi Tipe Kepribadian Menggunakan Dataset MBTI dengan Metode SMOTE dan Perbandingan Dua Teknik Boosting

Tipe kepribadian merupakan salah satu indikator penting yang dapat membantu memahami
perilaku individu dalam berbagai konteks sosial dan profesional. Myers-Briggs Type Indicator
(MBTI) adalah salah satu metode klasifikasi tipe kepribadian yang sering digunakan. Namun,
dataset MBTI sering kali mengalami ketidakseimbangan kelas yang signifikan, yang dapat
menurunkan performa model klasifikasi. Penelitian ini bertujuan untuk menoptimalkan
klasifikasi tipe kepribadian menggunakan metode SMOTE (Synthetic Minority Over-Sampling
Technique) untuk menyeimbangkan data, serta membandingkan dua teknik boosting, yaitu
XGBoost dan AdaBoost, guna meningkatkan performa model. Dataset yang digunakan dalam
penelitian ini terdiri dari ribuan data kepribadian dengan distribusi yang tidak merata antar tipe.
Setelah menerapkan SMOTE, dilakukan optimasi dan evaluasi model menggunakan metrik
akurasi micro dan macro. Hasil penelitian ini menunjukkan bahwa teknik XGBoost lebih
unggul dalam menjaga keseimbangan performa dengan makro akurasi mencapai 95.24%,
meskipun akurasi mikro sedikit menurun menjadi 61.96%. Sementara itu, AdaBoost
menunjukkan penurunan yang lebih signifikan dalam akurasi mikro setelah penerapan SMOTE
dengan nilai 44.32%, meskipun makro akurasi masih cukup tinggi pada angka 93.03%. Dengan
demikian, XGBoost dipilih sebagai teknik yang lebih optimal dalam menangani
ketidakseimbangan data pada klasifikasi tipe kepribadian