Publisher

STMIK BANJARBARUSTMIK BANJARBARU

Journal Progresif: Jurnal Ilmiah KomputerProgresif: Jurnal Ilmiah Komputer Abstract

Penggunaan media sosial secara intensif di kalangan pelajar berisiko memunculkan gejala Fear of Missing Out (FoMO), yang berdampak negatif pada kesehatan mental dan fokus belajar. Penelitian ini bertujuan untuk mengembangkan model klasifikasi kecenderungan FoMO pada pelajar SMAN 11 Kabupaten Tangerang. Metode yang digunakan adalah pendekatan kuantitatif dengan algoritma K-Nearest Neighbor (KNN) dan Naïve Bayes. Variabel yang dianalisis meliputi jenis kelamin, durasi penggunaan media sosial, frekuensi akses, keinginan untuk tetap update, dan pengaruh terhadap produktivitas. Data dikumpulkan dari 244 responden dan diproses melalui pre-processing, modeling, dan evaluasi. Hasil validasi menunjukkan bahwa KNN menghasilkan akurasi tertinggi sebesar 94,69%, sementara Naïve Bayes mencapai 93,06%. Temuan ini menunjukkan bahwa KNN lebih efektif untuk mendeteksi kecenderungan FoMO berbasis data numerik dan berpotensi mendukung pengembangan intervensi dini dalam konteks pendidikan.

Conclusion

Berdasarkan pemodelan dan evaluasi hasil klasifikasi, algoritma K-Nearest Neighbor (KNN) memperlihatkan performa yang lebih unggul dibandingkan dengan algoritma Naïve Bayes dalam mendeteksi kecenderungan Fear of Missing Out (FoMO) di kalangan pengguna media sosial.KNN memperoleh akurasi yang lebih tinggi (94,69%) dibandingkan Naïve Bayes (93,06%), serta skor yang lebih baik pada metrik presisi, recall, dan F1-score.Temuan penelitian ini menunjukkan bahwa KNN lebih kuat dan andal dalam mengklasifikasikan pola perilaku psikologis seperti FoMO, berdasarkan atribut data pengguna seperti lama penggunaan media sosial, keinginan untuk selalu mendapat pembaruan, dan tingkat produktivitas.

Future Research

Penelitian lanjutan dapat mengembangkan model prediksi FoMO dengan memasukkan variabel tambahan seperti faktor ekonomi atau lingkungan sosial siswa. Selain itu, studi bisa dilakukan untuk membandingkan algoritma machine learning lain seperti Support Vector Machine (SVM) dalam konteks yang sama. Terakhir, peneliti dapat mengeksplorasi penggunaan data real-time dari platform media sosial untuk meningkatkan akurasi deteksi FoMO secara dinamis.

References

1. Analisis Performa Deteksi Penyakit Paru-Paru dengan Model Klasifikasi Gambar Menggunakan LSTM Deep Learning... doi.org/10.33087/jiubj.v25i1.5697Analisis Performa Deteksi Penyakit Paru Paru dengan Model Klasifikasi Gambar Menggunakan LSTM Deep Learning doi 10 33087 jiubj v25i1 5697
2. Metode KNN (K-Nearest Neighbor) untuk Menentukan Kualitas Air | Akbar | Jurnal Tekno Kompak. metode knn... ejurnal.teknokrat.ac.id/index.php/teknokompak/article/view/3241Metode KNN K Nearest Neighbor untuk Menentukan Kualitas Air Akbar Jurnal Tekno Kompak metode knn ejurnal teknokrat ac index php teknokompak article view 3241
3. 0. 0 doi.org/10.24176/ijtis.v3i2.78810 0 doi 10 24176 ijtis v3i2 7881
4. Komparasi Metode Naive Bayes dan K-Nearest Neighbors Terhadap Analisis Sentimen Pengguna Aplikasi Zenius... ejournal.unama.ac.id/index.php/processor/article/view/1596Komparasi Metode Naive Bayes dan K Nearest Neighbors Terhadap Analisis Sentimen Pengguna Aplikasi Zenius ejournal unama ac index php processor article view 1596

Metadata

File size	502.09 KB
Pages	12
DMCA	Report