STMIK BANJARBARUSTMIK BANJARBARU

Progresif: Jurnal Ilmiah KomputerProgresif: Jurnal Ilmiah Komputer

Kesehatan mental siswa berpengaruh besar terhadap prestasi akademik dan kesejahteraan sosial. Penelitian ini bertujuan membangun model klasifikasi kondisi mental siswa menggunakan algoritma Support Vector Machine (SVM) berbasis 15 fitur demografis, akademik, dan perilaku. Dataset yang digunakan berasal dari Kaggle, terdiri atas 426 data siswa SMP dan SMA. Tahapan penelitian meliputi preprocessing dengan one-hot encoding, standarisasi numerik, pembagian data (80:20), serta penanganan ketidakseimbangan data menggunakan SMOTE. Model dilatih menggunakan kernel Radial Basis Function (RBF) dan dioptimasi dengan Grid Search CV. Hasil evaluasi menunjukkan akurasi sebesar 65%, dengan kinerja lebih baik dalam mengenali siswa tanpa gangguan mental (Absence) dibandingkan siswa dengan gangguan mental (Presence). Rendahnya recall pada kelas Presence mengindikasikan perlunya strategi lanjutan terhadap ketidakseimbangan data. Penelitian ini menunjukkan bahwa machine learning, khususnya SVM, berpotensi sebagai alat bantu dalam deteksi awal kesehatan mental siswa jika disertai pengolahan data yang tepat.

Model klasifikasi kesehatan mental siswa menggunakan 15 fitur terdiri dari prestasi akademik, absensi, usia, jenis kelamin, status tempat tinggal, tingkat pendidikan dan pekerjaan orang tua, lokasi kerja orang tua, kebiasaan tidur, aktivitas fisik, serta keterlibatan organisasi dan ekstrakurikuler.Model dilatih menggunakan SVM dengan kernel RBF dan hiperparameter dioptimasi melalui Grid Search CV, serta penanganan ketidakseimbangan data memakai SMOTE.Hasil evaluasi menunjukkan akurasi 65 % dengan prediksi yang baik untuk kelas Absence namun buruk untuk kelas Presence, menandakan kebutuhan penyesuaian threshold atau eksplorasi metode lain seperti Random Forest untuk memperbaiki deteksi gangguan mental.

Untuk meningkatkan akurasi pada kelas Presence, pertama, eksperimen dengan penyesuaian threshold prediksi dapat membantu menyeimbangkan precision dan recall. Kedua, perlu dilanjutkan dengan eksperimen pencarian hyperparameter yang lebih luas menggunakan teknik Bayesian Optimization agar mendapatkan kombinasi C dan gamma yang optimal. Ketiga, uji model alternatif seperti Random Forest yang lebih toleran terhadap ketidakseimbangan data serta perbandingan dengan Model Ensembled dapat memberi insight tentang metode terbaik untuk deteksi dini kesehatan mental siswa di lingkungan sekolah menengah.

  1. Analisis Sentimen Publik Terhadap Polusi Udara di Kota Jakarta: Perbandingan Algoritma Support Vector... doi.org/10.35889/jutisi.v13i3.2414Analisis Sentimen Publik Terhadap Polusi Udara di Kota Jakarta Perbandingan Algoritma Support Vector doi 10 35889 jutisi v13i3 2414
  2. Metode Dempster-Shafer untuk Diagnosis Dini Jenis Penyakit Gangguan Jiwa Skizofrenia Berbasis Sistem... sistemasi.ftik.unisi.ac.id/index.php/stmsi/article/view/1195Metode Dempster Shafer untuk Diagnosis Dini Jenis Penyakit Gangguan Jiwa Skizofrenia Berbasis Sistem sistemasi ftik unisi ac index php stmsi article view 1195
  3. Research on evaluation model of College Students’ mental health | IEEE Conference Publication |... doi.org/10.1109/HBDSS54392.2021.00031Research on evaluation model of College StudentsAo mental health IEEE Conference Publication doi 10 1109 HBDSS54392 2021 00031
  4. Model Klasifikasi Mental Siswa Menggunakan Algoritma Support Vector Machine | Fibriani | Progresif: Jurnal... doi.org/10.35889/progresif.v21i2.2813Model Klasifikasi Mental Siswa Menggunakan Algoritma Support Vector Machine Fibriani Progresif Jurnal doi 10 35889 progresif v21i2 2813
Read online
File size577.47 KB
Pages11
DMCAReport

Related /

ads-block-test