KOMPARASI ALGORITMA KNN DAN SVM UNTUK KLASIFIKASI KESEHATAN MENTAL PADA USIA REMAJA

Abstract

Kesehatan mental pada usia remaja merupakan isu krusial yang terus mengalami peningkatan dan sering kali tidak terdeteksi secara dini akibat keterbatasan metode penilaian yang masih bersifat subjektif. Penelitian ini bertujuan untuk mengklasifikasikan tingkat kesehatan mental remaja berdasarkan tingkat stres menggunakan pendekatan machine learning serta membandingkan kinerja algoritma KNN dan SVM. Dataset yang digunakan terdiri dari 1.100 data remaja yang diperoleh dari GitHub dengan 11 atribut prediktor dan satu atribut target, yaitu stress_level yang diklasifikasikan ke dalam tiga kelas: rendah, sedang, dan tinggi. Tahapan penelitian meliputi preprocessing data, EDA, feature selection, penanganan ketidakseimbangan data menggunakan SMOTE, pemodelan, dan evaluasi. Pengujian dilakukan menggunakan beberapa rasio pembagian data latih dan data uji. Evaluasi kinerja model menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa algoritma SVM memberikan performa terbaik dengan akurasi sebesar 89,55% dan F1-Score sebesar 89,58% pada rasio data 80:20 sebelum penerapan SMOTE. Secara keseluruhan, SVM terbukti lebih stabil dan akurat dibandingkan KNN dalam mengklasifikasikan tingkat kesehatan mental remaja, sehingga berpotensi digunakan sebagai dasar sistem deteksi dini kesehatan mental berbasis data.