Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI)
Nathania Asyifa
Universitas Pembangunan Panca Budi
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Optimasi Metode Naïve Bayes dan Random Forest Terhadap Akurasi Prediksi Gadget Addiction pada Anak-Anak Nathania Asyifa; Muhammad Putra Novelan
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penggunaan gagdet yang berlebihan pada anak-anak telah menjadi permasalahan kesehatan mental yang semakin mengkhawatirkan, dengan dampak negatif pada aspek psikologis, fisik, dan sosial. Deteksi dini terhadap perilaku kecanduan gadget (gadget addiction) sangat diperlukan agar intervensi dapat dilakukan secara tepat dan efesien. Penelitian ini bertujuan untuk membandingkan dan mengoptimasi kinerja dua algortima machine learning, yaitu Naïve Bayes dan Random Forest, dalam memprediksi tingkat kecanduan gadget pada anak-anak usia 5-12 tahun. Data dikumpulkan melalui kuesioner berbasis skala likert yang disebarkan kepada 150 responden (orangtua siswa) di SD Muhammadiyah 18 Medan, mencakup variabel durasi penggunaan gadget, gejala fisik, tingkat ketergantungan, serta faktor psikologis. Data diproses melalui tahapan preprocessing, kemudian dibagi 80:20 untuk data latih dan uji. Hasil evaluasi menujukkan bahwa algoritma Naive Bayes menghasilkan akurasi sebesar 95%, sedangkan Random Forest dengan paramater default maupun setelah optimasi mencapai akurasi 100% dengan nilai presicion, recall, dan f1-Score sempurna pada seluruh kelas. Perbedaan akurasi sebesar 5% antara kedua algoritma membuktikan bahwa Random Forest secara signifikan lebih unggul dibandingkan Naïve Bayes. Berdasarkan analisis feature importance, durasi penggunaan gadget menjadi fitur paling berpengaruh, sehingga solusi intervensi berupa pembatasan waktu layar dan strategi pengelolaan perilaku direkomendasikan sesuai tingkat kecanduan anak.
Co-Authors Muhammad Putra Novelan