<![CDATA[Abstrak - Gangguan kecemasan merupakan kondisi psikologis yang kerap muncul pada mahasiswa dan dapat mengganggu kesejahteraan serta hasil akademik mereka. Dalam konteks penelitian ini, gangguan kecemasan dipahami sebagai kecemasan yang berkaitan dengan aktivitas dan tuntutan akademik mahasiswa, sehingga upaya identifikasi sejak dini menjadi penting agar strategi penanganan dapat diberikan secara tepat. Penelitian ini mengeksplorasi kinerja algoritma Support Vector Machine (SVM) dalam mendeteksi tingkat kecemasan mahasiswa dengan bantuan metode Adaptive Synthetic Sampling (ADASYN) untuk mengatasi ketidaksembangan distribusi kelas pada dataset. Data penelitian diperoleh dari platform Kaggle dan diproses melalui sejumlah tahapan, termasuk pembersihan data, transformasi fitur, serta prosedur penyembangan data menggunakan ADASYN. Evaluasi performa model dilakukan dengan menggunakan metrik akurasi, precision, recall, dan f1-score. Hasil pengujian menunjukkan bahwa penerapan ADASYN meningkatkan kemampuan SVM dalam mengenali kelas minoritas tanpa menurunkan stabilitas prediksi secara signifikan. Secara keseluruhan, pendekatan ini memberikan hasil yang lebih sembang pada proses klasifikasi dan berpotensi diterapkan pada penelitian serupa dengan karakteristik data yang tidak sembang.Kata kunci : SVM; ADASYN; Kecemasan Akademik Mahasiswa; Ketidaksembangan Data; Klasifikasi; Abstract – Anxiety disorders are common psychological issues experienced by university students and can adversely affect ther well-beng and academic performance. In the context of this study, anxiety disorders refer to academic-related anxiety associated with academic demands, learning activities, and students perceved ability to meet academic requirements, making early identification essential to ensure that appropriate interventions can be provided. This study examines the performance of the Support Vector Machine (SVM) algorithm in detecting student anxiety levels by applying Adaptive Synthetic Sampling (ADASYN) to address class imbalance within the dataset. The dataset was obtained from the Kaggle platform and underwent several preprocessing steps, including data cleansing, feature transformation, and data balancing using ADASYN. The model’s performance was assessed using accuracy, precision, recall, and f1-score metrics. The results indicate that the use of ADASYN enhances SVM’s ability to identify minority classes while maintaining stable overall predictive performance. These findings suggest that the combination of SVM and ADASYN yields a more balanced classification outcome and may serve as a promising approach for studies involving imbalanced data.Keywords: SVM; ADASYN; Student Academic Anxiety; Imbalanced Data; Classification;]]>
