<![CDATA[Distraksi digital seperti penggunaan ponsel, media sosial, YouTube, dan gim daring terbukti berdampak negatif terhadap produktivitas siswa, namun studi komparatif berbasis machine learning yang secara spesifik membandingkan kemampuan prediksi KNN Regressor dan Support Vector Regression (SVR) menggunakan variabel distraksi digital sebagai prediktor tunggal belum pernah dilakukan, sehingga belum diketahui algoritma mana yang lebih optimal untuk kasus prediksi skor produktivitas yang bersifat kontinu. Penelitian ini bertujuan membandingkan performa KNN Regressor dan SVR dengan optimasi parameter menggunakan Grid Search Cross-validation untuk memprediksi productivity_score siswa berdasarkan empat variabel distraksi digital, serta mengidentifikasi algoritma yang menghasilkan prediksi paling akurat berdasarkan metrik MAE, RMSE, dan R². Dataset bersumber dari Kaggle yang memuat 20.000 data siswa diproses menggunakan Python dengan library Scikit-learn, dinormalisasi melalui Min-Max Scaling, dibagi dengan proporsi 80:20, dan dioptimasi melalui 5-Fold Cross-validation. Hasil evaluasi menunjukkan SVR dengan kernel linear, C = 1, dan epsilon = 0,5 secara konsisten mengungguli KNN Regressor (k = 15, metric manhattan) pada seluruh metrik dengan MAE 12,4461, RMSE 15,1753, dan R² 0,1060, sedangkan KNN menghasilkan MAE 12,8300, RMSE 15,6960, dan R² 0,0436; keunggulan SVR pada R² mencapai 143% lebih tinggi dibanding KNN. Nilai R² yang rendah (0,1060) menunjukkan keterbatasan model, yang mengindikasikan bahwa variabel distraksi digital yang digunakan belum mampu menjelaskan variasi produktivitas siswa secara menyeluruh.]]>
