<![CDATA[Perilaku agresif pada anak merupakan masalah serius yang dapat mengganggu perkembangan sosial, emosional, dan akademik. Deteksi dini dan intervensi yang tepat sangat penting untuk mencegah dampak negatif jangka panjang. Penelitian ini bertujuan melakukan prediksi agresif anak berbasis machine learning untuk mendeteksi perilaku agresif pada anak usia sekolah dasar hingga menengah atas. data observasi 200 orang guru di Provinsi Gorontalo, yang dikumpulkan melalui kuesioner online yang mengukur berbagai indikator perilaku agresif seperti fisik, verbal, relasional, dan kerusakan properti, digunakan sebagai dasar pengembangan model. Instrumen penelitian telah divalidasi dengan uji validitas isi oleh praktisi kesehatan mental dan uji reliabilitas menggunakan Cronbach's alpha dengan nilai koefisien 0.7. Tiga metode seleksi fitur, yaitu Korelasi Pearson, Chi-Square, dan Information Gain, diaplikasikan untuk memilih variabel independen yang paling relevan dalam memprediksi perilaku agresif anak. Dari 14 variabel independen yang diukur melalui kuesioner, terdapat 12 fitur terpilih sebagai prediktor. Fitur-fitur ini merepresentasikan indikator perilaku agresif yang diamati oleh para guru pada siswa-siswa mereka, meliputi perubahan emosi, perilaku menyendiri, kesulitan tidur, penurunan prestasi akademik, dan perilaku berisiko.Dua algoritma machine learning, Random Forest dan Support Vector Machine (SVM), diimplementasikan dan dievaluasi kinerjanya menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model Random Forest mencapai akurasi 90%, mengungguli SVM (85%). Analisis prediksi yang dikembangkan memiliki potensi untuk diimplementasikan dalam bentuk aplikasi yang dapat digunakan oleh guru dan orang tua untuk melakukan deteksi dini perilaku agresif pada anak, sehingga memungkinkan intervensi yang tepat dan pencegahan dampak negatif jangka panjang.]]>
