Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Malcom: Indonesian Journal of Machine Learning and Computer Science
Adinegara, Arbiansyah
Unknown Affiliation
Computer Science & IT

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

Found 1 Documents
Search

 1 
Prediksi Academic Burnout pada Mahasiswa: Analisis Komparatif Algoritma Support Vector Machine dan Random Forest: Prediction of Academic Burnout in College Students: A Comparative Analysis of Support Vector Machine and Random Forest Algorithms Adinegara, Arbiansyah; Widodo, Suryarini
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 4 (2025): MALCOM October 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i4.2283

Abstract

Academic burnout telah menjadi masalah signifikan di kalangan mahasiswa, berdampak negatif pada kesehatan mental dan kinerja akademik. Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap kinerja algoritma Support Vector Machine (SVM) dan Random Forest (RF) dalam memprediksi academic burnout pada mahasiswa di salah satu universitas di DKI Jakarta. Metode penelitian kuantitatif ini menggunakan data primer dari kuesioner Burnout Assessment Tool – Student Version (BAT-S) yang mencakup faktor pribadi, akademik, dan psikologis, serta data sekunder akademik mahasiswa. Data mentah kemudian melalui tahap persiapan yang meliputi pembersihan, penanganan outlier dengan teknik capping, standardisasi, dan penyeimbangan kelas menggunakan BorderlineSMOTE untuk mengatasi distribusi data yang tidak seimbang. Hasil pemodelan menunjukkan performa prediktif yang sangat tinggi untuk kedua algoritma setelah optimasi hyperparameter, dengan SVM mencapai akurasi 98,75% dan RF sebesar 97,50% pada data uji. Meskipun RF menunjukkan keunggulan pada metrik berbasis peringkat seperti ROC-AUC, SVM direkomendasikan sebagai model akhir karena memiliki profil risiko kesalahan yang lebih dapat diterima secara klinis, yakni tidak menghasilkan false negative yang berisiko tinggi. Penelitian ini membuktikan bahwa ML dapat menjadi alat efektif untuk deteksi dini risiko burnout, namun penelitian selanjutnya disarankan untuk mengeksplorasi algoritma yang lebih kompleks seperti gradient boosting dan melakukan analisis kepentingan fitur untuk pemahaman yang lebih mendalam.
Co-Authors Suryarini Widodo