<![CDATA[Penelitian ini bertujuan untuk memprediksi mood remaja berdasarkan pola aktivitas fisik menggunakan algoritma machine learning. Aktivitas fisik sering kali berkorelasi erat dengan kondisi emosional, sehingga pendekatan ini dapat memberikan wawasan baru dalam mendukung kesehatan mental. Data dikumpulkan dari 50 remaja mahasiswa melalui perangkat wearable selama 90 hari, mencakup parameter seperti jumlah langkah, durasi aktivitas, intensitas, dan pola tidur. Sementara untuk data mood diperoleh dari skala BRUMs yang sudah diadaptasi dan divalidasi. Algoritma Decision Tree dan Support Vector Machine (SVM) digunakan untuk membangun model prediksi, dengan evaluasi kinerja berdasarkan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Decision Tree lebih unggul dibandingkan SVM, dengan akurasi sebesar 98,44% dibandingkan 97,45%. Decision Tree juga menunjukkan keunggulan dalam interpretasi model dan efisiensi komputasi, yang penting untuk implementasi aplikasi prediktif real-time. Penelitian ini menyimpulkan bahwa algoritma Decision Tree merupakan pendekatan yang lebih efektif untuk prediksi mood berbasis pola aktivitas fisik pada remaja. Temuan ini diharapkan dapat menjadi dasar pengembangan sistem pendukung kesehatan mental berbasis teknologi wearable.]]>
Copyrights © 2025
