<![CDATA[Kesehatan mental mahasiswa menjadi perhatian penting dalam dunia pendidikan, terutama terkait tingkat stres yang dialami selama proses akademik yang dapat berdampak pada prestasi dan kesejahteraan mereka. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Support Vector Machine (SVM) dan C4.5 dalam mengklasifikasikan tingkat stres mahasiswa guna menentukan metode yang lebih optimal. Penelitian ini menggunakan dataset dari Kaggle yang berisi 1.100 data mahasiswa dengan 20 atribut penyebab stres. Data tersebut diproses melalui tahapan normalisasi menggunakan MinMax Scaling dan seleksi fitur dengan metode Backward Elimination untuk mengoptimalkan model. Klasifikasi tingkat stres dibagi ke dalam tiga kategori: ringan, sedang, dan berat. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil analisis menunjukkan bahwa algoritma SVM memberikan akurasi tertinggi sebesar 91% dengan nilai presisi, recall, dan F1-score yang konsisten, sementara algoritma C4.5 menghasilkan akurasi 90% dengan hasil evaluasi yang serupa. Temuan ini menegaskan bahwa SVM lebih unggul dalam mengklasifikasikan tingkat stres mahasiswa dibandingkan C4.5. Kesimpulan dari penelitian ini adalah bahwa penerapan machine learning, khususnya SVM, dapat menjadi pendekatan efektif untuk deteksi dini tingkat stres mahasiswa dan berpotensi digunakan sebagai dasar pengembangan sistem pendukung keputusan dalam upaya pencegahan masalah kesehatan mental di lingkungan pendidikan.]]>
Copyrights © 2025
