<![CDATA[Tingkat stres mahasiswa merupakan salah satu permasalahan yang dapat memengaruhi prestasi akademik dan kesehatan mental. Berbagai penelitian telah menerapkan algoritma machine learning untuk klasifikasi tingkat stres, namun penelitian yang membandingkan Naive Bayes dan Modified Naive Bayes (Laplace Corrected Naive Bayes) masih terbatas. Penelitian ini bertujuan membandingkan performa kedua algoritma dalam klasifikasi tingkat stres mahasiswa berdasarkan faktor psikologis dan akademik. Dataset yang digunakan adalah Student Stress Factors: A Comprehensive Analysis dari Kaggle yang terdiri atas 1.100 data dengan 20 atribut prediktor dan 1 atribut target (stress level). Data dibagi menjadi data training dan testing dengan rasio 80:20. Tahapan penelitian meliputi preprocessing data, klasifikasi menggunakan Naive Bayes dan Modified Naive Bayes, serta evaluasi menggunakan accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Naive Bayes memperoleh accuracy 84%, precision 83%, recall 82%, dan F1-score 82%, sedangkan Modified Naive Bayes memperoleh accuracy 89%, precision 88%, recall 87%, dan F1-score 87%. Hasil tersebut menunjukkan bahwa penerapan Laplace Correction mampu meningkatkan performa klasifikasi dengan mengurangi permasalahan zero probability. Dengan demikian, Modified Naive Bayes lebih efektif digunakan untuk klasifikasi tingkat stres mahasiswa.]]>
Copyrights © 2026
