<![CDATA[Penelitian ini menganalisis perbandingan kinerja algoritma Semi-Supervised Learning (SSL), Support Vector Machine (SVM), dan Neural Network dalam klasifikasi adiksi smartphone pada kondisi keterbata- san data terlabel. Dataset yang digunakan berjumlah 7.500 sampel dengan 15 variabel perilaku digital dan gaya hidup. Skenario eksperimen disusun secara realistis dengan hanya menggunakan 2% data latih berlabel dan 98% data tidak berlabel untuk merepresentasikan fenomena label scarcity. Hasil pengujian menunjukkan bahwa SSL mencapai performa terbaik dengan akurasi sebesar 88,09%, melampaui SVM (86,13%) dan Neural Network (85,96%). Analisis confusion matrix mengonfirmasi bahwa SSL mem- berikan prediksi yang lebih seimbang antarkelas serta mampu menurunkan kesalahan prediksi kritis dibanding model supervised murni. Meskipun demikian, terdapat trade-off di mana SSL membutuhkan biaya komputasi yang jauh lebih tinggi, dengan waktu pelatihan mencapai 21,76 detik berbanding SVM yang hanya 0,006 detik. Temuan ini menegaskan bahwa pemanfaatan data tidak berlabel melalui mekanisme pseudo-labeling merupakan strategi efektif untuk meningkatkan kualitas deteksi dini adiksi smartphone ketika proses pelabelan data oleh ahli bersifat mahal dan terbatas.]]>
Copyrights © 2026
