<![CDATA[Penggunaan media sosial yang berlebihan berkaitan dengan gangguan tidur, kondisi psikologis, aktivitas akademik, dan hubungan sosial pada remaja akhir serta dewasa muda. Penelitian ini bertujuan membandingkan kinerja Decision Tree, Random Forest, dan Support Vector Machine (SVM) linear dalam mengklasifikasikan tingkat kecanduan media sosial menggunakan dataset Students’ Social Media Addiction. Analisis menggunakan 704 observasi setelah satu dari dua baris dengan nilai prediktor yang sama dikeluarkan. Berdasarkan Addicted_Score,data dikelompokkan menjadi kategori low(≤5), medium (6–8), dan high (>8). Student_ID dan Addicted_Score tidak disertakan sebagai prediktor. Data dibagi secara terstratifikasi menjadi 563 observasi latih dan 141 observasi uji. Pengodean kategorikal dan standardisasi fitur untuk SVM dilakukan melalui pipeline, dengan parameter transformasi yang ditentukan hanya dari bagian pelatihan. Pemilihan model didasarkan pada rerata macro F1-score validasi silang lima lipatan. Random Forest memperoleh nilai tertinggi sebesar 0,9708 ± 0,0292, diikuti SVM sebesar 0,9701 ± 0,0165 dan Decision Tree sebesar 0,9334 ± 0,0513. Pada data uji, Random Forest mencapai akurasi 97,87% dan macro F1-score 0,9836, sedangkan Decision Tree menghasilkan macro F1-score tertinggi sebesar 0,9889 dengan akurasi 98,58%. Ketiga model mengenali seluruh 11 observasi kategori high. Random Forest dipilih berdasarkan hasil validasi silang, meskipun selisihnya dengan SVM sangat kecil dan keunggulan statistiknya belum diuji. Hasil penelitian menunjukkan kemampuan model dalam mengklasifikasikan kategori skor pada dataset yang digunakan. Pengujian pada data independen dan verifikasi pembentukan skor diperlukan sebelum model dikembangkan sebagai alat skrining.]]>
Copyrights © 2026
