KLASIFIKASI KESEHATAN MENTAL PADA USIA REMAJA MENGGUNAKAN METODE SVM
DOI:
https://doi.org/10.23960/jitet.v13i2.6232Abstract Views: 477 File Views: 407 File Views: 0 File Views: 0
Abstract
Kesehatan mental merupakan faktor krusial dalam kehidupan individu, khususnya pada remaja yang rentan mengalami gangguan mental akibat tekanan hidup. Penelitian ini bertujuan untuk mengklasifikasikan kondisi kesehatan mental pada remaja dengan menerapkan metode SVM. Data yang digunakan dalam penelitian ini bersumber dari dataset kesehatan mental. Proses analisis mencakup tahap preprocessing data, eksplorasi data, penerapan teknik oversampling menggunakan SMOTE, serta optimasi model SVM melalui Grid Search Cross Validation. Hasil penelitian menunjukkan bahwa model SVM memberikan performa optimal dalam mengklasifikasikan kesehatan mental. Dengan pembagian data sebesar 60:40, model memperoleh akurasi sebesar 79%. Precision untuk kelas 0 mencapai 0.79, sementara kelas 1 sebesar 0.80, menunjukkan tingkat ketepatan model yang cukup baik dalam mengidentifikasi setiap kategori. Selain itu, recall untuk kelas 0 sebesar 0.83, mengindikasikan bahwa model mampu mendeteksi sebagian besar data yang benar-benar termasuk dalam kategori tersebut. Penelitian ini membuktikan bahwa metode SVM efektif dalam mengidentifikasi kondisi kesehatan mental pada remaja dan berpotensi menjadi alat pendukung dalam sistem deteksi dini gangguan mental.
Downloads
References
Larissa, V. (2020). Kesehatan mental pada anak dan remaja. Universitas Persada Indonesia. Fakultas Psikologi.
WHO. (2022). Mental health. World Health Organization Regional Office for Europe. https://www.who.int/news-room/fact-sheets/detail/mental-health-strengthening-ourresponse.
Center for Reproductive Health, University of Queensland, & Johns Bloomberg Hopkins School of Public Health. (2022). National Adolescent Mental Health Survey (I-NAMHS). https://qcmhr.org/outputs/reports/12-i-namhs-report-bahasa-indonesia.
Anggraini, D., & Sutabri, T. (2024). Aplikasi Penyaringan Spam e-Mail Menggunakan Teknik Machine Learning dengan Metode Support Vector Machines. IJM: Indonesian Journal of Multidisciplinary, 2(3). https://journal.csspublishing/index.php/ijm.
Kusman, V., Metayani, V., & Karnalim, O. (2024). Prediksi Analisis Sentimen Data Debat Pemilihan Presiden 2024 Menggunakan Support Vector Machine (SVM). Jurnal Keilmuan Dan Teknik Informatika, 16(1). https://doi.org/10.35891/explorit.
Arifin, N., Enri, U., & Sulistiyowati, N. (2021). Penerapan Algoritma Support Vector Machine (SVM) dengan TF-IDF N-Gram untuk Text Classification. STRING (Satuan Tulisan Riset Dan Inovasi Teknologi), 6(2).
Wenda, A. (2022). Support Vector Machine untuk Pengenalan Bentuk Manusia Menggunakan Kumpulan Fitur yang Dioptimalkan. Jurnal Sains Dan Teknologi, 11(1), 77–84. https://doi.org/10.23887/jst-undiksha.v11i1.
Hamdani, I. M., Nurhidayat, N., Karman, A., Adhalia H, N. F., & Julyaningsih, A. H. (2024). Edukasi dan Pelatihan Data Science dan Data Preprocessing. Intisari: Jurnal Inovasi Pengabdian Masyarakat, 2(1), 19–26. https://doi.org/10.58227/intisari.v2i1.125.
M. M. Teye, “Understanding Of Machine Learning With Deep Learning: Architectures, Workflow, Applications And Future Directions,” Mdpi, Vol. 12, No. 5, Apr. 2023, Doi: Https://Doi.Org/10.3390/Computers12050091
A. E. E. Rashed, A. M. Elmorsy, And A. E. M. Atwa, “Comparative Evaluation Of Automated Machine Learning Techniques For Breast Cancer Diagnosis,” Biomed Signal Process Control, Vol. 86, 2023, Doi: Https://Doi.Org/10.1016/J.Bspc.2023.105016.
M. Cakir, M. Yilmaz, M. A. Oral, H. O. Kazanci, And Okan Oral, “Accuracy Assessment Of Rferns, Nb, Svm, And KNN Machine Learning Classifiers In Aquaculture,” Journal Of King Saud University-Science, Vol. 35, No. 6, Aug. 2023, Doi: Https://Doi.Org/10.1016/J.Jksus.2023.102754.
Nisa, K. (2024). Klasifikasi Penyakit Gangguan Mental Dengan Algoritma LightGBM. Jurasik (Jurnal Riset Sistem Informasi Dan Teknik Informatika), 9(2), 1086-1094.
Handoko, W., & Iqbal, M. (2021). Prediksi Peminatan Program Studi Pada Penerimaan Mahasiswa STMIK Royal Menggunakan Naïve Bayes. Journal of Science and Social Research, 2, 231–235. http://jurnal.goretanpena.com/index.php/JSSR.
Nabila, N., & Effendie, A. (2023). Prediksi Harga Minyak Mentah WTI Menggunakan Gabungan Arsitektur GRU dengan Penanganan Outlier. Doctoral Dissertation, Universitas Gadjah Mada. http://etd.repository.ugm.ac.id/.
Elfaladonna, F., Isa, I. G. T., Sartika, D., & Putra, A. M. (2024). Buku Ajar Dasar Exploratory Data Analysis (EDA) (Vol. 01). NEM. https://doi.org/10.30813/j-alu.v2i2.6030.
Atmojo, F., & Nurlita, C. (2024). Analisis Pemanfaatan Machine Learning Guna Prediksi Indeks Pembangunan Manusia. Jurnal Sistem Informasi Dan Teknik Komputer, 9(2).
LaRose, R., & Coyle, B. (2020). Robust data encodings for quantum classifiers. Physical Review A, 102(3), 89–100. https://doi.org/10.17933/jppi.2021.110106.
Qadrini, L., Hikmah, H., & Megasari, M. (2022). Oversampling, Undersampling, Smote SVM dan Random Forest pada Klasifikasi Penerima Bidikmisi Sejawa Timur Tahun 2017. Journal of Computer System and Informatics (JoSYC), 3(4), 386–391. https://doi.org/10.47065/josyc.v3i4.2154
Rahman Ramli, A., Salsabila, A., & Adiba, F. (2024). Analisis Performa Convolutional Neural Networkdengan Hyperparameter Tuning dalam Mendeteksi Gambar Deepfake. Jurnal INSYPRO : Information System and Processing, 9(2). http://journal.uin-alauddin.ac.id/index.php/insypro.
Darmawan, Z., & Dianta, A. (2023). Implementasi Optimasi Hyperparameter GridSearchCV Pada Sistem Prediksi Serangan Jantung Menggunakan SVM. Teknologi: Jurnal Ilmiah Sistem Informasi, 13(1), 8–15. https://doi.org/10.26594/teknologi.v13i1.3098.
Azis, H., Alisma, Purnawansyah, & Nirmala. (2024). Analisis Kinerja Algoritma Pembelajaran Mesin Ensembel Pada Dataset Multi Kelas Citra Jaffe. Jurnal Ilmiah NERO , 9(2).
