Prediksi Tingkat Stres Pada Mahasiswa UNUGHA Cilacap Menggunakan Algoritma K-Nearest Neighbor
Abstract
Penelitian ini bertujuan untuk meningkatkan kewarasan mahasiswa agar dapat menyelesaikan studi belajar tanpa adanya stres yang melanda, khususnya bagi mahasiswa UNUGHA Cilacap. Langkah yang digunakan yaitu, dengan cara memprediksi tingkat stres mahasiswa dengan menggunakan Algoritma K-Nearest Neighbor (KNN) berdasarkan faktor-faktor yang mempengaruhi keadaan psikologis mereka, seperti tekanan akademis, kesimbangan kehidupan, dan faktor-faktor psikologis lainnya. Dalam penelitian ini dipengaruhi oleh faktor Kebiasaan Studi, Waktu Tidur, Aktivitas Fisik, Kesehatan Fisik, Tingkat Stres, dan Tingkat kecemasan mahasiswa. Hasil penelitian menunjukkan bahwa Algoritma KNN dapat digunakan untuk mengklasifikasikan mahasiswa kedalam kategori tingkat stress tertentu dengan akurasi sebesar 83,33%, dengan data uji sebanyak 6 mahasiswa dan data training sebanyak 84 mahasiswa. Mahasiswa yang tergolong stres berat akan dilakukan penanganan secara intensif agar dapat dipulihkan kembali dengan cara melakukan pendekatan berkala dengan pendampingan seorang Psikolog yang ada di UNUGHA Cilacap. Selain itu, temuan ini menyoroti pentingnya teknologi kecerdasan buatan, khususnya Algoritma KNN, dalam mebantu mengidentifikasi faktor-faktor yang berkontribusi terhadap kesejahteraan psikologis mahasiswa, juga menekankan dampak stres pada perilaku dan kesejahteraan fisik mahasiswa termasuk kemungkinan munculnya emosi negative, kesulitan tidur, depresi, dan gangguan fisik lainnya. Temuan ini penting untuk pengembangan strategi intervensi yang lebih efektif dalam mendukung mahasiswa di lingkungan akademis yang penuh dengan tekanan. Penelititan ini menunjukan bahwa Aloritma KNN dapat digunakan sebagai alat prediksi yang efektif untuk memahami dan mengelola tingkat stres mahasiswa.
Full Text:
PDFReferences
V. R. Wirayudha, N. Hidayat, and R. K. Dewi, “Identifikasi Tingkat Stress Pada Manusia Menggunakan Metode K-NN (K-Nearest Neighbour),” … Teknol. Inf. dan Ilmu …, vol. 4, no. 9, pp. 3129–3134, 2020.
Hamadi, J. Wiyono, and W. Rahayu, “Perbedaan Tingkat Stress Pada Mahasiswa Yang Bekerja Dan Tidak Bekerja Di Universitas Tribhuwana Tunggadewi Malang Fakultas Ekonomi Jurusan Manajemen Angkatan 2013,” J. Nurs. News, vol. 3, no. 1, pp. 1–10, 2018.
A. C. P. Harahap, D. P. Harahap, and S. R. Harahap, “Analisis Tingkat Stres Akademik Pada Mahasiswa Selama Pembelajaran Jarak Jauh Dimasa Covid-19,” Biblio Couns J. Kaji. Konseling dan Pendidik., vol. 3, no. 1, pp. 10–14, 2020.
S. R. Rani, S. R. Andani, and D. Suhendro, “Penerapan Algoritma K-Nearest Neighbor untuk Prediksi Kelulusan Siswa pada SMK Anak Bangsa,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, p. 670, 2019.
M. Wibowo and M. R. F. Djafar, “Perbandingan Metode Klasifikasi Untuk Deteksi Stress Pada Mahasiswa di Perguruan Tinggi,” J. Media Inform. Budidarma, vol. 7, no. 1, pp. 153–159, 2023.
A. Anjani and Y. Yamasari, “Klasifikasi Tingkat Stres Mahasiswa Menggunakan Metode Berbasis Tree,” J. Informatics Comput. Sci., vol. 05, pp. 83–89, 2023.
E. Sugiarto, A. Fahmi, M. Muslih, and N. Hendriyanto, “Penerapan K-Nearest Neighbors (KNN) untuk Klasifikasi Aset dalam Upaya Menentukan Aset Wakaf Produktif,” J. Transform., vol. 19, no. 2, p. 114, 2022.
I. Guari, C. Setianingsih, and F. M. Dirgantara, “Tes Psikologi Post Traumatic Stress Disorders ( Ptsd ) Berbasis Komputer Dengan Algoritma K-Nearest Neighbor Computer-Based Post Traumatic Stress Disorders ( Ptsd ) Psychology With K- Nearest Neighbor Algorithm,” e-Proceeding Eng., vol. 9, no. 3, pp. 1340–1347, 2022.
W. Yustanti, “Algoritma K-Nearest Neighbour untuk Memprediksi Harga Jual Tanah,” J. Mat. Stat. dan komputasi, vol. 9, no. 1, pp. 57–68, 2012.
& P. N. S. Deden Martia Nanda, Tacbir Hendro Pudjiantoro, “Metode K-Nearest Neighbor (KNN) dalam Memprediksi Curah Hujan di Kota Bandung,” Snestik, pp. 387–393, 2022.
T. Tundo and S. Uyun, “Perbandingan Decision Tree J48 , Reptree , Dan Random Tree Dalam Menentukan Prediksi Produksi Minyak Kelapa Sawit Menggunakan Metode Fuzzy Tsukamoto,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 3, pp. 473–484, 2021.
D. Nurfauzan and T. Fatimah, “Implementasi Algoritma K-Nearest Neighbors Regression Dalam Memprediksi Harga Saham,” Semin. Nas. Mhs. …, no. September, pp. 576–584, 2022.
Tundo, R. Akbar, and E. I. Sela, “Analisis Perbandingan Fuzzy Tsukamoto dan Sugeno dalam Menentukan Jumlah Produksi Kain Tenun Menggunakan Base Rule Decision Tree,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 1, pp. 171–180, 2020.
DOI: https://doi.org/10.33365/jtk.v18i2.3933
Refbacks
- There are currently no refbacks.
Copyright (c) 2024 Achmad Ulul Azmi Wafiqi, Tundo, Bobby Arvian James, Abhirama Huga Ramadhan, Amin Nizar
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jurnal Tekno Kompak
Published by Universitas Teknokrat Indonesia
Organized by Program Studi D3 Sistem Informasi Akuntansi - Universitas Teknokrat Indonesia
Jl. Zainal Abidin Pagaralam, No.9-11, Labuhanratu, Bandarlampung, Indonesia
Telepon : 0721 70 20 22
W : http://ejurnal.teknokrat.ac.id/index.php/teknokompak
E : teknokompak@teknokrat.ac.id.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jumlah Pengunjung : View Tekno Kompak StatsCounter