Jurnal Komputer Antartika Volume 3 Nomor 4 2025 Halaman 165-172 ISSN (Onlin.
2988-5272 DOI: https://doi.
org/10.
70052/jka.
Analisis Prediktif Tingkat Kecanduan Penggunaan Smartphone Pada Anak Menggunakan Algoritma C4.
Adinda Septiani1*.
Ayu Regina Putri Cahyani2.
Hoetomo Damaputra3.
Nuchi Dara Nurfitri4.
Rolastuan5.
Annida Purnamawati6
1,2,3,4,5
Program Studi Sistem Informasi.
Universitas Bina Sarana Informatika Jl.
Kramat Raya No 98.
Jakarta Pusat.
Indonesia Program Studi Sistem Informasi.
Universitas Bina Sarana Informatika Kampus Kota Yogyakarta Jl Ringroad Barat.
Yogyakarta.
Indonesia e-mail korespondensi: adindaseptiani67@gmail.
Submit: 26-11-2025 | Revisi: 01-12-2025 | Terima: 06-12-2025 | Terbit online: 11-12-2025 Abstrak - Penggunaan smartphone yang berlebihan pada anak dan remaja usia sekolah menjadi isu penting di era digital karena dapat memengaruhi perkembangan sosial, emosional, dan akademik mereka.
Penelitian ini bertujuan untuk memprediksi tingkat kecanduan smartphone pada pelajar berusia 5Ae18 tahun berdasarkan persepsi dan pengawasan orang tua dengan menerapkan metode data mining menggunakan algoritma C4.
5 pada perangkat lunak RapidMiner.
Data dikumpulkan melalui kuesioner yang disebarkan kepada 516 orang tua di Kabupaten Karawang dengan variabel mencakup durasi penggunaan smartphone, intensitas penggunaan media sosial, dampak terhadap kegiatan belajar dan emosional, tingkat pengawasan orang tua, serta dampak kesehatan dan sosial Hasil penelitian menunjukkan bahwa algoritma C4.
5 mampu memprediksi tingkat kecanduan smartphone dengan akurasi sebesar 93.
Penelitian ini berkontribusi dalam mengidentifikasi faktor-faktor utama kecanduan smartphone pada anak Indonesia berdasarkan persepsi orang tua, sehingga dapat menjadi acuan dalam upaya pencegahan dan pengawasan penggunaan smartphone di kalangan pelajar.
Kata Kunci : Data mining.
Algoritma C4.
Kecanduan smartphone Abstract - Excessive smartphone use among school-aged children and adolescents has become an important issue in the digital era, as it can affect their social, emotional, and academic development.
This study aims to predict the level of smartphone addiction among students aged 5Ae18 years based on parental perception and supervision by applying data mining methods using the C4.
5 algorithm in RapidMiner software.
Data were collected through questionnaires distributed to 517 parents in Karawang Regency, with variables including smartphone usage duration, social media usage intensity, impact on learning and emotional activities, level of parental supervision, as well as health and social impacts within the family.
The results show that the C4.
5 algorithm can predict the level of smartphone addiction with an accuracy of 93.
This study contributes to identifying the key factors of smartphone addiction among Indonesian children based on parental perceptions, providing a reference for prevention and supervision efforts in smartphone use among students.
Keywords : Data mining.
C4.
5 algorithm.
Smartphone addiction Pendahuluan Perkembangan teknologi digital yang pesat membuat smartphone menjadi bagian rutin dalam kehidupan anak dan remaja.
Akses yang mudah terhadap perangkat pintar ini meningkatkan risiko penggunaan berlebihan yang berpotensi mengganggu perkembangan sosial, emosional, dan akademik anak.
Studi di Indonesia menunjukkan bahwa penggunaan gadget dan smartphone pada kelompok usia anakAe remaja terus meningkat, dan kondisi ini menimbulkan kekhawatiran terkait potensi dampak negatif pada perkembangan sosial, emosional, dan akademik, seperti penurunan kualitas interaksi sosial, kesulitan konsentrasi, gangguan tidur, serta munculnya masalah psikologis tertentu .
Menurut data Asosiasi Penyelenggara Jasa Internet Indonesia .
, sekitar 79,48% anak berusia di bawah 13 tahun (Generasi Alph.
di Indonesia telah terhubung ke internet, dengan smartphone sebagai perangkat utama untuk mengaksesnya.
Fenomena ini memerlukan perhatian serius karena kecanduan smartphone atau penggunaan yang berlebihan dapat menyebabkan gangguan konsentrasi, penurunan prestasi akademik, kesulitan berinteraksi sosial secara tatap muka, hingga gangguan kesehatan fisik seperti kelelahan mata dan gangguan tidur.
Copyright .
2025 Adinda Septiani.
Ayu Regina Putri Cahyani.
Hoetomo Damaputra.
Nuchi Dara Nurfitri.
Rolastuan.
Annida Purnamawati This work is licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License.
Published under licence by Antartika Media Indonesia.
Jurnal Komputer Antartika Volume 3 Nomor 4 2025 Peran orang tua menjadi sangat krusial dalam membentuk pola penggunaan digital anak.
Pengawasan aktif, penerapan batasan waktu layar .
creen tim.
, penyaringan konten, serta pengaturan aturan dalam penggunaan perangkat digital Ai yang kini sering disebut sebagai digital parenting diidentifikasi sebagai faktor protektif yang dapat mengurangi risiko dampak negatif penggunaan smartphone berlebih .
Selaras dengan itu.
Mulyana .
menjelaskan bahwa orang tua yang aktif mendampingi anak, membatasi durasi penggunaan, serta mengalihkan anak ke aktivitas non-gadget berperan penting dalam mencegah kecanduan perangkat digital.
Sementara itu, .
menegaskan bahwa edukasi dan pelatihan mengenai digital parenting dapat meningkatkan kesadaran orang tua terhadap bahaya penggunaan gadget berlebihan pada anak usia dini.
Sejumlah penelitian di Indonesia juga menunjukkan keterkaitan antara pola asuh dan tingkat kecanduan .
menemukan adanya hubungan signifikan antara pola asuh orang tua dengan tingkat kecanduan smartphone pada anak usia dini.
Temuan serupa diungkapkan oleh .
bahwa tingginya tingkat adiksi gadget berkorelasi negatif dengan kecerdasan emosional anak sekolah dasar.
Selain itu, .
menekankan bahwa pengawasan ibu dalam penggunaan smartphone anak berperan penting dalam menekan risiko kecanduan digital.
Hasil-hasil ini menunjukkan pentingnya peran orang tua dalam membentuk perilaku digital anak di era teknologi.
Namun demikian, sebagian besar penelitian terdahulu masih berfokus pada aspek psikologis, perilaku, atau pola asuh secara deskriptif, dan belum banyak yang memanfaatkan pendekatan komputasional untuk menganalisis dan memprediksi kecenderungan kecanduan.
Pendekatan data mining menawarkan potensi untuk mengolah data dalam jumlah besar secara sistematis dan menghasilkan model prediktif yang akurat.
Salah satu algoritma yang banyak digunakan adalah C4.
5 karena kemampuannya membangun decision tree yang mudah diinterpretasi dan memiliki performa baik dalam klasifikasi .
Meskipun berbagai penelitian sebelumnya telah membahas perilaku penggunaan gadget pada anak, masih terbatas studi yang memanfaatkan pendekatan data mining, khususnya algoritma C4.
5, untuk memprediksi tingkat kecanduan berdasarkan variabel pengawasan orang tua dan dampak sosial.
Oleh karena itu, penelitian ini bertujuan untuk membangun model prediksi kecanduan smartphone pada anak dan remaja usia 5Ae18 tahun berbasis persepsi orang tua dan variabel terkait, seperti durasi penggunaan harian, tingkat pengawasan orang tua, serta aktivitas sosial anak.
Hasil penelitian diharapkan dapat memberikan kontribusi praktis bagi orang tua dan pemangku kepentingan pendidikan dalam merancang strategi pencegahan dan intervensi penggunaan smartphone yang lebih Metode Penelitian Tahapan penelitian ditampilkan pada Gambar 1.
Pada gambar tersebut terlihat bahwa proses penelitian terdiri dari 4 tahap, yaitu: pengumpulan data, pre-processing data, pengujian algoritma C4.
5 menggunakan perangkat lunak RapidMiner, dan diakhiri dengan hasil evaluasi model.
Gambar 1.
Flowchart algoritma C4.
Gambar 1 membantu memvisualisasikan urutan kegiatan mulai dari pengumpulan data sampai dengan tahap evaluasi hasil model.
Penjelasan pada gambar tersebut penting untuk memahami langkah-langkah yang dilakukan agar proses penelitian berjalan sistematis.
1 Pengumpulan data Jurnal Komputer Antartika Volume 3 Nomor 4 2025 Data yang digunakan dalam penelitian ini merupakan hasil penyebaran kuesioner kepada para orang tua yang memiliki anak berusia 5Ae18 tahun di Kabupaten Karawang.
Data yang diperoleh meliputi berbagai aspek yang berkaitan dengan penggunaan smartphone pada anak, antara lain durasi penggunaan smartphone, intensitas penggunaan media sosial, dampak penggunaan terhadap kegiatan belajar, serta dampak emosional yang muncul akibat penggunaan smartphone.
Selain itu, penelitian ini juga mengumpulkan data mengenai peran dan tingkat pengawasan orang tua terhadap penggunaan smartphone anak, dampak terhadap kesehatan anak seperti gangguan tidur dan kelelahan mata, serta dampak sosial dalam keluarga berupa berkurangnya interaksi antara anak dan anggota keluarga lainnya.
2 Pre-Proceesing Data Tahapan pre-processing data dilakukan untuk memastikan data mentah yang dikumpulkan memiliki kualitas yang baik sebelum masuk ke proses pemodelan.
Melalui tahap ini, data disiapkan agar bebas dari kesalahan, tidak ada duplikasi, serta memiliki format yang seragam sehingga dapat menghasilkan model yang akurat dan efisien.
Pembersihan Data (Cleaning Dat.
Tahap pembersihan data dilakukan dengan meninjau setiap data yang telah dikumpulkan, kemudian menghapus atau memperbaiki data yang tidak valid, duplikat, tidak lengkap, atau mengandung kesalahan input.
Tujuannya agar data yang digunakan benar-benar mewakili kondisi sebenarnya dan tidak menimbulkan bias dalam proses analisis.
Transformasi Data Transformasi data dilakukan untuk mengubah data mentah ke dalam format yang sesuai dengan kebutuhan Proses ini dapat meliputi normalisasi, standarisasi, pengkodean variabel kategorikal, serta pembentukan fitur baru agar pola data lebih mudah dikenali oleh sistem pemodelan.
3 Algoritma C4.
Algoritma C4.
5 termasuk dalam metode klasifikasi yang digunakan pada pembelajaran mesin .
achine learnin.
dan data mining.
Algoritma ini sangat sesuai untuk menangani permasalahan klasifikasi dalam kedua bidang tersebut.
Dalam proses pembentukan pohon keputusan, setiap algoritma memiliki kriteria atau ukuran tersendiri dalam menentukan atribut yang akan dipilih.
Dengan memanfaatkan algoritma decision tree C4.
kita dapat membangun model pohon keputusan yang berfungsi untuk mengklasifikasikan data berdasarkan atributatribut yang dimilikinya.
Algoritma ini memiliki keunggulan karena mampu menangani atribut bersifat kontinu maupun diskrit, mengatasi data yang hilang, serta melakukan proses pruning untuk mencegah terjadinya .
Dalam penelitian yang menerapkan algoritma C4.
5, perhitungan nilai gain digunakan untuk mengidentifikasi atribut yang paling berpengaruh dalam proses klasifikasi data.
Dengan kata lain, langkah ini membantu menentukan faktor mana yang paling kuat dalam membedakan individu dengan risiko tinggi maupun Secara matematis, nilai gain pada algoritma C4.
5 dapat dihitung menggunakan rumus berikut: .
Rumus pertama adalah:
ycI1 Gain (S,A) = Entropy(S) - Ocycuycn =1 ycI * Entropy .
Keterangan .
: S : Himpunan Kasus.
A : Atribut, n : Jumlah Partisi Atribut A, |S .
: Jumlah kasus pada partisi ke-i, |S | : Jumlah Kasus dalam S Dan rumus yang kedua adalah :
Gain (S,A) = Entropy(S) - Ocycuycn = 1 ( Ae p.
* log2pi .
Keterangan .
: S : Himpunan kasus, n : Banyaknya partisi S, pi : probabilitas yang didapat dari kasus i dibagi total kasus.
4 Prediksi Tahap prediksi merupakan proses penerapan model yang telah dilatih terhadap data baru yang belum pernah digunakan sebelumnya.
Hasil keluaran dari model ini digunakan untuk menilai kecenderungan atau kategori tertentu sesuai dengan tujuan penelitian.
5 Evaluasi Model Jurnal Komputer Antartika Volume 3 Nomor 4 2025 Evaluasi model dilakukan untuk mengukur performa model menggunakan metrik seperti akurasi, presisi, dan recall.
Melalui tahap ini, peneliti dapat mengetahui seberapa baik model mengenali pola data dan menentukan apakah perlu dilakukan penyempurnaan atau pelatihan ulang.
Pada tahap ini, model yang sudah dilatih akan diuji menggunakan data uji .
esting datase.
untuk menilai kemampuan prediksinya terhadap nilai sebenarnya.
Hasil prediksi model kemudian dibandingkan dengan data aktual untuk mengetahui tingkat keberhasilan dan kesalahan yang terjadi.
Melalui proses ini, peneliti dapat melihat apakah model sudah mengenali pola data dengan baik atau masih sering menghasilkan prediksi yang tidak tepat.
Jika performanya belum memenuhi standar yang diharapkan, hasil evaluasi ini menjadi dasar untuk melakukan penyempurnaan, seperti penyesuaian parameter, penambahan data, atau pelatihan ulang model agar kinerjanya lebih optimal.
6 Pengacuan Pustaka Berdasarkan penelitian yang dilakukan oleh .
perilaku kecanduan bermain gadget pada anak usia dini menunjukkan adanya hubungan antara durasi penggunaan perangkat dan pengawasan orang tua.
Anak-anak yang dibiarkan menggunakan smartphone tanpa batas waktu cenderung mengalami kesulitan dalam konsentrasi belajar dan interaksi sosial.
Penelitian ini juga menemukan bahwa faktor lingkungan keluarga berperan penting dalam membentuk pola penggunaan gadget anak.
Penelitian lain oleh .
menunjukkan bahwa penerapan digital parenting efektif dalam mengendalikan penggunaan smartphone anak.
Melalui pendampingan aktif, pembatasan waktu, serta komunikasi yang baik antara orang tua dan anak, risiko kecanduan gadget dapat berkurang secara Hasil penelitian ini menegaskan bahwa orang tua memiliki peran utama dalam membentuk literasi digital anak agar lebih sehat dan bertanggung jawab.
Selain itu, penelitian yang dilakukan oleh .
menjelaskan bahwa edukasi mengenai digital parenting dapat meningkatkan kesadaran orang tua terhadap bahaya penggunaan gadget berlebihan.
Melalui pelatihan dan penyuluhan, orang tua lebih mampu menerapkan strategi pengawasan yang adaptif sesuai usia anak, seperti menentukan waktu penggunaan dan mengenali tanda-tanda awal kecanduan.
Sementara itu, data dari Asosiasi Penyelenggara Jasa Internet Indonesia .
menunjukkan bahwa lebih dari 65% anak usia 8Ae12 tahun di Indonesia sudah memiliki atau rutin menggunakan smartphone.
Fakta ini memperlihatkan bahwa paparan teknologi digital pada anak terjadi semakin dini, sehingga risiko penggunaan berlebihan semakin tinggi.
Oleh karena itu, diperlukan kolaborasi antara keluarga, sekolah, dan masyarakat untuk menciptakan lingkungan digital yang sehat bagi anak dan remaja.
Berdasarkan hasil-hasil penelitian tersebut, dapat disimpulkan bahwa kecanduan smartphone pada anak tidak hanya dipengaruhi oleh faktor individu, tetapi juga oleh pola pengasuhan, lingkungan sosial, serta tingkat literasi digital orang tua.
Upaya pencegahan perlu dilakukan melalui peningkatan kesadaran keluarga dan penerapan strategi digital parenting yang tepat, agar anak-anak mampu memanfaatkan teknologi secara seimbang dan bertanggung jawab.
Hasil dan Pembahasan Penelitian ini menerapkan algoritma C4.
5 melalui beberapa tahapan, yaitu pengumpulan data, pemilihan data .
ata Selectio.
, transformasi data, data mining, pohon keputusan dan evaluasi.
1 Data Data dalam bentuk file excel yang bernama Data Analisis Prediktif Tingkat Kecanduan Pada Smartphone yang diperoleh berdasarkan hasil kuesioner.
Jumlah record sebanyak 516 record, terdiri dari 15 atribut.
2 Data Selection Tahap ini dilakukan karena terdapat beberapa atribut yang kurang relavan untuk digunakan.
Proses ini bertujuan untuk memilih atribut yang paling sesuai dalam memprediksi tingkat kecanduan smartphone.
Tabel 1 dibawah merupakan atribut yang akan digunakan dan diolah pada software RapidMiner.
Tabel 1.
Atribut Terpilih Atribut Terpilih Nama Usia Anak Hubungan dengan Anak Durasi Penggunaan >3 jam Intensitas Media Sosial Dampak Kegiatan Belajar Keterangan Atribut Fitur Atribut Fitur Atribut Fitur Atribut Fitur Atribut Fitur Atribut Fitur Jurnal Komputer Antartika Volume 3 Nomor 4 2025 Atribut Terpilih Dampak Emosional Dampak prestasi menurun Dampak Kesehatan Dampak Sosial Dalam Keluarga Pengawasan Orang Tua Tingkat Kecanduan Keterangan Atribut Fitur Atribut Fitur Atribut Fitur Atribut Fitur Atribut Fitur Atribut Label Berdasarkan Tabel 1, terdapat 12 atribut yang dipilih untuk proses analisis, 11 atribut pertama merupakan atribut fitur yang berfungsi sebagai variable independent, sedangkan 1 atribut terakhir yaitu Tingkat Kecanduan, berperan sebagai atribut label atau variable dependent yang akan diprediksi.
3 Transformasi Data Transformasi data merupakan tahap yang bertujuan untuk menyesuaikan format data agar dapat diproses dalam kegiatan data mining.
Pada tahap ini, proses transformasi dilakukan menggunakan RapidMiner dengan mengubah tipe data dari interger menjadi polynominal pada atribut yang digunakan, sebagaimana ditunjukan pada Gambar 2.
Gambar 2.
Transformasi pada dataset Gambar 2 memperlihatkan proses transformasi data yang dilakukan di dalam software RapidMiner.
Transformasi ini penting dilakukan agar setiap atribut dapat dikenali sesuai jenis datanya.
4 Data Mining Tahap modeling dalam penelitian ini menggunakan algoritma Decision tree untuk klasifikasi.
Implementasi dilakukan di RapidMiner dengan beberapa operator, yaitu Retrieve untuk mengimpor dataset ke repository, replace missing value untuk pembersihan data, set role untuk menetapkan atribut label.
Model kemudian diujii menggunakan Cross Validation sebanyak 1-10 kali.
Proses keseluruhan tahapan ini dapat dilihat pada Gambar 3 yang menunjukkan alur proses data mining yang dibangun dalam perangkat lunak RapidMiner.
Gambar 3.
Model proses langkah data mining Dengan teknik Decision Tree, operator Cross Validation digunakan untuk membagi data menjadi training Jurnal Komputer Antartika Volume 3 Nomor 4 2025 set dan testing set.
Pada subproses training digunakan operator Decision Tree, sedangkan pada testing digunakan Apply Model untuk menguji data dan Performance untuk menampilkan hasil evaluasi kinerja algoritma.
Proses penggunaan operator tersebut ditunjukan pada Gambar 4.
Gambar 4.
Kumpulan operator cross validation Gambar 4 menggambarkan susunan operator yang digunakan dalam proses Cross Validation pada RapidMiner.
5 Pohon Keputusan Hasil dari proses ini berupa visualisai pohon keputusan yang menunjukan alur pengambilan keputusan berdasarkan atribut yang digunakan dalam dataset.
Visualisasi model tersebut dapat dilihat pada Gambar 5.
Gambar 5.
Tampilan Decision Tree Gambar 5 memperlihatkan hasil visualisai Decision Tree yang terbentuk dari proses klasifikasi.
Setiap simpul .
pada pohon mewakili atribut yang digunakan sebagai dasar pengambilan keputusan, sedangkan cabang menunjukkan nilai atribut sendiri.
Adapun penjelasan pada pohon kuputusan gambar diatas.
Yang mendapatkan rule untuk menentukan prediksi tingkat kecanduan smartphone dapat dilihat pada Gambar 6.
Gambar 6.
Tampilan Rule Decision Tree Penjelasan Gambar 6 Rule pada Decision Tree:
Jika Durasi Penggunaan >3 jam=1.
Dampak Emosional=1 maka hasilnya RENDAH (SEDANG=0.
Jurnal Komputer Antartika Volume 3 Nomor 4 2025 TINGGI=0.
RENDAH=.
Jika Durasi Penggunaan >3 jam=1.
Dampak Emosional=2 maka hasilnya SEDANG (SEDANG=7.
TINGGI=0.
RENDAH=.
Jika Durasi Penggunaan >3 jam=1.
Dampak Emosional=3 maka hasilnya RENDAH (SEDANG=2.
TINGGI=0.
RENDAH=.
Jika Durasi Penggunaan >3 jam=1.
Dampak Emosional=4 maka hasilnya RENDAH (SEDANG=7.
TINGGI=0.
RENDAH=.
Jika Durasi Penggunaan >3 jam=1.
Dampak Emosional=5 maka hasilnya RENDAH (SEDANG=6.
TINGGI=0.
RENDAH=.
Jika Durasi Penggunaan >3 jam=2, maka hasilnya SEDANG (SEDANG=74.
TINGGI=0.
RENDAH=.
Jika Durasi Penggunaan >3 jam=3, maka hasilnya SEDANG (SEDANG=111.
TINGGI=0.
RENDAH=.
Jika Durasi Penggunaan >3 jam=4.
Dampak Emosional=1, maka hasilnya SEDANG (SEDANG=5.
TINGGI=0.
RENDAH=.
Jika Durasi Penggunaan >3 jam=4.
Dampak Emosional=2, maka hasilnya SEDANG (SEDANG=2.
TINGGI=0.
RENDAH=.
Jika Durasi Penggunaan >3 jam=4.
Dampak Emosional=3, maka hasilnya SEDANG (SEDANG=18.
TINGGI=0.
RENDAH=.
Jika Durasi Penggunaan >3 jam=4.
Dampak Emosional=4, maka hasilnya TINGGI (SEDANG=13.
TINGGI=135.
RENDAH=.
Jika Durasi Penggunaan >3 jam=4.
Dampak Emosional=5, maka hasilnya TINGGI (SEDANG=0.
TINGGI=17.
RENDAH=.
Jika Durasi Penggunaan >3 jam=5.
Dampak Sosial dalam Keluarga=1, maka hasilnya SEDANG (SEDANG=2.
TINGGI=0.
RENDAH=.
Jika Durasi Penggunaan >3 jam=5.
Dampak Sosial dalam Keluarga=2, maka hasilnya SEDANG (SEDANG=2.
TINGGI=0.
RENDAH=.
Jika Durasi Penggunaan >3 jam=5.
Dampak Sosial dalam Keluarga=3.
Usia anak .
-18 tahu.
>14.
500, maka hasilnya SEDANG (SEDANG=1.
TINGGI=1.
RENDAH=.
Jika Durasi Penggunaan >3 jam=5.
Dampak Sosial dalam Keluarga=3.
Usia anak .
-18 tahu.
<14.
500, maka hasilnya TINGGI (SEDANG=0.
TINGGI=3.
RENDAH=.
Jika Durasi Penggunaan >3 jam=5.
Dampak Sosial dalam Keluarga=4, maka hasilnya TINGGI (SEDANG=1.
TINGGI=9.
RENDAH=.
Jika Durasi Penggunaan >3 jam=5.
Dampak Sosial dalam Keluarga=5, maka hasilnya TINGGI (SEDANG=1.
TINGGI=88.
RENDAH=.
6 Evaluasi Berdasarkan hasil pengujian RapidMiner diperoleh hasil dengan algoritma C4.
5 dimana dari total 516 data diperoleh sebagai berikut:
Tingkat akurasinya sebesar 93.
21% dengan margin kesalahan A3.
24% dan rata Ae rata mikro sebesar 93.
Sebanyak 229 data diprediksi class Sedang ternyata sesuai, yaitu masuk kedalam class Sedang, sebanyak 22 data yang di prediksi class Tinggi dan 1 data di prediksi class Rendah ternyata termasuk ke dalam prediksi class Sedang.
Sebanyak 7 data yang di prediksi class Sedang ternyata masuk dalam class Tinggi, kemudian 246 data di prediksi class Tinggi sesuai, yang artinya termasuk ke dalam prediksi class Tinggi.
Sebanyak 5 data yang di prediksi class Sedang ternyata masuk dalam class Rendah, kemudian 6 data di prediksi class Rendah sesuai, yang artinya termasuk dalam class Rendah.
Nilai recall true Sedang sebesar 90.
87%, kemudian nilai recall true Tinggi sebesar 97.
23%, dan nilai recall true Rendah sebesar 54.
Nilai class precision pred.
Sedang sebesar 95.
02%, kemudian nilai class precision pred.
Tinggi sebesar 79%, dan nilai class precision pred.
Rendah sebesar 85.
Gambar 7.
Tampilan Nilai Akurasi Gambar 7 memperlihatkan bahwa akurasi model mencapai 93.
21%, yang menunjukkan performa algoritma C4.
5 cukup baik dalam mengklasifikasikan data yang digunakan.
Jurnal Komputer Antartika Volume 3 Nomor 4 2025 Kesimpulan Berdasarkan hasil pengujian menggunakan algoritma C4.
5 terhadap 516 data prediksi tingkat kecanduan smartphone, dapat disimpulkan bahwa model yang dibangun memiliki performa yang cukup baik dengan tingkat akurasi sebesar 93.
21%, margin kesalahan A3.
24% serta rata Ae rata mikro sebesar 93.
Model mampu memprediksi kelas dengan tingkat ketepatan yang tinggi, khususnya pada kelas Sedang dan Tinggi.
Sebanyak data 229 data berhasil diklasifikasikan dengan benar ke dalam kelas sedang, dan 246 data diklasifikasikan dengan benar ke dalam kelas tinggi, namun masih terdapat kesalahan pada prediksi kelas Rendah dengan jumlah data benar hanya 6 data, menunjukan bahwa kelas ini memiliki tingkat ketepatan yang lebih rendah dibandingkan dua kelas Secara keseluruhan, dapat disimpulkan bahwa algoritma C4.
5 mampu memberikan hasil klasifikasi yang sangat baik dalam memprediksi tingkat kecanduan smartphone, terutama pada kategori Sedang dan Tinggi, meskipun pada akurasi kelas Rendah masih perlu ditingkatkan melalui optimalisasi data atau metode pembobotan Referensi