Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
Perbandingan Kinerja Algoritma Machine Learning Dalam Prediksi Kesehatan Mental Dan Burnout Mahasiswa Jose Julian Hidayat*.
Fajri Fauzan Azhari.
Tsania Manzilatul Husna.
Aulia Nufaila Fahmayani.
Novant Nanda Pradana.
Cindy Setyowati.
Program Studi Teknik Informatika.
Fakultas Teknik.
Universitas Pelita Bangsa.
Bekasi.
Indonesia Program Studi Psikologi.
Fakultas Psikologi.
Universitas Islam Indonesia.
Yogyakarta.
Indonesia Program Studi Psikologi.
Fakultas Psikologi.
Universitas Negeri Surabaya.
Surabaya.
Indonesia Program Studi Psikologi.
Fakultas Psikologi.
Universitas Negeri Surabaya.
Surabaya.
Indonesia Program Studi Teknik Informatika.
Fakultas Teknik.
Universitas Pelita Bangsa.
Bekasi.
Indonesia Program Studi Teknik Informatika.
Fakultas Teknik.
Universitas Pelita Bangsa.
Bekasi.
Indonesia Article Info Kata Kunci:
Machine Learning.
Mental Health Prediction.
Student Burnout.
Classification Algorithms.
Imbalanced Data Keywords:
Machine Learning.
Mental Health Prediction.
Student Burnout.
Classification Algorithms.
Imbalanced Data Article history:
Received : 3 April 2026 Revised : 4 April 2026 Accepted : 5 April 2026 Available online : 1 Mei 2026 DOI :
48144/suryainformatika.
* Corresponding author.
Jose Julian Hidayat E-mail address:
josejulianhidayat@gmail.
ABSTRAK
Penelitian ini bertujuan untuk membandingkan kinerja beberapa algoritma machine learning dalam memprediksi tingkat kesehatan mental dan burnout mahasiswa, yang diklasifikasikan ke dalam tiga kategori, yaitu Low.
Medium, dan High.
Algoritma yang diuji meliputi Decision Tree.
Logistic Regression.
Naive Bayes.
Support Vector Machine (SVM), dan Random Forest.
Evaluasi dilakukan menggunakan metrik Accuracy.
Precision.
Recall, dan F1-Score pada dataset 000 data.
Hasil penelitian menunjukkan bahwa Logistic Regression memiliki performa terbaik secara keseluruhan dengan nilai akurasi sebesar 0,8720 dan F1-Score sebesar 0,8677, diikuti oleh Random Forest dengan akurasi 0,8708.
Decision Tree dan SVM juga menunjukkan performa yang kompetitif dengan akurasi masing-masing sebesar 0,8646 dan 0,8684, sementara Naive Bayes memiliki performa terendah dengan akurasi 0,8503.
Namun demikian, seluruh model mengalami kesulitan dalam memprediksi kelas High, yang ditunjukkan oleh nilai recall yang relatif rendah, terutama pada SVM yang gagal mendeteksi kelas tersebut.
Hal ini mengindikasikan adanya ketidakseimbangan data yang signifikan, di mana kelas Low mendominasi dataset.
Secara keseluruhan.
Logistic Regression dan Random Forest dapat direkomendasikan sebagai model terbaik untuk prediksi kesehatan mental mahasiswa dalam studi ini.
Namun, diperlukan strategi penanganan data tidak seimbang, seperti resampling atau cost-sensitive learning, untuk meningkatkan performa prediksi pada kelas minoritas, khususnya kategori High.
ABSTRACT
This study aims to compare the performance of several machine learning algorithms in predicting studentsAo mental health and burnout levels, which are classified into three categories: Low.
Medium, and High.
The evaluated algorithms include Decision Tree.
Logistic Regression.
Naive Bayes.
Support Vector Machine (SVM), and Random Forest.
The evaluation was conducted using Accuracy.
Precision.
Recall, and F1Score metrics on a dataset consisting of 200,000 samples.
The results indicate that Logistic Regression achieved the best overall performance, with an accuracy of 0.
8720 and an F1Score of 0.
8677, followed closely by Random Forest with an Perbandingan Kinerja Algoritma Machine Learning Dalam Prediksi Kesehatan Mental Dan Burnout Mahasiswa Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
accuracy of 0.
Decision Tree and SVM also demonstrated competitive performance, with accuracies of 0.
8646 and 8684, respectively, while Naive Bayes showed the lowest performance with an accuracy of 0.
However, all models struggled to accurately predict the High class, as reflected by relatively low recall values, particularly in the SVM model, which failed to identify this class.
This issue suggests a significant class imbalance in the dataset, where the Low category In conclusion.
Logistic Regression and Random Forest are recommended as the most effective models for predicting studentsAo mental health and burnout in this study.
Nevertheless, further improvements are required to address class imbalance, such as applying resampling techniques or costsensitive learning, to enhance prediction performance for minority classes, especially the High category.
PENDAHULUAN
Kesehatan mental mahasiswa merupakan aspek penting yang mempengaruhi keberhasilan akademik dan kualitas hidup secara keseluruhan .
Dalam lingkungan pendidikan tinggi, mahasiswa menghadapi berbagai tekanan, baik dari tuntutan akademik, interaksi sosial, maupun ekspektasi pribadi dan keluarga .
Kondisi ini menjadikan mahasiswa sebagai kelompok yang rentan mengalami gangguan kesehatan mental Kesehatan mental mahasiswa dalam beberapa tahun terakhir menjadi isu yang semakin krusial, terutama dengan meningkatnya kompleksitas tuntutan akademik dan dinamika kehidupan kampus .
Berbagai studi empiris menunjukkan adanya peningkatan signifikan pada tingkat stres dan kelelahan psikologis mahasiswa, yang secara langsung berdampak pada penurunan performa akademik dan kualitas hidup .
Fenomena burnout menjadi salah satu indikator utama yang merepresentasikan kondisi kesehatan mental mahasiswa .
Burnout tidak hanya muncul sebagai respon terhadap beban akademik yang tinggi, tetapi juga dipengaruhi oleh tekanan sosial, ekspektasi keluarga, serta ketidakmampuan dalam mengelola waktu dan emosi secara efektif .
Kondisi ini semakin diperparah dalam lingkungan pendidikan yang kompetitif.
Penelitian-penelitian sebelumnya menunjukkan bahwa mahasiswa dengan tingkat burnout tinggi cenderung mengalami disengagement terhadap aktivitas akademik, penurunan produktivitas, serta peningkatan risiko gangguan psikologis yang lebih serius .
Hal ini menegaskan bahwa burnout bukan sekadar fenomena sementara, melainkan kondisi yang memiliki implikasi jangka panjang.
Meskipun demikian, deteksi terhadap kondisi kesehatan mental mahasiswa masih menghadapi berbagai Pendekatan yang digunakan umumnya bersifat reaktif dan bergantung pada laporan subjektif, sehingga sering kali gagal mengidentifikasi kondisi risiko tinggi secara dini .
Akibatnya, intervensi yang diberikan menjadi kurang optimal.
Beberapa studi telah mencoba mengidentifikasi faktorfaktor yang berkontribusi terhadap burnout, seperti beban akademik, kualitas tidur, dan dukungan social .
Namun, sebagian besar penelitian tersebut berfokus pada analisis deskriptif atau korelasional, sehingga belum mampu memberikan solusi prediktif yang dapat digunakan secara praktis.
Selain itu, penelitian terdahulu cenderung tidak mengintegrasikan pendekatan kuantitatif berbasis data dalam skala besar.
Hal ini menyebabkan keterbatasan dalam memahami pola kompleks yang mendasari kondisi kesehatan mental mahasiswa, terutama dalam konteks variasi individu dan lingkungan.
Kesenjangan lain yang ditemukan adalah kurangnya pendekatan yang mampu mengklasifikasikan tingkat kesehatan mental secara terstruktur ke dalam beberapa kategori risiko.
Padahal, klasifikasi seperti Low.
Medium, dan High sangat penting untuk menentukan prioritas intervensi yang tepat.
Berdasarkan kondisi tersebut, diperlukan pendekatan yang tidak hanya mampu menganalisis kondisi kesehatan mental secara deskriptif, tetapi juga mampu melakukan prediksi secara sistematis dan berbasis data.
Hal inilah yang menjadi dasar utama dilakukannya penelitian ini.
Perkembangan teknologi informasi, khususnya dalam bidang machine learning, memberikan peluang signifikan dalam pengembangan sistem prediksi berbasis data.
Dalam beberapa tahun terakhir, machine learning telah banyak digunakan untuk menyelesaikan permasalahan klasifikasi dalam berbagai domain, termasuk kesehatan mental .
Sejumlah penelitian sebelumnya menunjukkan bahwa algoritma seperti Logistic Regression.
Support Vector Machine, dan Random Forest mampu menghasilkan performa yang cukup baik dalam memprediksi kondisi Namun, hasil yang diperoleh sering kali tidak konsisten antar studi karena perbedaan karakteristik dataset dan pendekatan evaluasi .
Perbandingan Kinerja Algoritma Machine Learning Dalam Prediksi Kesehatan Mental Dan Burnout Mahasiswa Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
Selain itu, sebagian besar penelitian hanya dianalisis untuk membandingkan performa serta membandingkan sejumlah kecil algoritma, sehingga mengidentifikasi pengaruh class imbalance.
Tahap belum memberikan gambaran komprehensif mengenai akhir menghasilkan kesimpulan berupa model terbaik performa berbagai metode dalam satu kerangka evaluasi yang paling efektif dalam memprediksi kesehatan yang sama.
Hal ini menyulitkan dalam menentukan mental mahasiswa.
algoritma yang paling optimal untuk kasus tertentu.
Permasalahan lain yang sering muncul dalam klasifikasi kesehatan mental adalah ketidakseimbangan data .
lass Dalam banyak kasus, data didominasi oleh kelas dengan risiko rendah, sementara kelas dengan risiko tinggi memiliki jumlah yang jauh lebih sedikit.
Kondisi ini menyebabkan model cenderung bias terhadap kelas mayoritas.
Metrik akurasi sebagai indikator utama performa model .
Padahal, dalam konteks data tidak seimbang, akurasi tidak cukup untuk menggambarkan kemampuan model dalam mendeteksi kelas minoritas yang justru memiliki tingkat urgensi tinggi .
Dengan demikian, terdapat research gap yang jelas, yaitu kurangnya studi komparatif yang menguji berbagai algoritma machine learning pada dataset berskala besar dengan distribusi kelas tidak seimbang, serta minimnya analisis performa model pada masing-masing kelas.
State of the art dalam penelitian ini terletak pada pendekatan evaluasi yang lebih komprehensif, yaitu dengan membandingkan lima algoritma machine learning (Decision Tree.
Logistic Regression.
Naive Bayes.
SVM, dan Random Fores.
menggunakan berbagai metrik evaluasi, termasuk precision, recall, dan F1-score untuk setiap kelas.
Adapun novelty dari penelitian ini adalah analisis komparatif multi-algoritma dalam konteks prediksi kesehatan mental mahasiswa dengan fokus pada permasalahan class imbalance serta evaluasi performa pada tiga kategori klasifikasi (Low.
Medium.
Hig.
Berdasarkan hal tersebut, pertanyaan penelitian yang diajukan adalah: algoritma machine learning mana yang memiliki kinerja terbaik dalam memprediksi tingkat kesehatan mental dan burnout mahasiswa pada kondisi data yang tidak seimbang, serta bagaimana performa masing-masing model dalam mendeteksi kelas risiko Gambar 1.
Alur dan Desain Penelitian 1 Data Collection Data pada dataset Student Mental Health and Burnout dikumpulkan dalam bentuk data sintetis yang dirancang untuk merepresentasikan kondisi nyata mahasiswa terkait kesehatan mental dan burnout.
Dataset ini dibuat untuk keperluan analisis data dan machine learning, dengan menggabungkan berbagai variabel yang umum digunakan dalam studi kesehatan mental mahasiswa seperti faktor akademik, psikologis, dan gaya hidup.
Meskipun bukan hasil survei langsung, data ini dibangun menggunakan distribusi yang realistis sehingga tetap mampu mencerminkan hubungan antar variabel yang relevan dalam dunia pendidikan tinggi.
Dataset dapat diakses melalui Kaggle https://w.
com/datasets/sharmajicoder/stude nt-mental-health-and-burnout
METODE PENELITIAN
Metodologi penelitian tersebut menggambarkan alur sistematis penelitian dimulai dari identifikasi permasalahan terkait kesehatan mental dan burnout mahasiswa, kemudian dilanjutkan dengan proses pengumpulan dataset yang relevan.
Data yang diperoleh selanjutnya melalui tahap preprocessing seperti pembersihan, encoding, dan pembagian data latih serta Setelah itu, dilakukan pemodelan menggunakan beberapa algoritma machine learning (Decision Tree.
Logistic Regression.
Naive Bayes.
SVM, dan Random Fores.
Kinerja model dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score, kemudian Tabel 1.
Deskripsi Dataset Nama Kolom Tipe Data Deskripsi Numerik Usia mahasiswa Kategorikal Jenis kelamin mahasiswa academic_year Kategorikal Tahun .
emester/tahun stud.
study_hours_per_day Numerik Rata-rata jam belajar per exam_pressure Numerik Tingkat Perbandingan Kinerja Algoritma Machine Learning Dalam Prediksi Kesehatan Mental Dan Burnout Mahasiswa Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
nsemble metho.
Setiap pohon Nama Kolom Tipe Data Deskripsi dibangun dari subset data yang berbeda secara acak Performa akademik ma.
ootstrap samplin.
dan hasil prediksi ditentukan 6 academic_performance Numerik berdasarkan voting dari seluruh pohon .
Metode ini mampu meningkatkan akurasi dan mengurangi stress_level Numerik Tingkat stres overfitting yang sering terjadi pada Decision Tree anxiety_score Numerik Skor kecemasan Selain itu.
Random Forest juga lebih stabil terhadap variasi data, meskipun interpretasinya lebih depression_score Numerik Skor depresi kompleks dibandingkan Decision Tree .
sleep_hours Numerik Rata-rata jam tidur physical_activity Numerik Tingkat aktivitas fisik social_support Numerik Tingkat dukungan sosial screen_time Numerik Waktu penggunaan layar per hari internet_usage Numerik Intensitas penggunaan internet financial_stress Numerik Tingkat tekanan finansial family_expectation burnout_score Numerik Tingkat Numerik Skor tingkat burnout 18 mental_health_index Numerik Indeks kesehatan mental secara keseluruhan risk_level Kategorikal Kategori risiko Medium.
Hig.
dropout_risk Kategorikal Risiko mahasiswa untuk (Low.
Logistic Regression adalah algoritma klasifikasi yang digunakan untuk memodelkan probabilitas suatu data masuk ke dalam kelas tertentu berdasarkan hubungan antara variabel independen dan dependen .
Algoitma ini menggunakan fungsi sigmoid untuk mengubah nilai output menjadi probabilitas antara 0 Logistic Regression memiliki keunggulan dalam interpretasi model dan efisiensi komputasi, serta cocok digunakan untuk dataset dengan hubungan linear, namun memiliki keterbatasan dalam menangani pola non-linear yang kompleks .
Naive Bayes merupakan algoritma klasifikasi berbasis probabilitas yang menggunakan Teorema Bayes dengan asumsi bahwa setiap fitur bersifat independen satu sama lain .
Meskipun asumsi ini jarang terpenuhi secara nyata.
Naive Bayes tetap mampu memberikan performa yang baik, terutama pada dataset dengan dimensi tinggi.
Algoritma ini memiliki keunggulan dalam kecepatan komputasi dan efisiensi, namun perfomanya dapat menurun jika terdapat korelasi yang kuat antar fitur .
Pada data preprocessing menjelaskan bagaimana data mentah dipersiapkan sebelum dianalisis.
Biasanya mencakup pembersihan data, penanganan missing value, encoding data kategorikal, normalisasi atau standarisasi, serta seleksi fitur jika diperlukan .
Walaupun dataset kamu sudah bersih, tetap perlu dijelaskan proses verifikasi kualitas data.
Support Vector Machine adalah algoritma klasifikasi yang bekerja dengan mencari hyperplane optimal yang mampu memisahkan data ke dalam kelas yang berbeda dengan margin maksimum .
SVM efektif dalam menangani data dengan dimensi tinggi dan dapat menggunakan kernel trick untuk menangani data nonlinear .
Meskipun memiliki akurasi yang tinggi.
SVM membutuhkan waktu komputasi yang lebih besar dan sensitif terhadap pemilihan parameter seperti kernel dan regularization .
3 Model Algoritma Mechine Learning 4 Evaluasi dan Visualisasi Model Decision Tree adalah algoritma klasifikasi yang bekerja dengan membentuk struktur pohon keputusan berdasarkan fitur-fitur dalam data .
Setiap node dalam pohon merepresentasikan suatu kondisi atau aturan, sedangkan cabang menunjukkan hasil dari kondisi tersebut, dan daun .
menunjukkan hasil akhir atau kelas prediksi .
Algoritma ini memilih fitur yang paling berpengaruh dengan menggunakan kriteria seperti Gini Index atau Information Gain .
Kelebihan utama Decision Tree adalah mudah dipahami dan diinterpretasikan, namun kelemahannya adalah rentan terhadap overfitting jika pohon terlalu kompleks .
Evaluasi model dalam penelitian ini dilakukan untuk mengukur kinerja masing-masing algoritma machine learning dalam memprediksi tingkat kesehatan mental dan burnout mahasiswa.
Proses evaluasi menggunakan beberapa metrik utama, yaitu accuracy, precision, recall, dan F1-score .
Accuracy digunakan untuk mengukur proporsi prediksi yang benar dari seluruh data, sedangkan precision menunjukkan tingkat ketepatan model dalam memprediksi suatu kelas .
Recall digunakan untuk mengukur kemampuan model dalam mendeteksi seluruh data yang sebenarnya termasuk dalam suatu kelas, dan F1-score merupakan rata-rata harmonis antara precision dan recall yang memberikan gambaran keseimbangan kinerja model .
2 Data Preprocessing Random Forest merupakan pengembangan dari Decision Tree yang menggunakan banyak pohon Perbandingan Kinerja Algoritma Machine Learning Dalam Prediksi Kesehatan Mental Dan Burnout Mahasiswa Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
Tabel 2.
Datset Penelitian Selain itu, evaluasi juga dilakukan menggunakan https://w.
com/datasets/sharmajicoder/studentclassification report untuk melihat performa model pada mental-health-and-burnout masing-masing kelas, yaitu Low.
Medium, dan High.
Pendekatan ini penting karena dataset yang digunakan acastress_ burnA dropmemiliki distribusi yang tidak seimbang .
lass demic_perlevel out_sco out_ris imbalanc.
, sehingga evaluasi tidak hanya berfokus Mal 68.
A 1.
pada performa keseluruhan, tetapi juga pada kemampuan model dalam mendeteksi kelas minoritas.
Mal 67.
A 0.
khususnya kategori High yang memiliki tingkat risiko lebih tinggi.
Mal 58.
A 0.
Dalam proses evaluasi, setiap algoritma diuji menggunakan data uji .
est se.
yang telah dipisahkan sebelumnya dari data latih .
Hasil prediksi kemudian dibandingkan dengan label sebenarnya untuk menghitung nilai metrik evaluasi.
Perbandingan antar algoritma dilakukan secara komprehensif untuk menentukan model dengan performa terbaik berdasarkan kombinasi metrik yang digunakan.
ycNycE ycNycE yaycA ycNycE ycyycyceycaycnycycnycuycu = ycNycE yaycE ycyycyceycaycnycycnycuycu y ycyceycaycaycoyco ya1 Oe ycycaycuycyce = 2 y ycyycyceycaycnycycnycuycu ycyceycaycaycoyco ycNycE ycNycA ycaycaycaycycycaycayc = y 100% ycNycE ycNycA yaycE yaycA ycyceycaycaycoyco = Mal Mal Femal Femal Mal Hasil Berdasarkan hasil pengujian.
Logistic Regression menunjukkan performa terbaik dengan nilai accuracy sebesar 0,8720, precision 0,8666, recall 0,8720, dan F1-score 0,8677.
Hasil ini menunjukkan bahwa Logistic Regression mampu memberikan keseimbangan yang baik antara ketepatan dan kemampuan deteksi Visualisasi digunakan untuk memperjelas hasil evaluasi dan memudahkan interpretasi perbandingan kinerja antar model.
Bentuk visualisasi yang digunakan antara lain grafik perbandingan nilai accuracy, precision, recall, dan F1-score untuk masing-masing algoritma, serta diagram batang untuk membandingkan performa antar kelas.
Selain itu, confusion matrix juga dapat digunakan untuk menggambarkan distribusi prediksi benar dan salah pada setiap kelas.
Melalui visualisasi tersebut, pola performa model dapat diamati secara lebih jelas, termasuk kecenderungan model dalam memprediksi kelas mayoritas dan kesulitan dalam mendeteksi kelas minoritas .
Hal ini membantu dalam mengidentifikasi kelemahan masingmasing algoritma serta memberikan dasar dalam menentukan model yang paling sesuai untuk digunakan.
HASIL DAN PEMBAHASAN
Pada penelitian ini dilakukan pengujian terhadap lima algoritma machine learning, yaitu Decision Tree.
Logistic Regression.
Naive Bayes.
Support Vector Machine (SVM), dan Random Forest untuk memprediksi tingkat kesehatan mental dan burnout mahasiswa.
Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score pada dataset berjumlah 200.
000 data.
Random Forest menempati posisi kedua dengan accuracy sebesar 0,8708 dan F1-score sebesar 0,8655.
Model ini menunjukkan performa yang stabil dan mampu menangani variasi data dengan baik, terutama karena pendekatan ensemble yang digunakan.
Sementara itu.
Support Vector Machine (SVM) memiliki accuracy sebesar 0,8684, namun menunjukkan kelemahan signifikan dalam mendeteksi kelas High, dengan nilai recall yang sangat rendah .
Hal ini mengindikasikan bahwa SVM gagal mengenali kelas minoritas dalam dataset.
Decision Tree menghasilkan accuracy sebesar 0,8646 dengan performa yang cukup baik secara keseluruhan, namun masih mengalami keterbatasan dalam mendeteksi kelas High dengan recall yang rendah .
Hal ini menunjukkan adanya kecenderungan bias terhadap kelas mayoritas.
Naive Bayes memiliki performa terendah dengan accuracy sebesar 0,8503, meskipun menunjukkan kemampuan yang cukup baik dalam mendeteksi kelas Medium.
Namun, model ini kurang optimal dalam menangani distribusi data yang Pembahasan Secara umum, seluruh model menunjukkan performa yang tinggi pada kelas Low, yang merupakan kelas Perbandingan Kinerja Algoritma Machine Learning Dalam Prediksi Kesehatan Mental Dan Burnout Mahasiswa Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
mayoritas dalam dataset.
Hal ini terlihat dari nilai Kelas Precision Recall F1-Score Support precision dan recall yang konsisten di atas 0,80 untuk Low hampir semua algoritma.
Tabel 3.
Hasil Prediksi dan Klasifikasi Semua Algoritma Medium Algoritma Accuracy Precision Recall F1-Score Accuracy Decision Tree Macro Avg Logistic Regression 0.
Weighted Avg Naive Bayes SVM Random Forest Tabel 7.
Classification Report dari Algoritma Support Vector Mechine Kelas Namun, performa model menurun secara signifikan pada kelas Medium dan terutama pada kelas High.
Kelas High memiliki jumlah data paling sedikit, sehingga menjadi tantangan utama dalam proses klasifikasi.
Logistic Regression dan Random Forest relatif lebih baik dibandingkan model lain dalam menangani kelas ini, meskipun nilai recall masih tergolong rendah.
Tabel 4.
Classification Report dari Algoritma Decession Tree Kelas Low Medium Accuracy Macro Avg Weighted Avg Tabel 5.
Classification Report dari Algoritma Logistic Regression Precision Recall F1-Score Support High Low Medium Accuracy Macro Avg Weighted Avg Tabel 6.
Classification Report dari Algoritma Naive Bayes Kelas High High Low Medium Accuracy Macro Avg Weighted Avg Precision Recall F1-Score Support High Kelas Precision Recall F1-Score Support Tabel 8.
Classification Report dari Algoritma Random Forest Kelas Precision Recall F1-Score Support High Low Medium Accuracy Macro Avg Weighted Avg SVM menunjukkan performa paling buruk dalam mendeteksi kelas High, yang mengindikasikan bahwa model ini sangat sensitif terhadap ketidakseimbangan Hal ini juga tercermin pada nilai macro average yang lebih rendah dibandingkan weighted average.
Perbedaan antara macro average dan weighted average ketidakseimbangan distribusi data .
lass imbalanc.
Weighted average yang tinggi menandakan dominasi kelas mayoritas, sedangkan macro average yang lebih rendah menunjukkan bahwa performa pada kelas minoritas belum optimal.
Precision Recall F1-Score Support Perbandingan Kinerja Algoritma Machine Learning Dalam Prediksi Kesehatan Mental Dan Burnout Mahasiswa Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
Gambar 2.
Confusion Matrix Decision Tree Berdasarkan confusion matrix Decision Tree pada Gambar 2.
, model menunjukkan performa yang sangat baik pada kelas Low, dengan mayoritas data .
854 atau 93,82%) berhasil diklasifikasikan dengan benar.
Namun, performa pada kelas High masih rendah, di mana sebagian besar data .
,30%) justru salah diklasifikasikan sebagai Medium, sehingga menunjukkan kelemahan model dalam mendeteksi kondisi berisiko tinggi.
Pada kelas Medium, model cukup baik tetapi masih terjadi kesalahan prediksi ke kelas Low sebesar 34,42%.
Hal ini mengindikasikan bahwa model cenderung bias terhadap kelas mayoritas (Lo.
dan mengalami kesulitan dalam membedakan kelas minoritas, terutama High, akibat adanya ketidakseimbangan data.
Gambar 4.
Feature Importance Decision Tree Berdasarkan grafik feature importance pada model Decision Tree, terlihat bahwa variabel tingkat stres .
um__stress_leve.
memiliki pengaruh paling dominan dalam menentukan prediksi kesehatan mental mahasiswa.
Diikuti oleh risiko dropout .
um__dropout_ris.
sebagai faktor penting kedua, sementara variabel lain seperti jam tidur, tekanan ujian, dan dukungan sosial memiliki kontribusi yang relatif lebih Hal ini menunjukkan bahwa kondisi stres menjadi faktor utama yang mempengaruhi tingkat burnout mahasiswa, sedangkan faktor lain berperan sebagai pendukung.
Dengan demikian, model lebih dibandingkan faktor gaya hidup atau akademik lainnya dalam proses prediksi.
Gambar 3.
Learning Curve Algoritma Decision Tree Berdasarkan grafik distribusi kelas risk level, terlihat bahwa data sangat tidak seimbang, di mana kelas Low mendominasi dengan jumlah yang jauh lebih besar dibandingkan kelas lainnya, diikuti oleh kelas Medium, sementara kelas High memiliki jumlah yang sangat sedikit.
Ketimpangan distribusi ini menunjukkan adanya class imbalance yang signifikan, yang berpotensi menyebabkan model machine learning menjadi bias terhadap kelas mayoritas dan kurang mampu mengenali kelas minoritas, khususnya kategori High yang justru memiliki tingkat risiko paling tinggi.
Gambar 5.
Confusion Matrix Logistic Regression Berdasarkan confusion matrix Logistic Regression, model menunjukkan performa yang sangat baik pada kelas Low, dengan sebagian besar data .
678 atau 94,36%) berhasil diklasifikasikan dengan benar.
Pada kelas Medium, model juga cukup baik dengan tingkat prediksi benar sebesar 65,80%, meskipun masih terdapat kesalahan klasifikasi ke kelas Low.
Namun, pada kelas High, performa model masih terbatas, di mana sebagian besar data .
,64%) salah Medium.
Hal menunjukkan bahwa meskipun Logistic Regression memiliki akurasi tinggi secara keseluruhan, model masih mengalami kesulitan dalam membedakan kelas Perbandingan Kinerja Algoritma Machine Learning Dalam Prediksi Kesehatan Mental Dan Burnout Mahasiswa Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
berisiko tinggi akibat ketidakseimbangan distribusi data.
Gambar 8.
Learning Curve Naive Bayes Gambar 6.
Training Curve Logistic Regression Berdasarkan grafik learning curve Logistic Regression, terlihat bahwa nilai akurasi training dan validasi sangat dekat dan cenderung stabil seiring bertambahnya jumlah Hal ini menunjukkan bahwa model memiliki kemampuan generalisasi yang baik dan tidak mengalami overfitting maupun underfitting yang signifikan.
Selain itu, kurva yang relatif datar mengindikasikan bahwa penambahan data tidak memberikan peningkatan performa yang berarti, sehingga model sudah mencapai performa optimal dengan konfigurasi saat ini.
Gambar 7.
Confusion Matrix Naive Bayes Berdasarkan confusion matrix Naive Bayes, model menunjukkan performa yang cukup baik pada kelas Low dengan tingkat prediksi benar sebesar 89,46%, meskipun lebih rendah dibandingkan model lain.
Pada kelas Medium, model mampu mengklasifikasikan dengan cukup baik .
,92%), namun masih terdapat kesalahan prediksi ke kelas Low.
Sementara itu, pada kelas High, performa model relatif seimbang antara prediksi benar .
,60%) dan kesalahan ke kelas Medium .
,23%), yang menunjukkan kemampuan deteksi yang lebih baik dibanding beberapa model lain.
Secara keseluruhan.
Naive Bayes lebih mampu mengenali kelas minoritas dibanding SVM atau Decision Tree, namun tetap dipengaruhi oleh ketidakseimbangan data.
Berdasarkan grafik learning curve Naive Bayes, terlihat bahwa nilai akurasi training dan validasi berada sangat dekat dan cenderung konvergen seiring bertambahnya jumlah data.
Hal ini menunjukkan bahwa model memiliki generalisasi yang baik dan tidak mengalami overfitting.
Selain itu, kurva yang relatif stabil mengindikasikan bahwa performa model tidak banyak berubah dengan penambahan data, sehingga model telah mencapai batas optimalnya, meskipun tingkat akurasi keseluruhan masih lebih rendah dibandingkan algoritma lain.
Gambar 9.
Confusion Matrix SVM Berdasarkan confusion matrix SVM, model menunjukkan performa yang sangat baik pada kelas Low, dengan tingkat prediksi benar mencapai 95,59%.
Namun, model gagal sepenuhnya dalam mendeteksi kelas High, di mana seluruh data .
,64%) salah diklasifikasikan sebagai Medium.
Pada kelas Medium, performa model cukup baik dengan prediksi benar sebesar 62,10%, meskipun masih banyak kesalahan ke kelas Low.
Hal ini menunjukkan bahwa SVM sangat bias terhadap kelas mayoritas dan tidak mampu mengenali kelas minoritas (Hig.
, yang mengindikasikan pengaruh kuat dari ketidakseimbangan data terhadap kinerja Perbandingan Kinerja Algoritma Machine Learning Dalam Prediksi Kesehatan Mental Dan Burnout Mahasiswa Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
Gambar 10.
Learning Curve SVM Gambar 12.
Learning Curve Random Forest Berdasarkan grafik learning curve SVM, terlihat bahwa nilai akurasi training dan validasi sangat berdekatan dan cenderung meningkat secara stabil seiring bertambahnya jumlah data.
Hal ini menunjukkan bahwa model memiliki kemampuan generalisasi yang baik dan tidak mengalami overfitting.
Namun, meskipun performa terlihat stabil dan cukup tinggi, hasil ini perlu dikaji bersama confusion matrix yang menunjukkan bahwa model gagal mendeteksi kelas High, sehingga akurasi yang tinggi lebih disebabkan oleh dominasi kelas mayoritas (Lo.
dalam dataset.
Berdasarkan grafik learning curve Random Forest, terlihat bahwa akurasi training menurun seiring bertambahnya jumlah data, sementara akurasi validasi sedikit meningkat dan kemudian stabil.
Jarak antara keduanya masih cukup terlihat, yang menunjukkan adanya sedikit overfitting pada model.
Namun, karena akurasi validasi relatif stabil di sekitar nilai yang tinggi, model tetap memiliki kemampuan generalisasi yang baik meskipun masih dapat ditingkatkan.
Gambar 11.
Confusion Matrix Random Forest Berdasarkan confusion matrix Random Forest, model menunjukkan performa yang sangat baik pada kelas Low, dengan sebagian besar data .
788 atau 94,43%) berhasil diklasifikasikan dengan benar.
Pada kelas Medium, model juga cukup baik dengan tingkat prediksi benar sebesar 65,57%, meskipun masih terdapat kesalahan klasifikasi ke kelas Low.
Namun, pada kelas High, performa model masih rendah, di mana sebagian besar data .
,00%) salah diklasifikasikan sebagai Medium.
Hal ini menunjukkan bahwa meskipun Random Forest memiliki akurasi tinggi secara keseluruhan, model masih kesulitan dalam mendeteksi kelas risiko tinggi akibat ketidakseimbangan distribusi Berdasarkan grafik distribusi kelas risk level, terlihat bahwa data sangat tidak seimbang, di mana kelas Low mendominasi dengan jumlah yang jauh lebih besar dibandingkan kelas lainnya, diikuti oleh kelas Medium, sementara kelas High memiliki jumlah yang sangat sedikit.
Ketimpangan distribusi ini menunjukkan adanya class imbalance yang signifikan, yang berpotensi menyebabkan model machine learning menjadi bias terhadap kelas mayoritas dan kurang mampu mengenali kelas minoritas, khususnya kategori High yang justru memiliki tingkat risiko paling tinggi.
KESIMPULAN
Berdasarkan hasil penelitian yang telah dilakukan, dapat disimpulkan bahwa algoritma machine learning mampu digunakan untuk memprediksi tingkat kesehatan mental dan burnout mahasiswa dengan performa yang cukup baik.
Dari lima algoritma yang diuji, yaitu Decision Tree.
Logistic Regression.
Naive Bayes.
Support Vector Machine (SVM), dan Random Forest, diperoleh hasil bahwa Logistic Regression memiliki performa terbaik dengan nilai accuracy Perbandingan Kinerja Algoritma Machine Learning Dalam Prediksi Kesehatan Mental Dan Burnout Mahasiswa Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
sebesar 0,8720 dan F1-score sebesar 0,8677, diikuti oleh keputusan oleh pihak terkait, seperti institusi Random Forest yang juga menunjukkan performa yang pendidikan atau konselor.
Secara umum, seluruh model menunjukkan Dengan adanya pengembangan lebih lanjut, performa yang sangat baik dalam memprediksi kelas diharapkan sistem prediksi kesehatan mental berbasis Low sebagai kelas mayoritas.
Namun, performa model machine learning dapat menjadi alat yang efektif dalam menurun secara signifikan pada kelas Medium dan mendeteksi dan mencegah burnout pada mahasiswa terutama pada kelas High.
Hal ini disebabkan oleh secara lebih dini.
adanya ketidakseimbangan data .
lass imbalanc.
yang membuat model cenderung bias terhadap kelas mayoritas dan kurang mampu mendeteksi kelas REFERENSI Harefa.
AuKetika Pelayanan Menjadi Rutinitas:
Model SVM menunjukkan kelemahan paling .
Menyelami Kebosanan Mahasiswa Teologi Dalam signifikan karena gagal mendeteksi kelas High sama Menghadapi Tantangan Spiritual,Ay LOKO KADA TUO J.
sekali, meskipun memiliki akurasi yang cukup tinggi.
Teol.
Kontekst.
dan oikumenis, vol.
2, no.
1, pp.
29Ae41.
Sementara itu.
Naive Bayes menunjukkan kemampuan Mar.
2025, doi: 10.
70418/4xen4b29.
Agustin.
AuKompetensi Lulusan Sarjana St rata 1 (S.
yang relatif lebih baik dalam mendeteksi kelas High .
Psikologi dalam Menghadapi Dunia Kerja Pada dibandingkan beberapa model lain, meskipun performa Mahasiswa Perguruan Tinggi AoX,AoAy Calyptra J.
Ilm.
Mhs.
keseluruhannya lebih rendah.
Hasil analisis juga Univ.
Surabaya, vol.
1, no.
1, pp.
1Ae34, 2012, [Onlin.
menunjukkan bahwa metrik accuracy saja tidak cukup Available:
https://journal.
id/index.
php/jimus/article/view/4 untuk mengevaluasi performa model dalam kasus data
1/24
tidak seimbang.
Oleh karena itu, penggunaan precision, .
Meriana.
AuFenomena Kesehatan Mental Mahasiswa Di recall, dan F1-score sangat penting untuk memberikan Tahun 2025: Urgensi Help-Seeking Behavior Sebagai gambaran yang lebih komprehensif, terutama dalam Strategi Adaptif,Ay Syntax Idea, vol.
7, no.
9, pp.
1102Ae 1112.
Sep.
2025, doi: 10.
46799/syntaxidea.
menilai kemampuan model dalam mendeteksi kelas .
Yusran.
Selviani, and S.
Kahar.
AuPENGARUH berisiko tinggi.
Dengan demikian.
Logistic Regression FAKTOR-FAKTOR EKSTERNAL
BURNOUT
dan Random Forest dapat direkomendasikan sebagai AKADEMIK ATAU INTENSITAS MEDIA SOSIAL,Ay model terbaik dalam penelitian ini, namun masih Al-Isyraq J.
Bimbingan.
Penyuluhan, dan Konseling Islam, vol.
8, no.
3, pp.
1127Ae1146, 2025, doi:
diperlukan peningkatan performa, khususnya dalam https://doi.
org/10.
59027/alisyraq.
mendeteksi kelas High yang memiliki tingkat risiko Tri Prayogo Yusuf.
Psikologi Kesehatan Mental Teori dan Aplikasi untuk Mahasiswa Indonesia.
Pertama.
Berdasarkan hasil penelitian yang telah dilakukan, terdapat beberapa saran yang dapat diberikan untuk pengembangan penelitian selanjutnya.
Pertama, perlu dilakukan penanganan terhadap ketidakseimbangan data .
lass imbalanc.
dengan menggunakan teknik seperti oversampling, undersampling, atau metode Synthetic Minority Over-sampling Technique (SMOTE) untuk meningkatkan kemampuan model dalam mendeteksi kelas minoritas.
Kedua, penelitian selanjutnya dapat mengeksplorasi penggunaan algoritma lain yang lebih kompleks, seperti Gradient Boosting.
XGBoost, atau deep learning, yang berpotensi memberikan performa yang lebih baik dalam menangani data dengan distribusi yang tidak seimbang.
Ketiga, .
yperparameter tunin.
pada masing-masing algoritma untuk mendapatkan performa yang optimal, karena dalam penelitian ini kemungkinan masih terdapat parameter yang belum dioptimalkan secara maksimal.
Keempat, pengembangan sistem prediksi kesehatan mental dapat ditingkatkan dengan menambahkan lebih banyak fitur yang relevan, seperti faktor psikologis, sosial, dan lingkungan, sehingga model dapat menangkap pola yang lebih kompleks.
Kelima, visualisasi dan interpretasi model juga perlu ditingkatkan agar hasil prediksi dapat lebih mudah dipahami dan digunakan sebagai dasar pengambilan .
Sumatera Barat: PT.
Serasi Media Teknologi, 2026.
[Onlin.
Available:
https://w.
net/profile/Gilang-Tri-PrayogoYusuf/publication/400225614_Psikologi_Kesehatan_Men tal_Teori_dan_Aplikasi_untuk_Mahasiswa_Indonesia_20 26/links/69b51cb9a5bf176ab54ff2d1/PsikologiKesehatan-Mental-Teori-dan-Aplikasi-untuk-MahasiswaI Dian Zahwa Oktaviani and Marsofiyati Marsofiyati.
AuPengaruh Beban Tugas Akademik dan Dukungan Sosial Terhadap Tingkat Burnout Mahasiswa Pendidikan Administrasi Perkantoran,Ay Harmon.
Pendidik.
Ilmu Pendidik.
, vol.
2, no.
1, pp.
322Ae336.
Dec.
2024, doi:
62383/hardik.
Abel Andreas.
Fajar Firmansyah, and H.
Hendra Pradana.
AuStudi Fenomenologi Burnout pada Mahasiswa yang Kuliah dan Bekerja,Ay Psycho Aksara J.
Penelit.
Psikol.
, vol.
3, no.
2, pp.
154Ae178, 2025, doi:
28926/pyschoaksara.
Ali.
Ali.
Abbas.
Abbas, and S.
Lee.
AuArtificial intelligence for mental health: A narrative review of applications, challenges, and future directions in digital health,Ay Digit.
Heal.
, vol.
May 2025, doi:
1177/20552076251395548.
Makki.
Hubungan Antara Academic Bunrout Dengan Kualitas Tidur Pada Mahasiswa Di Program Studi Pendidikan Dokter Uin Maulana Malik Ibrahim, vol.
2, no.
Parhusip.
Feranita.
Mentari.
Apriliani, and A.
Jessend.
AuImplementasi Algoritma K-Means Clustering Untuk Segmentasi Tingkat Kesehatan Mental Mahasiswa Berdasarkan Faktor Stress dan Akademik,Ay J.
Media Inform.
, vol.
7, no.
1 SE-, pp.
449Ae458.
Feb.
2026, doi:
55338/jumin.
Arum Sari and H.
Permatasari.
AuPrediksi Risiko Kesehatan Mental Berdasarkan Pola Penggunaan Perangkat Digital Menggunakan Algoritma Logistic Perbandingan Kinerja Algoritma Machine Learning Dalam Prediksi Kesehatan Mental Dan Burnout Mahasiswa Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
Regression,Ay Pros.
SEMNASA, vol.
3, pp.
151Ae161, 2026, [Onlin.
Available:
https://ojs.
id/index.
php/semnasa/article/vie w/999/314 Nabila and Endang Wahyu Pamungkas.
AuPERBANDINGAN
ALGORITMA
MACHINE
LEARNING: SVM.
RANDOM FOREST.
DAN XGBOOST
UNTUK PREDIKSI STROKE,Ay Rabit J.
Teknol.
dan Sist.
Inf.
Univrab, vol.
10, no.
2, pp.
1098Ae1110.
Jul.
2025, doi:
36341/rabit.
Miftahusalam.
Nuraini.
Khoirunisa, and H.
Pratiwi.
AuPerbandingan Algoritma Random Forest.
Nayve Bayes, dan Support Vector Machine Pada Analisis Sentimen Twitter Mengenai Opini Masyarakat Terhadap Penghapusan Tenaga Honorer,Ay Semin.
Nas.
Off.
Stat.
, vol.
2022, no.
563Ae572.
Nov.
34123/semnasoffstat.
Hidayat.
Setyowati.
Amin.
Bimasakti, and Werdana.
AuDeep Learning-based Sentiment Analysis of Public Comments on Military Education Using RoBERTa Algorithm and Rule-Based Hybird Parameters,Ay J.
Media Comput.
Sci.
, vol.
4, no.
2 SE-Articles.
Jul.
2025, doi:
37676/jmcs.
Quinlan.
AuLearning Decision Tree classifiers,Ay ACM Comput.
Surv.
, vol.
28, no.
1, pp.
71Ae72.
Mar.
1996, doi:
1145/234313.
de Ville.
AuDecision Trees,Ay WIREs Comput.
Stat.
, vol.
6, pp.
448Ae455.
Nov.
2013, doi: 10.
1002/wics.
Anshor and A.
Zy.
AuImplementasi Metode Decision Tree pada Sistem Prediksi Status Kualitas Produk Minuman A,Ay J.
Ilm.
Inform.
Glob.
, vol.
15, no.
1, pp.
17Ae22.
Apr.
2024, doi: 10.
36982/jiig.
Syahputri and M.
Hasibuan.
AuOPTIMASI
KLASIFIKASI DECISION TREE DENGAN TEKNIK
PRUNING UNTUK MENGURANGI OVERFITTING,Ay JSiI (Jurnal Sist.
Informas.
, vol.
11, no.
2, pp.
87Ae96.
Sep.
2024, doi: 10.
30656/jsii.
Riansah.
Nurdiawan, and R.
Herdiana.
AuPENERAPAN ALGORITMA RANDOM FOREST DAN DECISION TREE UNTUK MENINGKATKAN AKURASI
KLASIFIKASI
PENJUALAN
PADA
TOKO
BANGUNAN,Ay JATI (Jurnal Mhs.
Tek.
Inform.
, vol.
9, no.
3, pp.
4242Ae4249.
May 2025, doi: 10.
36040/jati.
Putra Argadinata.
Abdul Fatah, and H.
Sukri.
AuKLASIFIKASI
KUALITAS
BUAH
APEL
MENGGUNAKAN METODE RANDOM FOREST,Ay JATI (Jurnal Mhs.
Tek.
Inform.
, vol.
9, no.
2, pp.
2016Ae2022.
Mar.
2025, doi: 10.
36040/jati.
Rilvani.
Hidayat, and F.
Rizaldi.
AuLITERATURE
REVIEW: PERBANDINGAN ALGORITMA ID3 DAN
CART DALAM DATA MINING,Ay Kohesi J.
Sains dan Teknol.
, vol.
10, no.
1 SE-Articles, pp.
1Ae10, 2025, doi:
2238/bd21vh46.
Ermillian and K.
Nugroho.
AuPerancangan Model Deteksi Potensi Siswa Putus Sekolah Menggunakan Metode Logistic Regression Dan Decision Tree,Ay J.
Inform.
Pengemb.
IT,
9, no.
3, pp.
281Ae295.
Dec.
2024, doi:
30591/jpit.
Boateng and D.
Abaye.
AuA Review of the Logistic Regression Model with Emphasis on Medical Research,Ay J.
Data Anal.
Inf.
Process.
, vol.
07, no.
04, pp.
190Ae207, 2019, doi: 10.
4236/jdaip.
Afriansyah.
Joni Saputra.
Ardhana, and Yuan SaAoadati.
AuALGORITMA NAIVE BAYES YANG EFISIEN
UNTUK KLASIFIKASI BUAH PISANG RAJA
BERDASARKAN FITUR WARNA,Ay J.
Inf.
Syst.
Manag.
Digit.
Bus.
, vol.
1, no.
2, pp.
236Ae248.
Jan.
2024, doi:
59407/jismdb.
Rafi Alfiandi.
Gunawan.
Rizki Fadhil, and R.
Samsinar.
AuAnalisis Performa Convolutional Neural Network (CNN) dan Naive Bayes dalam Face Recognition:
Akurasi dan Kompleksitas,Ay Pros.
Semin.
Nas.
Hukum.
Bisnis.
Sains dan Teknol.
, vol.
5, no.
1 SE-Articles, pp.
284Ae294, [Onlin.
Available:
https://w.
id/HUBISINTEK/article/view/47 Rusman.
Haryati, and A.
Michael.
AuOptimisasi Hiperparameter Tuning pada Metode Support Vector Machine untuk Klasifikasi Tingkat Kematangan Buah Kopi,Ay J.
Komput.
dan Inform.
, vol.
11, no.
2, pp.
195Ae202.
Oct.
2023, doi: 10.
35508/jicon.
Saputra and P.
Parjito.
AuANALISIS SENTIMEN
TWITTER TERHADAP KONFLIK DI PAPUA
MENGGUNAKAN PERBANDINGAN NAIVE BAYES
DAN SVM,Ay JIPI (Jurnal Ilm.
Penelit.
dan Pembelajaran Inform.
, vol.
10, no.
2, pp.
1197Ae1208.
Mar.
2025, doi:
29100/jipi.
Angkoso.
Asror.
Kusumaningsih, and A.
Nugroho.
AuOptimasi Algoritma Support Vector Machine Berbasis Kernel Radial Basis Function (RBF) Menggunakan Metode Particle Swarm Optimization Untuk Analisis Sentimen,Ay J.
Teknol.
Inf.
dan Ilmu Komput.
, vol.
12, no.
3, pp.
705Ae718.
Jun.
2025, doi:
25126/jtiik.
Hidayat.
Setyowati, and A.
Werdana.
AuPerancangan Sistem Prediksi Penyakit pada Tanaman Padi Berbasis Image Processing Menggunakan Algoritma VGG-16 Transfer Learning dan K-Means Segmentation,Ay Pract.
Comput.
Sci.
, vol.
5, no.
1, pp.
1Ae15.
May 2025, doi: 10.
37366/jpcs.
Amin.
Hidayat.
Setyowati.
Fitri.
Anggraini, and A.
Werdana.
AuImplementasi Model LSTM Untuk Peramalan Curah Hujan Di Bekasi Dengan Pemanfaatan Data Cuaca BMKG,Ay J.
Teknol.
Inf.
Digit.
1, no.
2, pp.
90Ae99, [Onlin.
Available:
https://jurnal.
id/index.
php/jtid/article/view/200 Muhamad Febiansyah.
Jondri, and Indwiarti.
AuPrediksi Retweet Berdasarkan Konten Dan PenggunaDengan Metode Classifier Selection,Ay Log.
Penelit.
Inform.
, vol.
3, no.
Sep.
2025, doi: 10.
25124/logic.
Rahman Wahid.
Nugroho, and A.
Halim Anshor.
AuPrediksi Penyakit Kanker Paru-Paru Dengan Algoritma Regresi Linier,Ay Bull.
Inf.
Technol.
, vol.
4, no.
1, pp.
63Ae 74.
Mar.
2023, doi: 10.
47065/bit.
Sasongko and M.
Ivan Fanany.
AuIndonesia Toll Road Vehicle Classification Using Transfer Learning with Pretrained Resnet Models,Ay in 2019 International Seminar on Research of Information Technology and Intelligent Systems (ISRITI).
Ie.
Dec.
2019, pp.
373Ae378.
1109/ISRITI48646.
Perbandingan Kinerja Algoritma Machine Learning Dalam Prediksi Kesehatan Mental Dan Burnout
Mahasiswa