KLASIFIKASI TINGKAT STRES MAHASISWA BERDASARKAN POLA BELAJAR MENGGUNAKAN ALGORITMA NAÏVE BAYES

Sari, Meri Puspita (2026) KLASIFIKASI TINGKAT STRES MAHASISWA BERDASARKAN POLA BELAJAR MENGGUNAKAN ALGORITMA NAÏVE BAYES. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full Text) RAMA_57201_2213030081.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text (Similarity) RAMA_57201_2213030081_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (Cover sd Bab 1 + references) RAMA_57201_2213030081_0721029101_0706098902_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (640kB)
	Text (Bab 2) RAMA_57201_2213030081_0721029101_0706098902_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (447kB) | Request a copy
	Text (Bab 3) RAMA_57201_2213030081_0721029101_0706098902_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (345kB) | Request a copy
	Text (Bab 4) RAMA_57201_2213030081_0721029101_0706098902_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (782kB) | Request a copy
	Text (Bab 5) RAMA_57201_2213030081_0721029101_0706098902_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (225kB) | Request a copy
	Text (References) RAMA_57201_2213030081_0721029101_0706098902_06_Ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (231kB)
	Text (Lampiran) RAMA_57201_2213030081_0721029101_0706098902_07_Lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (446kB) | Request a copy

Abstract

Tingkat stres mahasiswa merupakan salah satu permasalahan yang sering terjadi di lingkungan pendidikan karena dapat memengaruhi kondisi psikologis maupun pencapaian akademik mahasiswa. Pola belajar, durasi tidur, aktivitas harian, dan Indeks Prestasi Kumulatif (IPK) diduga memiliki hubungan terhadap tingkat stres, sehingga diperlukan pendekatan berbasis data untuk membantu mengidentifikasi kondisi tersebut secara lebih objektif dan terukur. Penelitian ini bertujuan untuk mengklasifikasikan tingkat stres mahasiswa berdasarkan pola belajar dan IPK menggunakan algoritma Naïve Bayes serta membandingkan performanya dengan algoritma K-Nearest Neighbors (KNN). Metode penelitian yang digunakan mengacu pada tahapan CRISP-DM yang meliputi business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Dataset yang digunakan terdiri dari dataset Kaggle sebanyak 2000 data dan dataset mahasiswa Universitas Nusantara PGRI Kediri sebanyak 133 data. Tahap preprocessing dilakukan melalui encoding label, pembagian data training dan testing dengan rasio 80:20, penyeimbangan data menggunakan SMOTE, serta normalisasi data sebelum proses pemodelan dilakukan. Hasil penelitian menunjukkan bahwa algoritma KNN memperoleh akurasi tertinggi pada dataset Kaggle sebesar 87,75%, sedangkan Naïve Bayes memperoleh akurasi sebesar 82,75%. Pada dataset mahasiswa UNP Kediri, algoritma Naïve Bayes memberikan performa terbaik dengan akurasi sebesar 92,59%, sementara KNN memperoleh akurasi sebesar 88,89%. Hasil evaluasi menggunakan confusion matrix; accuracy, precision, recall, dan F1-score menunjukkan bahwa kedua algoritma mampu melakukan klasifikasi tingkat stres mahasiswa dengan cukup baik meskipun menghasilkan performa yang berbeda pada masing-masing dataset. Kesimpulan akhir dari penelitian ini adalah bahwa efektivitas algoritma klasifikasi dipengaruhi oleh karakteristik dan jumlah data yang digunakan. KNN cenderung memberikan hasil lebih baik pada dataset berukuran besar, sedangkan Naïve Bayes lebih stabil pada dataset dengan jumlah data yang lebih sedikit. Penelitian ini masih memiliki keterbatasan pada jumlah variabel dan data yang digunakan, sehingga penelitian selanjutnya dapat dilakukan dengan menambah jumlah dataset, memperkaya fitur penelitian, serta mengombinasikan algoritma lain untuk meningkatkan performa model klasifikasi.

Actions (login required)

View Item