Comparison of Naive Bayes Classifier and Support Vector Machine Algorithms for Classifying Student Mental Health Data
Perbandingan Algoritma Naive Bayes Classifier dan Support Vector Machine untuk Klasifikasi Data Kesehatan Mental Mahasiswa
Keywords:
Naive bayes classifier, Support vector machine, Kesehatan mentalAbstract
Kesejahteraan mental sangat penting untuk memaksimalkan potensi seseorang, memahami proses berpikir normal, menjadi produktif, dan berkontribusi pada komunitas seseorang. Saat ini, sistem kesehatan mental merupakan aspek pendidikan yang paling penting, terutama dalam jangka pendek. Hal ini didasarkan pada fakta bahwa kesehatan mental berkontribusi pada keberhasilan dan kesuksesan civitas akademika. Stres mental dapat berdampak negatif pada kemampuan seseorang untuk berbicara dan mendengarkan orang lain. Dengan menggunakan algoritma klasifikasi data mining, data kesehatan mental digunakan sebagai input model yang dapat digunakan untuk mengembangkan model dan dimanfaatkan untuk mengklasifikasikan data pengujian. Metode klasifikasi yang diterapkan adalah metode Support Vector Machines dan Naïve Bayes Classifier. Naive Bayes Classifier mengungguli Support Vector Machine dalam hal klasifikasi bias mental dengan faktor 94,37%, sedangkan Naive Bayes Classifier mengungguli Support Vector Machine dengan faktor 86,87%.
References
D. Ayuningtyas, M. Misnaniarti, and M. Rayhani, “Analisis Situasi Kesehatan Mental Pada Masyarakat Di Indonesia Dan Strategi Penanggulangannya,” J. Ilmu Kesehat. Masy., vol. 9, no. 1, pp. 1–10, 2018, doi: 10.26553/jikm.2018.9.1.1-10.
E. N. Wahyuni and K. Bariyyah, “Apakah spiritualitas berkontribusi terhadap kesehatan mental mahasiswa?,” J. Educ. J. Pendidik. Indones., vol. 5, no. 1, p. 46, 2019, doi: 10.29210/120192334.
O. Arifin and T. B. Sasongko, “Analisa perbandingan tingkat performansi metode support vector machine dan naïve bayes classifier,” Semin. Nas. Teknol. Inf. dan Multimed. 2018, vol. 6, no. 1, pp. 67–72, 2018.
R. Aziz, R. Mangestuti, Y. Sholichatun, I. T. Rahayu, E. K. Purwaningtyas, and E. N. Wahyuni, “Model Pengukuran Kesehatan Mental pada Mahasiswa di Perguruan Tinggi Islam,” J. Islam. Contemp. Psychol., vol. 1, no. 2, pp. 83–94, 2022, doi: 10.25299/jicop.v1i2.8251.
F. Akbar, H. Wira Saputra, A. Karel Maulaya, M. Fikri Hidayat, and Rahmaddeni, “Implementasi Algoritma Decision Tree C4.5 dan Support Vector Regression untuk Prediksi Penyakit Stroke,” vol. 2, no. October, pp. 61–67, 2022.
S. Hendrian, “Algoritma Klasifikasi Data Mining Untuk Memprediksi Siswa Dalam Memperoleh Bantuan Dana Pendidikan,” Fakt. Exacta, vol. 11, no. 3, pp. 266–274, 2018, doi: 10.30998/faktorexacta.v11i3.2777.
B. Delvika, S. Nurhidayarnis, and P. D. Rinada, “Comparison of Classification Between Naive Bayes and K-Nearest Neighbor on Diabetes Risk in Pregnant Women Perbandingan Klasifikasi Antara Naive Bayes dan K-Nearest Neighbor Terhadap Resiko Diabetes Pada Ibu Hamil,” vol. 2, no. October, pp. 68–75, 2022.
I. Riadi, R. Umar, and F. D. Aini, “Analisis Perbandingan Detection Traffic Anomaly Dengan Metode Naive Bayes Dan Support Vector Machine (Svm),” Ilk. J. Ilm., vol. 11, no. 1, pp. 17–24, 2019, doi: 10.33096/ilkom.v11i1.361.17-24.
