Implementasi Algoritma Klasifikasi K-Nearest Neighbor (KNN) Untuk Klasifikasi Level Stres Mahasiswa

Abstract

Stress pada mahasiswa merupakan masalah yang dapat memengaruhi performa akademik, termauk nilai Grade Point Average (GPA). Penelitian ini bertujuan untuk mengklasifikasikan tingkat stress mahasiswa menggunakan algoritma klasifikasi K-Nearest Neighbor (KNN). Dataset yang digunakan terdiri dari 2.000 data mahasiswa, yang diambil dari platform Kaggle, mencakup variabel-variabel seperti jam belajar perhari, jam ektrakulikuler perhari, jam tidur perhari, jam aktivitas sosial perhari, jam aktifitas fisik perhari, nilai Grade Point Average (GPA) dan hasil kuesioner tingkat stress. Data diolah melalui proses praproses, termasuk normalisasi dan pembagian data menjadi training dan testing dengan rasio 80:20. Model KNN dikembangkan untuk mengklasifikasikan tingkat stress ke dalam kategori rendah, sedang, dan tinggi. Hasil pengujian menggunakan model KNN dengan nilai k = 3, dengan tujuan mengetahui tingkat akurasi yang lebih baik dari algoritma K-Nearest Neighbor. Setelah dilakukan pengujian didapatkan hasil yang dari algoritma K-Nearest Neighbor dengan menggunakan nilai k = 3, yaitu dengan tingkat akuarasi mencapai 93%, dengan metrik evaluasi berupa precision, recall, dan F1-score yang juga menunjukkan performa yang baik. Penelitian ini dapat di simpulkan bahwa algoritma K-Nearest Neighbor efektif untuk digunakan dalam klasifikasi tingkat stress mahasiswa. Hasil ini dapat menjadi dasar untuk pengembangan sistem deteksi dini tingkat stres yang dapat diintegrasikan ke dalam platform pendidikan.