KLASIFIKASI TINGKAT KECANDUAN INTERNET TERHADAP REMAJA PEKANBARU MELALUI PENDEKATAN ALGORITMA NAÏVE BAYES
DOI:
https://doi.org/10.31849/zn.v6i2.20191Keywords:
Klasifikasi, Data Mining, Naïve Bayes, Kecanduan internetAbstract
Penggunaan internet terus meningkat di kalangan remaja. Namun, kemampuan remaja dalam memilah aktivitas internet yang bermanfaat belum sepenuhnya terwujud. Menurut survei APJII 2022, penggunaan internet pada usia 13-18 tahun meningkat hingga 99,16%. Hal ini menunjukkan peningkatan signifikan terhadap kecanduan internet. Sehingga dilakukan penelitian untuk mengevaluasi akurasi klasifikasi kecanduan internet terhadap remaja Pekanbaru menggunakan data mining dengan algoritma Naïve Bayes. Data yang digunakan sebanyak 510 data melalui kusioner. Hasil penelitian dalam klasifikasi menerapkan pengujian 10-Fold Cross Validation dengan model data latih 459 data dan diuji pada 51 data untuk pengujian. Didapatkan bahwa nilai akurasi tertinggi yaitu pada fold ke-3 dengan nilai 98% memiliki nilai precision, recall, dan f1-score adalah 98%, 99%, dan 98%. Untuk nilai akurasi terendah yaitu pada fold ke-1 dengan nilai 86% memiliki nilai precision, recall, dan f1-score adalah 86%, 87%, dan 86%. Untuk performa rata-rata yang diperoleh melalui hasil 10-fold Cross Validation menunjukkan bahwa nilai accuracy, precision, recall, dan f1-score adalah 93%, 87,3%, 89,9%, dan 88,1%. Berdasarkan hasil rata-rata akurasi yang diperoleh sebesar 93% menunjukkan metode Naïve Bayes dapat mengklasifikasikan tingkat kecanduan internet yang terdiri atas 4 kelas yaitu normal, mild, moderate, severe.
References
[2] M. A. S. Putri and D. Suryadi, “Hubungan Antara Adiksi Internet Dengan Prokrastinasi Akademik Pada Siswa Smkn X Indramayu,” Provitae J. Psikol. Pendidik., vol. 16, no. 1, pp. 22–31, 2023, doi: 10.24912/provitae.v16i1.23539.
[3] L. Marini*, W. Hendriani, and P. Y. Wulandari, “Optimizing the Role of the Family in Prevention Teen Smartphone Addiction through Psychoeducation Smartphone Addiction to Parents,” Din. J. Pengabdi. Kpd. Masy., vol. 7, no. 4, pp. 930–941, 2023, doi: 10.31849/dinamisia.v7i4.15217.
[4] P. Hidayat, “Interaksi Sosial Online Dan Kecemasan Sosial Sebagai Prediktor Kecanduan Internet Pada Remaja,” J. Ilm. Psyche, vol. 14, no. 2, pp. 83–92, 2020, doi: 10.33557/jpsyche.v14i2.1159.
[5] L. U. Nadzifah, K. Bariyyah, and D. Permatasari, “Pengembangan inventori kecanduan internet untuk siswa sekolah menengah atas,” JPPI (Jurnal Penelit. Pendidik. Indones., vol. 6, no. 2, p. 77, 2020, doi: 10.29210/02020494.
[6] F. Fernandes, A. Y. Sari, and M. Mahathir, “Faktor-Faktor yang Berhubungan dengan Kecanduan Internet pada Siswa SMA N ‘X’ Padang,” NERS J. Keperawatan, vol. 17, no. 1, p. 1, 2021, doi: 10.25077/njk.17.1.1-13.2021.
[7] Y. Syafitri, R. Astika, and L. S. E. Esti Rahayu, “Pengembangan Aplikasi Pelelangan Menggunakan Framework Codeigniter Berbasis Web,” J. Inf. dan Komput., vol. 10, no. 2, pp. 01–07, 2022, doi: 10.35959/jik.v10i2.381.
[8] Y. Astuti, I. R. Wulandari, A. R. Putra, and N. Kharomadhona, “Naïve Bayes untuk Prediksi Tingkat Pemahaman Kuliah Online Terhadap Mata Kuliah Algoritma Struktur Data,” J. Edukasi dan Penelit. Inform., vol. 8, no. 1, p. 28, 2022, doi: 10.26418/jp.v8i1.48848.
[9] E. P. Saputra, M. Maulidah, N. Hidayati, and A. Saryoko, “Komparasi Evaluasi Kinerja Siswa Belajar dengan Mengggunakan Algoritma Machine Learning,” J. Media Inform. Budidarma, vol. 6, no. 4, p. 2239, 2022, doi: 10.30865/mib.v6i4.4786.
[10] M. W. A. Putra, Susanti, Erlin, and Herwin, “Analisis Sentimen Dompet Elektronik Pada Twitter Menggunakan Metode Naïve Bayes Classifier,” IT J. Res. Dev., vol. 5, no. 1, pp. 72–86, 2020, doi: 10.25299/itjrd.2020.vol5(1).5159.
[11] N. Asmiati, S. Informasi, S. Tinggi, M. Informatika, D. Komputer, and N. Mandiri, “Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Pengaruh Negatif Game Online Bagi Remaja Milenial (Application of the Naive Bayes Algorithm to Classify the Negative Effects of Online Games on Millennial Adolescents),” J. Teknol. Inf. dan Multimed., vol. 2, no. 3, pp. 141–149, 2020.
[12] N. Nurainun, E. Haerani, F. Syafria, and L. Oktavia, “Penerapan Algoritma Naïve Bayes Classifier Dalam Klasifikasi Status Gizi Balita dengan Pengujian K-Fold Cross Validation,” J. Comput. Syst. Informatics, vol. 4, no. 3, pp. 578–586, 2023, doi: 10.47065/josyc.v4i3.3414.
[13] B. Purba and R. Syahputra, “Implementasi metode Naive Bayes Classifier pada Evaluasi Kepuasan Mahasiswa terhadap Pembelajaran Daring,” InfoTekjar J. Nas. Inform. dan Teknol. Jar., vol. 6, no. 1, pp. 85–91, 2021, [Online]. Available: https://doi.org/10.30743/infotekjar.v6i1.4352
[14] M. Rosanensi et al., “Analisis Tingkat Kecanduan Game Online Terhadap Manajemen Waktu Dengan Menggunakan Metode Certainty Factor Dan Algoritma K-Nearest Neighbor Lombok Tengah,” J. Inf. Syst. Applied, Manag. Account. Res., vol. 7, no. 2, pp. 473–482, 2023, doi: 10.52362/jisamar.v7i2.1040.
[15] G. A. P. Ariani, S. S. Papuke, and R. Apriana, “Early Detection of Internet Addiction in Junior High School Teens in Gorontalo City,” Jambura J. Heal. Sci. Res., vol. 4, no. 3, pp. 784–797, 2022, doi: 10.35971/jjhsr.v4i3.13617.
[16] K. S. Young and C. N. de Abreu, Internet Addiction. 2011: 22-24
[17] E. Darnila, M. Maryana, and M. Azmi, “Aplikasi Klasifikasi Status Gizi Balita Menggunakan Metode Naïve Bayes Berbasis Android,” METHOMIKA J. Manaj. Inform. dan Komputerisasi Akunt., vol. 5, no. 2, pp. 135–141, 2021, doi: 10.46880/jmika.vol5no2.pp135-141.
[18] W. A. Firmansyach, U. Hayati, and Y. Arie Wijaya, “Analisa Terjadinya Overfitting Dan Underfitting Pada Algoritma Naive Bayes Dan Decision Tree Dengan Teknik Cross Validation,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 1, pp. 262–269, 2023, doi: 10.36040/jati.v7i1.6329.
[19] H. Azis, P. Purnawansyah, F. Fattah, and I. P. Putri, “Performa Klasifikasi K-NN dan Cross Validation Pada Data Pasien Pengidap Penyakit Jantung,” Ilk. J. Ilm., vol. 12, no. 2, pp. 81–86, 2020, doi: 10.33096/ilkom.v12i2.507.81-86.
[20] R. R. Adhitya, Wina Witanti, and Rezki Yuniarti, “Perbandingan Metode Cart Dan Naïve Bayes Untuk Klasifikasi Customer Churn,” INFOTECH J., vol. 9, no. 2, pp. 307–318, 2023, doi: 10.31949/infotech.v9i2.5641.
Downloads
Published
Issue
Section
License
CC BY-SA 4.0
Attribution-ShareAlike 4.0
You are free to:
- Share — copy and redistribute the material in any medium or format for any purpose, even commercially.
- Adapt — remix, transform, and build upon the material for any purpose, even commercially.
- The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
- Attribution — You must give appropriate credit , provide a link to the license, and indicate if changes were made . You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
- ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
- No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation .
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
