Optimasi Metode Naïve Bayes dan Random Forest Terhadap Akurasi Prediksi Gadget Addiction pada Anak-Anak
Keywords:
Kecanduan Gadget, machine learning, Naïve Bayes, Random Forest, anak-anakAbstract
Penggunaan gagdet yang berlebihan pada anak-anak telah menjadi permasalahan kesehatan mental yang semakin mengkhawatirkan, dengan dampak negatif pada aspek psikologis, fisik, dan sosial. Deteksi dini terhadap perilaku kecanduan gadget (gadget addiction) sangat diperlukan agar intervensi dapat dilakukan secara tepat dan efesien. Penelitian ini bertujuan untuk membandingkan dan mengoptimasi kinerja dua algortima machine learning, yaitu Naïve Bayes dan Random Forest, dalam memprediksi tingkat kecanduan gadget pada anak-anak usia 5-12 tahun. Data dikumpulkan melalui kuesioner berbasis skala likert yang disebarkan kepada 150 responden (orangtua siswa) di SD Muhammadiyah 18 Medan, mencakup variabel durasi penggunaan gadget, gejala fisik, tingkat ketergantungan, serta faktor psikologis. Data diproses melalui tahapan preprocessing, kemudian dibagi 80:20 untuk data latih dan uji. Hasil evaluasi menujukkan bahwa algoritma Naive Bayes menghasilkan akurasi sebesar 95%, sedangkan Random Forest dengan paramater default maupun setelah optimasi mencapai akurasi 100% dengan nilai presicion, recall, dan f1-Score sempurna pada seluruh kelas. Perbedaan akurasi sebesar 5% antara kedua algoritma membuktikan bahwa Random Forest secara signifikan lebih unggul dibandingkan Naïve Bayes. Berdasarkan analisis feature importance, durasi penggunaan gadget menjadi fitur paling berpengaruh, sehingga solusi intervensi berupa pembatasan waktu layar dan strategi pengelolaan perilaku direkomendasikan sesuai tingkat kecanduan anak.
Downloads
References
[1] R. G. Pratiwi dan R. U. Malwa, "Faktor yang Mempengaruhi Kecanduan Gadget terhadap Perilaku Remaja," Jurnal Ilmiah Psyche, vol. 15, no. 2, pp. 105–112, 2021. doi: 10.33557/jpsyche.v15i2.1550.
[2] E. M. Abu-Taieh, I. AlHadid, K. Kaabneh, R. S. Alkhawaldeh, S. Khwaldeh, R. Masa'deh, dan A. Alrowwad, "Predictors of Smartphone Addiction and Social Isolation among Jordanian Children and Adolescents Using SEM and ML," Big Data and Cognitive Computing, vol. 6, no. 3, pp. 92, 2022. doi: 10.3390/bdcc6030092.
[3] M. I. Anshori, M. S. Haris, dan W. T. Kusuma, "Penerapan Backpropagation Neural Network (BPNN) untuk Prediksi Kecanduan Smartphone pada Remaja," CICES: Conference of Islamic Civilization and Engineering Science, vol. 9, no. 2, pp. 103–109, 2023. [Online].
[4] P. D. Untari, D. Q. Ayuni, dan M. F. Dielsa, "Dampak Penggunaan Gadget terhadap Gangguan Emosi dan Status Gizi pada Remaja 11–14 Tahun," Jurnal Kesehatan, vol. 12, no. Supplementary 1, pp. 367–371, 2021. [Online].
[5] N. Jannatuna'im dan Fikrie, "Phubbing dan Interaksi Sosial Anak," 2022. [Online].
[6] O. Okfalisa, E. Budianita, M. Irfan, H. Rusnedy, dan S. Saktioto, "The Classification of Children Gadget Addiction: The Employment of Learning Vector Quantization 3," IT Journal Research and Development, vol. 5, no. 2, pp. 158–170, 2021. doi: 10.25299/itjrd.2021.vol5(2).5681.
[7] S. Verma, S. Sharma, dan P. Arora, "Mental Health Analysis with Artificial Intelligence," International Journal of Scientific Research in Science and Technology, vol. 11, no. 2, pp. 1–6, 2025. [Online].
[8] N. Mardiah, L. Marlina, K. Khairul, Z. Sitorus, dan M. Iqbal, "Analysis of Indonesian People's Sentiment Towards 2024 Presidential Candidates on Social Media Using Naïve Bayes Classifier and Support Vector Machine," Building of Informatics, Technology and Science (BITS), vol. 6, no. 2, pp. 950–960, 2024. [Online].
[9] N. D. Ariyanta, A. N. Handayani, J. T. Ardiansah, dan K. Arai, "Ensemble Learning Approaches for Predicting Heart Failure Outcomes: A Comparative Analysis of Feedforward Neural Networks, Random Forest, and XGBoost," Applied Engineering and Technology, vol. 3, no. 3, pp. 173–184, 2024. [Online].
[10] N. K. C. B. Dewi, N. K. A. Wirdiani, dan D. M. S. Arsa, "Klasifikasi Kecanduan Smartphone pada Pelajar Sekolah Menengah Atas menggunakan Metode Machine Learning Berbasis Feature Weighting," JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 8, no. 1, pp. 95–104, 2022. doi: 10.26418/jp.v8i1.51914.
[11] R. R. Fitri, Asriyanik, dan W. Apriandari, "Penggunaan Random Forest dalam Sistem Klasifikasi Kecemasan pada Generasi Z," Jurnal Informatika dan Teknik Elektro Terapan (JITET), vol. 13, no. 3, pp. 561–568, 2025. doi: 10.23960/jitet.v13i3.6905.
[12] F. Z. Parinduri, R. Dewi, dan Susiani, "Klasifikasi Tingkat Kecanduan Internet pada Mahasiswa menggunakan Algoritma Naïve Bayes," JOMLAI: Journal of Machine Learning and Artificial Intelligence, vol. 1, no. 3, pp. 257–264, 2022. doi: 10.55123/jomlai.v1i3.965.
[13] T. S. Pania, R. Hidayati, dan Kasliono, "Klasifikasi Kecanduan Bermain Game Online pada Remaja menggunakan Metode Naïve Bayes Classifier Berbasis Website," KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 5, pp. 2518–2526, 2024. doi: 10.30865/klik.v4i5.1782.
[14] M. I. Fikri, E. Budianita, I. Iskandar, dan E. P. Cynthia, "Klasifikasi Tingkat Kecanduan Internet terhadap Remaja Pekanbaru melalui Pendekatan Algoritma Naïve Bayes," ZONAsi: Jurnal Sistem Informasi, vol. 6, no. 2, pp. 424–431, 2024. doi: 10.31849/zn.v6i2.20191.
[15] I. Hamzah, Z. Sitorus, dan Khairul, "Analisa Classification Decision Tree C45 dan Naïve Bayes Pada Indikasi Penyakit Diabetes Menggunakan Rapid Miner," Jurnal Nasional Teknologi Komputer, vol. 4, no. 1, pp. 25–33, 2024. doi: 10.61306/jnastek.v4i1.126.
[16] A. Ernawati, Khairul, Z. Sitorus, M. Iqbal, dan D. Nasution, "Penerapan Data Mining Untuk Klasifikasi Penduduk Miskin Di Kabupaten Labuhanbatu Menggunakan Random Forest Dan K-Nearest Neighbors," Bulletin of Information Technology (BIT), vol. 6, no. 2, pp. 23–35, 2025. doi: 10.47065/bit.v6i1.1783.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Nathania Asyifa, Muhammad Putra Novelan
This work is licensed under a Creative Commons Attribution 4.0 International License.
