KLASIFIKASI DAMPAK KECANDUAN MEDIA SOSIAL MAHASISWA DENGAN SVM DAN K-MEANS
DOI:
https://doi.org/10.24076/joism.2026v7i2.2434Keywords:
Kecanduan Media Sosial, Prestasi Akademik, K-Means, Support Vector Machine, MahasiswaAbstract
Penggunaan media sosial yang meningkat di kalangan mahasiswa, disertai pola tidur tidak teratur, menjadi permasalahan serius karena berpotensi menurunkan prestasi akademik dan sering terlambat terdeteksi oleh institusi pendidikan. Penelitian ini bertujuan mengembangkan model prediksi hybrid dua tahap untuk mengklasifikasikan dampak kecanduan media sosial terhadap mahasiswa sebagai sistem peringatan dini. Metode yang digunakan mengintegrasikan algoritma K-Means untuk pelabelan tingkat risiko secara otomatis dan Support Vector Machine (SVM) sebagai tahap akhir klasifikasi. Penelitian menggunakan 705 data responden mahasiswa yang diproses melalui tahap preprocessing. Jumlah cluster optimal ditentukan menggunakan metode Elbow dan Silhouette Score, sedangkan kinerja model dievaluasi menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa K-Means membentuk tiga klaster risiko (rendah, sedang, dan tinggi) dengan nilai Silhouette Score sebesar 0,4188. Model SVM menghasilkan akurasi 93,62%, presisi 94,62%, dan recall 90%, sehingga efektif mendukung pengambilan keputusan preventif di perguruan tinggi.
References
[1] N. Safira, “Hubungan Antara Adiksi Tiktok Dengan Prokrastinasi,” J. Couns. Support, vol. 1, pp. 77–88, 2025.
[2] N. A.-K. N. F. U. R. R. J. Z. P. D. N. R. M. H. Muzaki, “PERSEPSI MAHASISWA UNIVERSITAS NEGERI MALANG TENTANG PENGGUNAAN MEDIA SOSIAL TIKTOK TERHADAP MOTIVASI BELAJAR,” Ptk Dan Pendidik., vol. 9, no. 1, pp. 59–73, 2023, doi: 10.18592/ptk.v9i1.12800.
[3] Meilisa Meilisa, Syukriadi Syukriadi, and Ellyza Fazlylawati, “Hubungan Social Media Addiction Instagram terhadap Indeks Prestasi Kumulatif pada Mahasiswa Program Studi Diploma Tiga Keperawatan Abulyatama,” Inov. Kesehat. Glob., vol. 2, no. 4, pp. 70–81, 2025, doi: 10.62383/ikg.v2i4.2340.
[4] I. Marhenisaputri et al., “Pengaruh Pola Tidur Terhadap Konsentrasi Dan Performa Akademik Mahasiswa Fakultas Ilmu Tarbiyah Uin Raden Mas Said Surakarta,” J. Ilmu Ekon. Pendidik. dan Tek., vol. 2, pp. 72–77, 2025.
[5] M. A. M. A. Aqil and Z. Fatah, “Analisis Pengelompokan Prestasi Mahasiswa Universitas Malang Menggunakan Metode K-Means Clustering,” JITU J. Inform. Technol. Commun., vol. 8, no. 2, pp. 29–40, 2024, doi: 10.36596/jitu.v8i2.1704.
[6] W. Chang et al., “Analysis of university students’ behavior based on a fusion K-means clustering algorithm,” Appl. Sci., vol. 10, no. 18, 2020, doi: 10.3390/APP10186566.
[7] Satrio Junaidi, R. Valicia Anggela, and D. Kariman, “Klasifikasi Metode Data Mining untuk Prediksi Kelulusan Tepat Waktu Mahasiswa dengan Algoritma Naïve Bayes, Random Forest, Support Vector Machine (SVM) dan Artificial Neural Nerwork (ANN),” J. Appl. Comput. Sci. Technol., vol. 5, no. 1, pp. 109–119, 2024, doi: 10.52158/jacost.v5i1.489.
[8] R. S. D. Puspita, “Classification Of Outstanding Students Using Support Vector Machine (SVM) Based on Data Mining,” Classif. Outst. Students Using Support Vector Mach. Based Data Min., vol. 7, no. 1, pp. 102–111, 2023, doi: 10.31289/jite.v9i1.13191.
[9] F. O. W. E. R. Megawati, “Jurnal Kesehatan Masyarakat Indonesia Jurnal Kesehatan Masyarakat Indonesia,” vol. 1, no. 18, pp. 46–53, 2025.
[10] M. Haryanto, A. C. Sidauruk, Y. B. Hendy, J. A. Sabailaket, D. R. Purba, and E. R. Handoyo, “Pengaruh Penggunaan Aplikasi TikTok terhadap Produktivitas Belajar Mahasiswa di Yogyakarta,” KONSTELASI Konvergensi Teknol. dan Sist. Inf., vol. 3, no. 2, pp. 330–341, 2023, doi: 10.24002/konstelasi.v3i2.7213.
[11] S. Wulandari and R. Pranata, “Deskripsi Kualitas Tidur dan Pengaruhnya terhadap Konsentrasi Belajar Mahasiswa,” J. Pendidik. Kesehat. Rekreasi, vol. 10, no. 1, pp. 101–108, 2024, doi: 10.59672/jpkr.v10i1.3414.
[12] S. Suraya, M. Sholeh, and D. Andayati, “Penerapan Metode Clustering Dengan Algoritma K-Means Pada Pengelompokan Indeks Prestasi Akademik Mahasiswa,” Skanika, vol. 6, no. 1, pp. 51–60, 2023, doi: 10.36080/skanika.v6i1.2982.
[13] L. R. Pelima, Y. Sukmana, and Y. Rosmansyah, “Predicting University Student Graduation Using Academic Performance and Machine Learning: A Systematic Literature Review,” IEEE Access, vol. 12, no. January, pp. 23451–23465, 2024, doi: 10.1109/ACCESS.2024.3361479.
[14] B. Albreiki, N. Zaki, and H. Alashwal, “A systematic literature review of student’ performance prediction using machine learning techniques,” Educ. Sci., vol. 11, no. 9, 2021, doi: 10.3390/educsci11090552.
[15] Y. Lu, S. Yeom, J. Maktoubian, M. M. Rahman, and S. H. Kim, “Improve Student Risk Prediction with Clustering Techniques: A Systematic Review in Education Data Mining,” Educ. Sci., vol. 15, no. 12, pp. 1–38, 2025, doi: 10.3390/educsci15121695.
[16] J.-J. Liu, Y. Yang, and F.-H. Qu, “Academic Early Warning Model Based on Improved Global K-means Algorithm,” J. Comput., vol. 36, no. 2, pp. 105–118, 2025, doi: 10.63367/199115992025043602008.
[17] A. G. R. Sandeepa and S. Mohottala, “Evaluation of Machine Learning Models in Student Academic Performance Prediction,” 2025 5th Int. Conf. Adv. Res. Comput. Converging Horizons Uniting Discip. Comput. Res. through AI Innov. ICARC 2025 - Proc., 2025, doi: 10.1109/ICARC64760.2025.10963104.
[18] L. H. Alamri, R. S. Almuslim, M. S. Alotibi, D. K. Alkadi, I. Ullah Khan, and N. Aslam, “Predicting Student Academic Performance using Support Vector Machine and Random Forest,” ACM Int. Conf. Proceeding Ser., vol. PartF16898, no. January, pp. 100–107, 2020, doi: 10.1145/3446590.3446607.
[19] B. Sutara, F. Vulture, and R. Novianti, “Application of K-Means algorithm with CRISP-DM method in student data analysis as a support for promotion strategy SIDE: Scientifict Development Journal,” SIDE Sci. Dev. J., vol. 1, no. 1, p. 7, 2024, [Online]. Available: https://ojs.arbain.co.id/index.php/side/index
[20] M Riski Qisthiano, “Klasifikasi Terhadap Prediksi Kelulusan Mahasiswa Dengan Menggunakan Metode Support Vector Machine (Svm),” Semin. Nas. Teknol. dan Multidisiplin Ilmu, vol. 2, no. 2, pp. 203–207, 2022, doi: 10.51903/semnastekmu.v2i1.170.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Journal of Information System Management (JOISM)
This work is licensed under a Creative Commons Attribution 4.0 International License.
