Analisis Performa Support Vector Machine (SVM) dengan Hyperparameter Tuning untuk Klasifikasi Data Stress Monitoring Siswa

Abstract

Stres merupakan salah satu isu penting dalam kesehatan mental siswa yang berdampak pada prestasi akademik. Deteksi stres berbasis machine learning dapat menjadi solusi efektif untuk monitoring kondisi psikologis secara otomatis. Penelitian ini menganalisis performa algoritma Support Vector Machine (SVM) dalam klasifikasi tingkat stres siswa menggunakan dataset publik. Dua pendekatan dibandingkan, yaitu model baseline SVM dengan kernel linear dan model hasil hyperparameter tuning melalui GridSearchCV. Evaluasi dilakukan dengan metrik akurasi, presisi, recall, F1-score, confusion matrix, serta uji statistik McNemar. Hasil menunjukkan bahwa kedua model menghasilkan performa identik dengan akurasi 84,54% dan macro F1-score 0,85. Confusion matrix juga memperlihatkan distribusi prediksi yang sama, meskipun uji McNemar menunjukkan perbedaan signifikan (p < 0,05). Temuan ini menegaskan bahwa hyperparameter tuning tidak selalu memberikan peningkatan performa, terutama ketika data bersifat hampir linear separable. Implikasi penelitian ini menyoroti pentingnya analisis mendalam dalam pemilihan strategi tuning, sekaligus membuka peluang pemanfaatan model SVM sebagai backend aplikasi monitoring stres siswa berbasis mobile.