Efektivitas Teknik SMOTE Dalam Meningkatkan Performa Naïve Bayes Deteksi Gangguan Kecemasan Mahasiswa

Abstract

Gangguan kecemasan merupakan salah satu masalah psikologis yang sering dialami mahasiswa dan dapat memengaruhi kualitas hidup serta prestasi akademik. Deteksi dini terhadap gangguan ini sangat penting untuk memberikan penanganan yang tepat. Penelitian ini bertujuan untuk membandingkan efektivitas algoritma Naïve Bayes dalam mengklasifikasikan gangguan kecemasan mahasiswa, dengan dan tanpa menggunakan metode Synthetic Minority Oversampling Technique (SMOTE) untuk mengatasi ketidakseimbangan data. Dataset yang digunakan diperoleh dari platform Kaggle dan telah melalui tahapan preprocessing seperti data cleaning, transformation, serta handling data imbalance. Model dievaluasi menggunakan metrik accuracy, precision, recall, dan f1-score. Hasil pengujian menunjukkan bahwa penerapan SMOTE mampu meningkatkan performa klasifikasi terhadap kelas minoritas, meskipun terdapat sedikit penurunan nilai akurasi secara keseluruhan. Dengan demikian, SMOTE terbukti membantu meningkatkan pemerataan hasil klasifikasi pada model Naïve Bayes dalam konteks data tidak seimbang.