KLASIFIKASI DAMPAK KECANDUAN MEDIA SOSIAL MAHASISWA DENGAN SVM DAN K-MEANS

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.