PENERAPAN ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI KECEMASAN SOSIAL PADA MAHASISWA DENGAN PENDEKATAN SOCIAL PHOBIA INVENTORY

Gangguan kecemasan sosial atau Social Anxiety Disorder (SAD) merupakan salah satu masalah kesehatan mental yang umum dialami oleh mahasiswa, yang dapat berdampak negatif pada prestasi akademik dan interaksi sosial. Identifikasi dini diperlukan namun sering terkendala oleh kurangnya literasi mental dan metode skrining yang efisien. Penelitian ini bertujuan untuk mengklasifikasikan tingkat kecemasan sosial mahasiswa menggunakan algoritma Machine Learning, yaitu Random Forest (RF) dan Support Vector Machine (SVM), dengan pendekatan instrumen Social Phobia Inventory (SPIN). Dataset terdiri dari 344 responden mahasiswa Fakultas Sains dan Teknologi UIN Sultan Syarif Kasim Riau. Penelitian ini menerapkan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan kelas dan Sequential Forward Selection (SFS) untuk seleksi fitur. Hasil pengujian menunjukkan bahwa algoritma SVM dengan penerapan SMOTE tanpa seleksi fitur menghasilkan kinerja terbaik dengan akurasi sebesar 88%, lebih unggul dibandingkan Random Forest yang mencapai akurasi tertinggi 84% pada skenario tanpa SMOTE dan SFS. Penerapan SMOTE terbukti efektif meningkatkan kemampuan model dalam mengenali kategori minoritas seperti "Berat" dan "Sangat Berat". Penelitian ini menyimpulkan bahwa SVM dengan penanganan ketidakseimbangan data merupakan metode yang efektif untuk deteksi dini kecemasan sosial pada mahasiswa.