KOMPARASI METODE SUPPORT VECTOR MACHINE (SVM ) DAN C4.5 DALAM KLASIFIKASI STRES LEVEL MAHASISWA DENGAN BACKWARD ELIMINATION

Kesehatan mental mahasiswa merupakan isu penting yang perlu mendapat perhatian, khususnya terkait tingkat stres selama menjalani proses akademik. Penelitian ini bertujuan untuk mengkomparasi performa dua algoritma klasifikasi, yaitu Support Vector Machine (SVM ) dan C4.5, dalam mendeteksi tingkat stres mahasiswa. Dataset yang digunakan diperoleh dari platform Kaggle, terdiri dari 1.100 data mahasiswa dengan 20 atribut penyebab stres. Data ini lalu diproses melalui teknik normalisasi MinMax Scaling dan seleksi fitur menggunakan metode Backward Elimination.
Stres diklasifikasikan ke dalam tiga kategori yaitu ringan, sedang, dan berat. Hasil evaluasi performa model berdasarkan metrik akurasi, presisi, recall, dan F1-score menunjukkan bahwa metode SVM memiliki kinerja yang lebih baik dibandingkan C4.5, dengan akurasi masing-masing sebesar 91% dan 90%. Penelitian ini membuktikan bahwa metode SVM lebih optimal dalam mengklasifikasikan tingkat stres mahasiswa dan menunjukkan potensi teknologi machine learning untuk deteksi dini stres. Dengan demikian, hasil penelitian ini dapat menjadi dasar pengembangan sistem pendukung pengambilan keputusan untuk upaya pencegahan masalah kesehatan mental pada mahasiswa.