Identifikasi Kecanduan Gadget pada Remaja Menggunakan Metode K-Nearest Neighabor

Abstract

Penelitian ini bertujuan untuk mengidentifikasi tingkat kecanduan gadget pada remaja di SMKN 1 Larantuka dengan menerapkan metode Machine Learning K-Nearest Neighbor (K-NN). Latar belakang penelitian ini didasari oleh meningkatnya intensitas penggunaan gadget di kalangan pelajar, yang berdampak signifikan terhadap penurunan prestasi akademik, perubahan perilaku sosial, gangguan pola tidur, hingga menurunnya kedisiplinan siswa dalam menjalani aktivitas sekolah. Data penelitian dikumpulkan melalui penyebaran kuesioner kepada siswa, yang terdiri dari 35 butir pernyataan yang menggambarkan pola penggunaan gadget serta dampaknya terhadap keseharian siswa. Setiap respon dianalisis dan diberikan skor untuk kemudian dilabeli menggunakan metode threshold berdasarkan nilai rata-rata, yang membagi data ke dalam dua kategori, yaitu “Tinggi” dan “Rendah”. Data selanjutnya dinormalisasi menggunakan Min-Max Scaler agar nilai fitur berada pada rentang yang sama. Proses pelatihan model dilakukan menggunakan algoritma K-NN, dengan pencarian parameter terbaik menggunakan GridSearchCV dan validasi silang 5-fold untuk meningkatkan keandalan hasil. Hasil pemodelan menunjukkan bahwa nilai k terbaik adalah 7, dengan rata-rata akurasi validasi sebesar 93%. Saat diuji menggunakan data uji, model menghasilkan akurasi sebesar 74%, dengan precision 0.80 untuk kelas “Rendah” dan 0.70 untuk kelas “Tinggi”. Confusion matrix menunjukkan tingkat keberhasilan model sebesar 74% dan tingkat kesalahan 26%. Hasil ini mengindikasikan bahwa model cukup mampu mengidentifikasi kecenderungan kecanduan gadget pada remaja, namun masih terdapat peluang untuk peningkatan akurasi melalui optimasi fitur maupun eksplorasi metode klasifikasi lainnya di masa mendatang.