Sistem Klasifikasi Tingkat Stres Mahasiswa Tingkat Akhir Berbasis Web Menggunakan Support Vector Machine

Article Sidebar

PDF
Published: Jun 3, 2026
DOI: https://doi.org/10.34128/jsi.v12i1.1877
Keywords:
Mahasiswa Tingkat Akhir, Machine Learning, Klasifikasi Stres, SVM, Website

Main Article Content

Megawati Megawati
STMIK Palangkaraya
Maura Widyaningsih
STMIK Palangkaraya
Abdul Hadi
STMIK Palangkaraya
Esty Aryani Safithry
Universitas Muhammadiyah Palangkaraya

Abstract

Tekanan selama penyusunan tugas akhir, keterbatasan waktu, serta tuntutan kelulusan menjadi pemicu utama stres akademik yang rentan dialami mahasiswa tingkat akhir. Apabila tidak ditangani dengan baik, kondisi ini dapat memengaruhi kesehatan mental dan performa akademik. Guna memberikan solusi deteksi dini, penelitian ini mengembangkan sistem klasifikasi tingkat stres berbasis web menggunakan algoritma SVM. Data penelitian diperoleh dari 65 mahasiswa tingkat akhir STMIK Palangkaraya melalui kuesioner dengan instrumen PSS-10. Data yang terkumpul kemudian melalui tahapan prapemrosesan, pelabelan, dan normalisasi sebelum digunakan dalam proses pemodelan SVM dengan beberapa variasi kernel, yakni linear, polynomial, RBF, dan sigmoid. Penyetelan hyperparameter dilakukan menggunakan GridSearchCV dengan pendekatan cross-validation. Hasil pengujian menunjukkan bahwa SVM dengan kernel polynomial menghasilkan kinerja paling optimal, ditunjukkan oleh nilai macro F1-score sebesar 0,914 serta tingkat akurasi 92,31% pada data uji. Temuan ini mengindikasikan bahwa model mampu mengidentifikasi tingkat stres mahasiswa secara tepat dan konsisten. Penerapan sistem dalam bentuk aplikasi web memungkinkan proses pengukuran stres dilakukan secara praktis dan efisien, serta berpotensi menjadi sarana awal dalam mendukung evaluasi stres akademik mahasiswa.

Article Details

How to Cite
[1]
M. Megawati, M. Widyaningsih, A. Hadi, and E. A. Safithry, “Sistem Klasifikasi Tingkat Stres Mahasiswa Tingkat Akhir Berbasis Web Menggunakan Support Vector Machine”, JSI, vol. 12, no. 1, pp. 21–30, Jun. 2026.
Issue
Vol. 12 No. 1 (2026): Jurnal Sains dan Informatika
Section
Articles
Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Author Biographies

Megawati Megawati, STMIK Palangkaraya

Penulis merupakan mahasiswa aktif Program Studi Teknik Informatika di STMIK Palangkaraya. Saat ini sedang menempuh semester akhir dan mendalami bidang Sistem Cerdas dengan minat penelitian pada machine learning dan pengolahan data.

Maura Widyaningsih, STMIK Palangkaraya

Penulis merupakan Dosen STMIK Palangkaraya Prodi Teknik Informatika. S1 (2000) lulusan Universitas Dian Nuswantoro, Semarang, Indonesia. S2 (2014) dan S3 (2024) dari Prodi Ilmu Komputer, Fakultas MIPA, Universitas Gadjah Mada, Yogyakarta, Indonesia. Bidang keilmuan adalah di Artificial Intelegence dan Image Processing. Fokus pengembangan Kehutanan, Agriculture, Pangan dan Psikologi.

Abdul Hadi, STMIK Palangkaraya

Penulis merupakan Dosen STMIK Palangkaraya pada Program Studi Teknik Informatika. Pendidikan Sarjana (S1) ditempuh pada Program Studi Teknik Informatika, Universitas Ahmad Dahlan (UAD), Yogyakarta, Indonesia, dan lulus pada tahun 2011. Pendidikan Magister (S2) diselesaikan pada Program Magister Teknik Informatika, Universitas Ahmad Dahlan (UAD), Yogyakarta, Indonesia, pada tahun 2021. Gelar Profesi Insinyur (Ir.) diperoleh pada tahun 2024. Bidang keilmuan yang ditekuni meliputi Network Computing, Cloud Computing, Network Security, dan Digital Forensics, dengan fokus pada pengembangan infrastruktur jaringan, keamanan sistem, serta forensik digital.

Esty Aryani Safithry, Universitas Muhammadiyah Palangkaraya

Penulis merupakan Dosen pada Fakultas Psikologi Universitas Muhammadiyah Palangkaraya. Penulis menyelesaikan pendidikan Sarjana (S1) di Fakultas Psikologi Universitas Muhammadiyah Malang, kemudian melanjutkan studi Magister dan Program Profesi Psikologi (S2 Profesi Psikolog) di Universitas Muhammadiyah Malang. Saat ini, penulis telah menyelesaikan pendidikan Doktor (S3) pada Program Studi Psikologi Pendidikan di Universitas Negeri Malang. Bidang keilmuan yang menjadi fokus pengembangan akademik dan penelitian meliputi Psikologi Klinis dan Psikologi Pendidikan, dengan minat khusus pada intervensi berbasis kognitif-perilaku, penguatan ketahanan individu dan keluarga, serta pengembangan pendekatan psikologi yang terintegrasi dengan nilai-nilai kearifan lokal. Selain aktif dalam kegiatan pengajaran, penulis juga terlibat dalam penelitian, pengabdian kepada masyarakat, serta praktik profesional sebagai psikolog.

References

[1] E. Sitepu, J. Tampubolon, S. Manulang, and S. N. Amalia, “Analisis faktor-faktor yang berhubungan dengan kejadian stres pada mahasiswa tingkat akhir S1 Matematika di Universitas Negeri Medan,” Statistika, vol. 24, no. 1, pp. 93–101, 2024, doi: 10.29313/Statistika.V24i1.3257.

[2] I. A. Nurcholis, W. Safitri, and F. Alfiani, “Academic stress scale on final year English students when writing thesis during pandemic COVID-19 at Universitas Muhammadiyah Bengkulu,” J. Eduscience, vol. 10, vo. 1, pp. 75–86, Apr. 2023, doi: 10.36987/Jes.V10i1.3940.

[3] W. R. Silviani, H. Hastuti, and W. N. Fida, “Hubungan komunikasi interpersonal dosen pembimbing mahasiswa terhadap tekanan psikologis dalam menyusun skripsi,” J. Ilm. Komun. Jikom Stikom Ima, vol. 15, no. 01, p. 40, Mar. 2023, doi: 10.38041/Jikom1.V15i01.243.

[4] E. M. Ladapase and A. Sona, “Gambaran stres akademik pada mahasiswa Universitas Nusa Nipa Indonesia di Maumere,” Empower. J. Mhs. Psikol. Univ. Buana Perjuangan Karawang, vol. 2, no. 2, pp. 42–47, Jan. 2023, doi: 10.36805/Empowerment.V2i2.664.

[5] M. Widyaningsih, R. Rosmiati, and P. I. Prakoso, “Predicting anxiety of STMIK Palangkaraya students using K-means clustering and Gaussian naïve Bayes,” J. Tek. Inform. Jutif, vol. 7, no. 1, pp. 169–184, Feb. 2026, doi: 10.52436/1.Jutif.2026.7.1.5259.

[6] P. Jayadurga and P. Aruna, “Analyzing the impact of sleep trait in the detection and prediction of stress through machine learning,” Ymer Digit., Vol. 21, No. 07, Pp. 382–400, Jul. 2022, Doi: 10.37896/Ymer21.07/30.

[7] R. V. Anand, A. Q. Md, S. Urooj, S. Mohan, M. A. Alawad, and A. C., “Enhancing diagnostic decision-making: Ensemble learning techniques for reliable stress level classification,” Diagnostics, vol. 13, no. 22, p. 3455, Nov. 2023, doi: 10.3390/Diagnostics13223455.

[8] N. A. M. Samsudin, S. M. Shaharudin, N. A. F. Sulaiman, M. F. M. Fuad, M. F. Zulfikri, and N. H. Zainuddin, “Modeling student’s academic performance during COVID-19 based on classification in support vector machine,” Turk. J. Comput. Math. Educ. Turcomat, vol. 12, no. 5, pp. 1798–1804, Apr. 2021, doi: 10.17762/Turcomat.V12i5.2190.

[9] A. Asram, S. Riskiyani, and R. M. Thaha, “Validity and reliability of the Indonesian version of the perceived stress scale (PSS) and self-reporting questionnaire (SRQ) questionnaire: study of stress levels and mental health conditions in master students of the faculty of public health,” Int. J. Chem. Biochem. Sci., vol. 25, no. 19, Jul. 2024, doi: 10.62877/84-Ijcbs-24-25-19-84.

[10] P. O. Garriott and S. Nisle, “Stress, coping, and perceived academic goal progress in first-generation college students: the role of institutional supports.,” J. Divers. High. Educ., vol. 11, no. 4, pp. 436–450, Dec. 2018, doi: 10.1037/Dhe0000068.

[11] S. Cohen, T. Kamarck, and R. Mermelstein, “A global measure of perceived stress,” J. Health Soc. Behav., Vol. 24, No. 4, Pp. 385–396, 1983, Doi: 10.2307/2136404.

[12] A. H. Suasapha, “Skala likert untuk penelitian pariwisata; beberapa catatan untuk menyusunnya dengan baik,” J. Kepariwisataan, vol. 19, no. 1, pp. 26–37, Mar. 2020, doi: 10.52352/Jpar.V19i1.407.

[13] N. M. T. O. Adriana, I. M. A. D. Suarjaya, and D. P. Githa, “Analisis sentimen publik terhadap aksi demonstrasi di Indonesia menggunakan support vector machine dan random forest,” Decode J. Pendidik. Teknol. Inf., vol. 3, no. 2, pp. 257–267, Jun. 2023, doi: 10.51454/Decode.V3i2.187.

[14] H. D. Kartika, G. E. Hayatulah, and A. Khumaidi, “Comparison of kernel support vector machine in predicting judges’ decisions at the Bekasi district court,” J. Ilm. Merpati Menara Penelit. Akad. Teknol. Inf., vol. 10, no. 3, p. 145, Dec. 2022, doi: 10.24843/Jim.2022.V10.I03.P03.

[15] I. S. Al-Mejibli, J. K. Alwan, and D. H. Abd, “The effect of gamma value on support vector machine performance with different kernels,” Int. J. Electr. Comput. Eng. Ijece, vol. 10, no. 5, p. 5497, Oct. 2020, doi: 10.11591/Ijece.V10i5.Pp5497-5506.