Dea Sillviari, Ni Putu (2025) Identifikasi Kecemasan Siswa SMK Melalui Analisis Catatan Riwayat Hidup Menggunakan Multi-class Support Vector Machine. Masters thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2329101035-COVER.pdf Download (1MB) |
|
Text (ABSTRAK)
2329101035-ABSTRAK.pdf Download (292kB) |
|
Text (BAB 1 PENDAHULUAN)
2329101035-BAB 1 PENDAHULUAN.pdf Download (309kB) |
|
Text (BAB 2 KAJIAN PUSTAKA)
2329101035-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (511kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2329101035-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (439kB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2329101035-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (736kB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2329101035-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (286kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2329101035-DAFTAR PUSTAKA.pdf Download (257kB) |
|
Text (LAMPIRAN)
2329101035-LAMPIRAN.pdf Download (1MB) |
Abstract
Kecemasan merupakan salah satu gangguan psikologis yang sering dialami oleh siswa Sekolah Menengah Kejuruan (SMK) akibat tekanan akademik, tuntutan praktik kejuruan, dan ketidakpastian masa depan. Penelitian ini bertujuan untuk mengidentifikasi tingkat kecemasan siswa SMK melalui analisis catatan riwayat hidup yang diperoleh dari data percakapan dalam WhatsApp. Metode yang digunakan adalah klasifikasi Multi-class Support Vector Machine (SVM) dengan dua jenis kernel, yaitu Radial Basis Function (RBF) dan Sigmoid. Data dikumpulkan selama bulan Januari hingga Februari 2025, terdiri dari 1.476 kalimat yang telah melalui proses pre-processing seperti pembersihan teks dan normalisasi. Data kemudian dilabeli berdasarkan lima kategori kecemasan sesuai skala DASS– 42, yaitu normal, ringan, sedang, parah, dan sangat parah. Representasi fitur dilakukan menggunakan vektor TF-IDF, dan model dikembangkan dengan pendekatan One-vs-Rest (OvR). Proses tuning hyperparameter menggunakan GridSearchCV dengan validasi silang. Hasil evaluasi menunjukkan bahwa kernel RBF menghasilkan akurasi sebesar 81,08% dan macro average F1-score sebesar 0,7789, sedangkan kernel Sigmoid menunjukkan akurasi sedikit lebih tinggi yaitu 81,42% dengan macro average F1-score sebesar 0,7914. Kernel Sigmoid juga lebih stabil dalam mengenali kelas minoritas. Temuan ini membuktikan bahwa metode Multi-class SVM efektif digunakan dalam mengklasifikasikan tingkat kecemasan siswa berbasis teks naratif. Penelitian ini diharapkan dapat mendukung upaya deteksi dini kecemasan dan pengembangan layanan bimbingan konseling berbasis data di lingkungan pendidikan kejuruan.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | identifikasi, kecemasan, siswa SMK, multi-class support vector machine. |
| Subjects: | Q Science > QP Physiology T Technology > TN Mining engineering. Metallurgy |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | Ni Putu Dea Sillviari |
| Date Deposited: | 10 Jul 2025 06:46 |
| Last Modified: | 10 Jul 2025 06:46 |
| URI: | http://repo.undiksha.ac.id/id/eprint/25387 |
Actions (login required)
 |
View Item |