OPTIMALISASI METODE ARTIFICIAL NEURAL NETWORK (ANN) UNTUK KLASIFIKASI TINGKAT STRES MAHASISWA

OPTIMIZATION OF ARTIFICIAL NEURAL NETWORK (ANN) METHOD FOR CLASSIFICATION OF STUDENT STRESS LEVELS

Beratnya berbagai tuntutan yang dihadapi mahasiswa membuat mereka kerap mengalami gejala stres. Gejala stres yang terus menerus dapat memperburuk keadaan psikis dan fisik mahasiswa. Namun, gejala stres tidak dapat ditangani secara sembarangan. Perlu adanya penanganan gejala stres yang tepat yang disesuaikan dengan tingkat stres yang dialami. Oleh karena itu, melalui penelitian ini, akan dibahas bagaimana cara mengklasifikasikan tingkat stres mahasiswa menggunakan teknologi Artificial Neural Network (ANN). Dalam penelitian ini, ANN dioptimalisasi dengan melakukan pengujian terhadap empat optimizer, yaitu Ranger, Adam, RMSProp, dan AdaGrad dengan berbagai variasi hyperparameter dan percobaan dengan dan tanpa oversampling SMOTE-N. Setelah dilakukan 227 kali pengujian, didapatkan hasil bahwa Adam dengan SMOTE-N lebih unggul dibanding optimizer lain dengan akurasi sebesar 97%. Hasil penelitian ini dapat digunakan untuk pengembangan sistem yang dapat mengatasi masalah stres di masa depan.

Kata kunci : klasifikasi, stres, mahasiswa, SMOTE-N, ANN

The severity of various challenges faced by students often leads them to experience symptoms of stress. Continuous stress symptoms can worsen the psychological and physical condition of students. However, stress symptoms cannot be handled arbitrarily. There is a need for appropriate handling of stress symptoms tailored to the level of stress experienced. Therefore, through this research, we will discuss how to classify the levels of student stress using Artificial Neural Network (ANN) technology. In this study, ANN was optimized by conducting experiments with four optimizers, namely Ranger, Adam, RMSProp, and AdaGrad, with various combinations of hyperparameter variations and experiments with and without SMOTE-N oversampling. After conducting 227 tests, the results showed that Adam with SMOTE-N outperformed other optimizers with an accuracy of 97%. The findings of this research can be utilized for the development of systems that can address the challenges of stress in the future.

Keywords: classification, stress, student, SMOTE-N, ANN