Perbandingan Akurasi Model Pembelajaran Mesin SVM, KNN, Decision Tree, dan Naive Bayes pada Klasifikasi Gangguan Kesehatan Mental

Abstract

Gangguan kesehatan mental merupakan masalah yang terus meningkat di seluruh dunia, dengan kebutuhan mendesak akan diagnosis dini dan akurat. Pembelajaran mesin telah digunakan secara luas untuk mendukung proses diagnosis berbasis data. Penelitian ini membandingkan performa akurasi empat model pembelajaran mesin, yaitu Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Decision Tree (DT), dan Naive Bayes (NB) dalam mengklasifikasikan gangguan kesehatan mental menggunakan dataset yang terdiri dari 17 fitur gejala dan satu label target dengan empat kelas diagnosis. Evaluasi dilakukan menggunakan metrik akurasi pada test-set (86,67%) dan 4-fold cross validation (80.83%). Hasil menunjukkan bahwa model Decision Tree unggul dengan akurasi tertinggi, baik pada test-set maupun 4-fold cross validation, mengindikasikan kemampuannya dalam menangani data heterogen dan memberikan interpretasi yang jelas. Penelitian ini memberikan wawasan tentang model pembelajaran mesin yang paling efektif untuk diterapkan dalam sistem diagnosis berbasis data di bidang kesehatan mental, yang berpotensi meningkatkan deteksi dini dan pengambilan keputusan klinis.

Kata kunci Akurasi, Cross Validation, Decision Tree, KNN, Naive Bayes, SVM.