Analisis Komparatif KNN dan SVR dengan Optimasi Parameter untuk Prediksi Produktivitas Siswa Berbasis Distraksi Digital
DOI:
https://doi.org/10.52436/1.jpti.1693Kata Kunci:
distraksi digital, KNN, produktivitas, SVRAbstrak
Distraksi digital seperti penggunaan ponsel, media sosial, YouTube, dan gim daring terbukti berdampak negatif terhadap produktivitas siswa, namun studi komparatif berbasis machine learning yang secara spesifik membandingkan kemampuan prediksi KNN Regressor dan Support Vector Regression (SVR) menggunakan variabel distraksi digital sebagai prediktor tunggal belum pernah dilakukan, sehingga belum diketahui algoritma mana yang lebih optimal untuk kasus prediksi skor produktivitas yang bersifat kontinu. Penelitian ini bertujuan membandingkan performa KNN Regressor dan SVR dengan optimasi parameter menggunakan Grid Search Cross-validation untuk memprediksi productivity_score siswa berdasarkan empat variabel distraksi digital, serta mengidentifikasi algoritma yang menghasilkan prediksi paling akurat berdasarkan metrik MAE, RMSE, dan R². Dataset bersumber dari Kaggle yang memuat 20.000 data siswa diproses menggunakan Python dengan library Scikit-learn, dinormalisasi melalui Min-Max Scaling, dibagi dengan proporsi 80:20, dan dioptimasi melalui 5-Fold Cross-validation. Hasil evaluasi menunjukkan SVR dengan kernel linear, C = 1, dan epsilon = 0,5 secara konsisten mengungguli KNN Regressor (k = 15, metric manhattan) pada seluruh metrik dengan MAE 12,4461, RMSE 15,1753, dan R² 0,1060, sedangkan KNN menghasilkan MAE 12,8300, RMSE 15,6960, dan R² 0,0436; keunggulan SVR pada R² mencapai 143% lebih tinggi dibanding KNN. Nilai R² yang rendah (0,1060) menunjukkan keterbatasan model, yang mengindikasikan bahwa variabel distraksi digital yang digunakan belum mampu menjelaskan variasi produktivitas siswa secara menyeluruh.
Unduhan
Referensi
F. Martin, S. Long, K. Haywood, and K. Xie, “Digital distractions in education: a systematic review of research on causes, consequences and prevention strategies,” Educ. Technol. Res. Dev., vol. 73, no. 6, pp. 3423–3451, 2025, doi: 10.1007/s11423-025-10550-6.
B. Göl, U. Özbek, and M. B. Horzum, “Digital distraction levels of university students in emergency remote teaching,” Educ. Inf. Technol., vol. 28, no. 7, pp. 9149–9170, 2023, doi: 10.1007/s10639-022-11570-y.
F. Zike, A. Kamelia, B. M. Lovely, and S. Zulfani, “Analisis Perubahan Motivasi Belajar Siswa Di Tengah Tingginya Penggunaan Smartphone Pendahuluan,” KOLONI J. Multidisiplin Ilmu, vol. 4, no. 4, pp. 39–50, 2025, [Online]. Available: https://www.city.kawasaki.jp/500/page/0000174493.html
Mawarni, D. Aidil Mahendra, N. Kamaly, W. Alqarni, and U. Nisa, “Pengaruh Media Sosial sebagai Pemicu Stres dan Distraksi Akademik?: Studi Kasus pada Mahasiswa di Perguruan Tinggi Aceh,” J. Sos. Hukum, Polit. dan Hum., vol. 1, no. 2, pp. 15–29, 2025.
I. Julfan and Haifaturrahmah, “Dampak Penggunaan Gadget terhadap Konsentrasi Belajar Siswa The Impact of Gadget Use on Students ’ Learning Concentration,” Action Res. J. Indones., vol. 7, no. 4, pp. 3310–3326, 2025, [Online]. Available: https://journal.nahnuinisiatif.com/in dex.php/ARJI Volume
N. G. Saragi, Firman, and Sahiruddin, “TIKTOK SEBAGAI DISTRAKSI, MEMPENGARUHI PRODUKTIVITAS DAN MANAJEMEN WAKTU PADA GENERASI Z,” J. Teknol. dan Sist. Inf. Univrab, vol. 11, no. 1, pp. 1709–1718, 2026.
P. J. Barwick, S. Chen, C. Fu, and T. Li, “Digital Distractions with Peer Influence: The Impact of Mobile App Usage on Academic and Labor Market Outcomes,” Q. J. Econ., vol. 141, no. 1, pp. 1–49, 2026, doi: 10.1093/qje/qjaf048.
M. Á. Pérez-Juárez, D. González-Ortega, and J. M. Aguiar-Pérez, “Digital Distractions from the Point of View of Higher Education Students,” Sustain., vol. 15, no. 7, 2023, doi: 10.3390/su15076044.
R. Raj, “Mental Health and Productivity Among Students,” Int. J. Sci. Res. Eng. Manag., vol. 09, no. 05, pp. 1–9, 2025, doi: 10.55041/ijsrem47745.
R. Wahyusari, “Perbandingan K-Nearest Neighbors (Knn) Dan Support Vector Regression (Svr) Untuk Prediksi Konsumsi Energi Listrik,” Pros. Snast, no. November, pp. G44-50, 2024, doi: 10.34151/prosidingsnast.v1i1.5034.
B. Hamdikatama, K. Kusrini, and A. Setyanto, “Comparison of The Performance of SVR, KNN and Decision Tree Methods in Predicting Rice Production,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 12, no. 1, pp. 90–105, 2025, doi: 10.35957/jatisi.v12i1.10133.
S. A. Amellia Kharis, A. H. Anna Zili, M. Malik, W. Nuryaningrum, and A. Putri, “Comparing machine learning models for Indonesia stock market prediction,” Indones. J. Electr. Eng. Comput. Sci., vol. 38, no. 1, p. 508, 2025, doi: 10.11591/ijeecs.v38.i1.pp508-516.
M. Ghosh and R. Gor, “Stock Price Prediction Using Support Vector Regression and K-Nearest Neighbors: a Comparison,” Int. J. Eng. Sci. Technol., vol. 6, no. 4, pp. 1–9, 2022, doi: 10.29121/ijoest.v6.i4.2022.354.
N. A. I. Lestari, Erwin Hermawan, Sahid Agustian Hudjimartsu, Arif K Wijayanto, Ahmad Junaedi, and Miftahul B.R. Khamid, “Analisis Produktivitas Padi Menggunakan UAV Multispektral Dan Support Vector Regression Dengan Optimasi Grid Search Di Balumbang Jaya, Bogor Barat,” J. Geogr. Edukasi dan Lingkung., vol. 9, no. 2, pp. 180–193, 2025, doi: 10.22236/jgel.v9i2.17257.
X. Su, X. He, G. Zhang, Y. Chen, and K. Li, “Research on SVR Water Quality Prediction Model Based on Improved Sparrow Search Algorithm,” Comput. Intell. Neurosci., vol. 2022, 2022, doi: 10.1155/2022/7327072.
Y. Karsavran, “Comparison of Random Forest, SVR and KNN Based Models in Sea Level Prediction for Erdemli Coast of Mersin,” Celal Bayar Üniversitesi Fen Bilim. Derg., vol. 20, no. 2, pp. 14–18, 2024, doi: 10.18466/cbayarfbe.1384547.
R. S. Daulay, “Analisis Kritis dan Pengembangan Algoritma K-Nearest Neighbor (KNN): Sebuah Tinjauan Literatur,” J. Pendidik. Sains dan Komput., vol. 4, no. 02, pp. 131–141, 2024, doi: 10.47709/jpsk.v4i02.5055.
