Prediksi Perilaku Agresif Anak Berbasis Machine Learning
Keywords:
machine learning, klasifikasi, prediksi, deteksi diniAbstract
Perilaku agresif pada anak merupakan masalah serius yang dapat mengganggu perkembangan sosial, emosional, dan akademik. Deteksi dini dan intervensi yang tepat sangat penting untuk mencegah dampak negatif jangka panjang. Penelitian ini bertujuan melakukan prediksi agresif anak berbasis machine learning untuk mendeteksi perilaku agresif pada anak usia sekolah dasar hingga menengah atas. data observasi 200 orang guru di Provinsi Gorontalo, yang dikumpulkan melalui kuesioner online yang mengukur berbagai indikator perilaku agresif seperti fisik, verbal, relasional, dan kerusakan properti, digunakan sebagai dasar pengembangan model. Instrumen penelitian telah divalidasi dengan uji validitas isi oleh praktisi kesehatan mental dan uji reliabilitas menggunakan Cronbach's alpha dengan nilai koefisien 0.7. Tiga metode seleksi fitur, yaitu Korelasi Pearson, Chi-Square, dan Information Gain, diaplikasikan untuk memilih variabel independen yang paling relevan dalam memprediksi perilaku agresif anak. Dari 14 variabel independen yang diukur melalui kuesioner, terdapat 12 fitur terpilih sebagai prediktor. Fitur-fitur ini merepresentasikan indikator perilaku agresif yang diamati oleh para guru pada siswa-siswa mereka, meliputi perubahan emosi, perilaku menyendiri, kesulitan tidur, penurunan prestasi akademik, dan perilaku berisiko.Dua algoritma machine learning, Random Forest dan Support Vector Machine (SVM), diimplementasikan dan dievaluasi kinerjanya menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model Random Forest mencapai akurasi 90%, mengungguli SVM (85%). Analisis prediksi yang dikembangkan memiliki potensi untuk diimplementasikan dalam bentuk aplikasi yang dapat digunakan oleh guru dan orang tua untuk melakukan deteksi dini perilaku agresif pada anak, sehingga memungkinkan intervensi yang tepat dan pencegahan dampak negatif jangka panjang.
Downloads
References
Kadek Aditya Ananta Wisnu Wardana, & Rahim, A. M. A. (2024). Analisis Perbandingan Algoritma Xgboost Dan Algoritma Random Forest Untuk Klasifikasi Data Kesehatan Mental. Https://Www.Kaggle.Com/Datasets/Bhavikjikadara/Mental-Health-Dataset
Andriansyah, D.-, & Eka Wulansari Fridayanthie. (2023). Optimization Of Support Vector Machine and Xgboost Methods Using Feature Selection to Improve Classification Performance. Journal Of Informatics and Telecommunication Engineering, 6(2), 484–493. Https://Doi.Org/10.31289/Jite.V6i2.8373
Ausrianti, R., Putri Andayani, R., Mercubaktijaya, Stik., & Diii Keperawatan, P. (2022). Hubungan Kekerasan Emosional Dengan Perilaku Agresif Pada Anak Usia Sekolah. Http://Jurnal.Mercubaktijaya.Ac.Id/Index.Php/Mercusuar
Bellotti, T., Nouretdinov, I., Yang, M., & Gammerman, A. (2014). Feature Selection. Conformal Prediction for Reliable Machine Learning: Theory, Adaptations and Applications, 115–130. Https://Doi.Org/10.1016/B978-0-12-398537-8.00006-7
Budiman, S., Sunyoto, A., & Nasiri, A. (2021). Analisa Performa Penggunaan Feature Selection untuk Mendeteksi Intrusion Detection Systems Dengan Algoritma Random Forest Classifier. Http://Sistemasi.Ftik.Unisi.Ac.Id
De Amorim, L. B. V., Cavalcanti, G. D. C., & Cruz, R. M. O. (2022). The Choice of Scaling Technique Matters for Classification Performance. Https://Doi.Org/10.1016/J.Asoc.2022.109924
Fajri, F. N., Tholib, A., & Yuliana, W. (2022). Penerapan Machine Learning Untuk Penentuan Mata Kuliah Pilihan Pada Program Studi Informatika. Jurnal Teknik Informatika Dan Sistem Informasi, 8(3), 485-496–485 – 496. Https://Doi.Org/10.28932/Jutisi.V8i3.3990
Franz, D. J., Richter, T., Lenhard, W., Marx, · Peter, Stein, · Roland, & Ratz, C. (2023a). The Influence of Diagnostic Labels on The Evaluation of Students: A Multilevel Meta-Analysis. 35, 17. Https://Doi.Org/10.1007/S10648-023-09716-6
Franz, D. J., Richter, T., Lenhard, W., Marx, P., Stein, R., & Ratz, C. (2023b). The Influence of Diagnostic Labels On The Evaluation Of Students: A Multilevel Meta-Analysis. Educational Psychology Review, 35(1), 1–41. Https://Doi.Org/10.1007/S10648-023-09716-6/Figures/4
Harahap, R. N., & Muslim, K. (2020). Peningkatan Akurasi Pada Prediksi Kepribadian Mbti Pengguna Twitter Menggunakan Augmentasi Data. Https://Doi.Org/10.25126/Jtiik.202073622
Kwartie, R., Fitriani, Y., & Nuroniah, P. (2024). Peran Guru Dalam Mereduksi Perilaku Agresif Anak Di Sekolah. Murhum : Jurnal Pendidikan Anak Usia Dini, 5(1), 791–805. Https://Doi.Org/10.37985/Murhum.V5i1.664
Lee, K. S., & Ham, B. J. (2022). Machine Learning on Early Diagnosis of Depression. Psychiatry Investigation, 19(8), 597–605. Https://Doi.Org/10.30773/Pi.2022.0075
Lee, K.-S., & Ham, B. (2022). Machine Learning on Early Diagnosis of Depression. Psychiatry Investigation, 19, 597–605. Https://Doi.Org/10.30773/Pi.2022.0075
Novianti, S., Ahmad Tohar, A., Khairi, Z., Studi Magister Psikologi, P., Islam Negeri Sultan Syarif Kasim Riau, U., Pekanbaru, K., & Riau, P. (2024). Peran Pendidik Dalam Mencegah Dan Mengatasi Bullying Pada Anak Usia Dini. 2(2).
Nurafisa, M. D., Lestari, R. F., & Utami, A. (2022). Hubungan Persepsi Pola Asuh Orang Tua Terhadap Perilaku Agresif Pada Remaja. Jurnal Keperawatan Hang Tuah (Hang Tuah Nursing Journal), 2(1), 39–48. Https://Doi.Org/10.25311/Jkh.Vol2.Iss1.537
Park, C., Rouzi, M. D., Atique, M. M. U., Finco, M. G., Mishra, R. K., Barba-Villalobos, G., Crossman, E., Amushie, C., Nguyen, J., Calarge, C., & Najafi, B. (2023). Machine Learning-Based Aggression Detection in Children with Adhd Using Sensor-Based Physical Activity Monitoring. Sensors, 23(10). Https://Doi.Org/10.3390/S23104949
Reni Setiawati, O., & Gunado, A. (2019). Perilaku Agresif Pada Siswa Smp Yang Bermain Game Online. In Maret (Vol. 1, Issue 1).
Rizvi, S. T. H., Latif, M. Y., Amin, M. S., Telmoudi, A. J., & Shah, N. A. (2023). Analysis of Machine Learning Based Imputation of Missing Data. Cybernetics And Systems. Https://Doi.Org/10.1080/01969722.2023.2247257
Tur-Porcar, A. M., Llorca-Mestre, A., & Mestre-Escrivá, V. (2021). Aggressiveness, Instability and Social-Emotional Education in An Inclusive Environment. Comunicar, 29(66), 46–55. Https://Doi.Org/10.3916/C66-2021-04
Unesco. (2019). Behind The Numbers: Ending School Violence and Bullying. Https://Unesdoc.Unesco.Org/Ark:/48223/Pf0000366486
Whipp, A. M., Vuoksimaa, E., Bolhuis, K., De Zeeuw, E. L., Korhonen, T., Mauri, M., Pulkkinen, L., Rimfeld, K., Rose, R. J., Van Beijsterveldt, C. E. M., Bartels, M., Plomin, R., Tiemeier, H., Kaprio, J., & Boomsma, D. I. (2021). Teacher-Rated Aggression and Co-Occurring Behaviors and Emotional Problems Among Schoolchildren In Four Population-Based European Cohorts. Plos One, 16(4 April). Https://Doi.Org/10.1371/Journal.Pone.0238667
Y. Nurdiantami, H. P.. Febriyanti, C. N. . Chandra, R. Zahra, & A. B. Emirat. (2023). Faktor-Faktor Yang Mempengaruhi Tidak Teraturnya Perkembangan Sosial-Emosional Pada Anak.
