Prediksi Tingkat Kecanduan Media Sosial Generasi Z Menggunakan Algoritme Pso dan Decision Tree
DOI:
https://doi.org/10.70309/ticom.v14i2.198Keywords:
Decision tree, Generasi Z, Kecanduan Media Sosial, Particle Swarm Optimization(PSO)Abstract
Tingginya penggunaan media sosial di kalangan Generasi Z dapat menyebabkan kecanduan yang sering dianggap wajar, namun berdampak negatif terhadap kesehatan mental dan produktivitas. Dampak tersebut meliputi gangguan tidur, penurunan fokus belajar maupun bekerja, serta meningkatnya kecemasan akibat perbandingan sosial di dunia maya. Beberapa individu juga mengalami ketergantungan emosional terhadap validasi digital seperti jumlah like, komentar, atau interaksi lainnya. Oleh karena itu, deteksi dini terhadap tingkat kecanduan media sosial sangat diperlukan untuk mencegah dampak jangka panjang yang merugikan, terutama bagi Generasi Z yang sangat terhubung secara digital. Penelitian ini bertujuan untuk mengestimasi tingkat kecanduan media sosial pada Generasi Z menggunakan metode Decision tree, yang dipilih karena mampu menghasilkan klasifikasi yang akurat serta model yang mudah dipahami. Metode ini bekerja dengan membagi data berdasarkan atribut-atribut relevan untuk mengenali pola perilaku digital secara sistematis. Algoritma Decision tree dioptimalkan menggunakan Particle Swarm Optimization (PSO) untuk memilih fitur paling berpengaruh dan meningkatkan performa model. Hasil penelitian menunjukkan akurasi sebesar 93,75%, recall 94,20%, dan precision 95,16%. Setelah optimasi PSO, akurasi meningkat menjadi 96,42%, recall 97,03%, dan precision 97,00%, yang menunjukkan peningkatan performa prediksi secara signifikan.
References
L. S. Arum, A. Zahrani, and N. A. Duha, “Karakteristik Generasi Z dan Kesiapannya dalam Menghadapi Bonus Demografi 2030,” Account. Student Res. J., vol. 2, no. 1, pp. 59–72, 2023, doi: 10.62108/asrj.v2i1.5812.
S. Kemp, “Digital 2025: Indonesia.” [Online]. Available: https://datareportal.com/reports/digital-2025-indonesia
Tempo.co, “Generasi Milenial dan Z Bermedia Sosial 6 Jam Per Hari, Budi Arie: Upayakan Pemilu Damai.” [Online] Available: https://www.tempo.co/digital/generasi-milenial-dan-z-bermedia-sosial-6-jam-per-hari-budi-arie-upayakan-pemilu-damai-141312
S. Pappa, H. Pratikto, and A. R. Aristawati, “Leisure Boredom dan Kecenderungan Kecanduan Media Sosial TikTok pada,” Jiwa J. Psikol. Indones., vol. 3, no. 02, pp. 88–94, 2024.
N. Unair, “Kecanduan Media Sosial Termasuk Gangguan Mental? Simak Faktanya.” [Online]. Available: https://unair.ac.id/kecanduan-media-sosial-termasuk-gangguan-mental-simak-faktanya/
E. Ernawati, “Dampak Kecanduan Media Sosial Terhadap Kesehatan Mental Remaja: Studi Cross Sectional,” Intan Husada J. Ilm. Keperawatan, vol. 12, no. 01, pp. 78–92, 2024, doi: 10.52236/ih.v12i1.507.
A.- Husaini, I. Hariyanti, and A. R. Raharja, “Perbandingan Algoritma Decision Tree dan Naive Bayes dalam Klasifikasi Data Pengaruh Media Sosial dan Jam Tidur Terhadap Prestasi Akademik Siswa,” Technol. J. Ilm., vol. 15, no. 2, pp. 332-340, 2024, doi: 10.31602/tji.v15i2.14381.
J. R. Wiyani, I. Indriati, and S. Sutrisno, “Klasifikasi Stres berdasarkan Unggahan pada Media Sosial Twitter menggunakan Metode Support Vector Machine dan Seleksi Fitur Information Gain,” 2022. [Online] Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/12060
M. I. Fikri, E. Budianita, I. Iskandar, and E. P. Cynthia, “Klasifikasi Tingkat Kecanduan Internet Terhadap Remaja Pekanbaru Melalui Pendekatan Algoritma Naïve Bayes,” Zo. J. Sist. Inf., vol. 6, no. 2, pp. 424–436, 2024, doi: 10.31849/zn.v6i2.20191.
M. I. Ciptandini and R. Prathivi, “Klasterisasi Tingkat Kecanduan Penggunaan Tiktok Terhadap Minat Belajar Menggunakan Algoritma K-Means Clustering,” KESATRIA J. Penerapan Sist. Inf. (Komputer Manajemen), vol. 6, no. 1, pp. 77–84, 2025.
M. C. B. Rahman, Martanto, and U. Hayati, “Analisis Tingkat Kecenderungan Fear of Missing Out Menggunakan Algoritma Random Forest Pada Media Sosial,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 296–302, 2024, doi: 10.36040/jati.v8i1.8356.
R. Rismala, et al., “Kajian Ilmiah dan Deteksi Adiksi Internet dan Media Sosial di Indonesia Menggunakan XGBoost,” J. Edukasi dan Penelit. Inform., vol. 7, no. 1, pp. 1-11, 2021, doi: 10.26418/jp.v7i1.43606.
C. N. Syahputri dan M. S. Hasibuan, “Optimasi Klasifikasi Decision Tree Dengan Teknik Pruning Untuk Mengurangi Overfitting,” JSiI (Jurnal Sist. Informasi), vol. 11, no. 2, pp. 87–96, 2024, doi: 10.30656/jsii.v11i2.9161.
R. Fitriana, A. N. Habyba, dan E. Febriani, Data Mining dan Aplikasinya: Contoh Kasus di Industri Manufaktur dan Jasa, 1 ed. Purwokerto: Wawasan Ilmu, 2022.
S. Jun, “Evolutionary algorithm for improving decision tree with global discretization in manufacturing,” Sensors, vol. 21, no. 8, 2021, doi: 10.3390/s21082849.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Anisah Masyuuroh, Deni Mahdiana, Nidya Kusumawardhany
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
CC BY-SA 4.0
Creative Commons Attribution-ShareAlike 4.0 International
This license requires that reusers give credit to the creator. It allows reusers to distribute, remix, adapt, and build upon the material in any medium or format, even for commercial purposes. If others remix, adapt, or build upon the material, they must license the modified material under identical terms.
BY: Credit must be given to you, the creator.
SA: Adaptations must be shared under the same terms.ng
