Analisis Pengaruh Kecanduan Bermedia Sosial Terhadap Kemampuan Belajar Menggunakan Algoritma Naive Bayes

Sonia Elvrida Saragih; Lonia Harefa; Sardo Parningotan Sipayung

doi:10.31004/riggs.v5i1.6258

Authors

Sonia Elvrida Saragih Universitas Katolik Santo Thomas Medan
Lonia Harefa Universitas Katolik Santo Thomas
Sardo Parningotan Sipayung Universitas Katolik Santo Thomas

DOI:

https://doi.org/10.31004/riggs.v5i1.6258

Keywords:

Media Sosial, Kecanduan, Kemampuan Belajar, Data Mining, Naive Bayes

Abstract

Perkembangan teknologi informasi telah meningkatkan intensitas penggunaan media sosial di kalangan pelajar dan mahasiswa. Meskipun media sosial memberikan kemudahan dalam komunikasi dan akses informasi, penggunaan yang berlebihan dapat menyebabkan kecanduan yang berdampak negatif terhadap aktivitas akademik. Kecanduan bermedia sosial diketahui dapat menurunkan konsentrasi, mengganggu pola tidur, serta memengaruhi kondisi psikologis, sehingga berpotensi menurunkan kemampuan belajar. Penelitian ini bertujuan untuk menganalisis pengaruh kecanduan bermedia sosial terhadap kemampuan belajar siswa menggunakan pendekatan data mining dengan algoritma Naive Bayes. Data penelitian diperoleh dari dataset Social Media Addiction Among Students yang tersedia pada platform Kaggle, yang mencakup atribut usia, jenis kelamin, tingkat pendidikan, negara, durasi penggunaan media sosial harian, platform yang paling sering digunakan, jam tidur, skor kesehatan mental, status hubungan, dan skor kecanduan. Atribut Affects Academic Performance digunakan sebagai kelas dalam proses klasifikasi. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan, penerapan algoritma Naive Bayes, serta evaluasi hasil klasifikasi. Hasil penelitian menunjukkan bahwa siswa dengan tingkat kecanduan media sosial yang tinggi memiliki kecenderungan lebih besar mengalami penurunan kemampuan belajar. Dengan demikian, penelitian ini menegaskan bahwa pengendalian penggunaan media sosial sangat penting untuk menjaga efektivitas dan kualitas belajar. Selain itu, algoritma Naive Bayes terbukti mampu memberikan kinerja yang baik dalam mengklasifikasikan pengaruh kecanduan media sosial terhadap kemampuan belajar.

Downloads

Download data is not yet available.

References

Kuss, D. J. dan Griffiths, M. D., 2017, Social Networking Sites and Addiction: Ten Lessons Learned, International Journal of Environmental Research and Public Health, Vol. 14, No. 3.

Andreassen, C. S., 2015, Online Social Network Site Addiction: A Comprehensive Review, Current Addiction Reports, Vol. 2, No. 2, hal. 175–184.

Montag, C., Lachmann, B., Herrlich, M., dan Zweig, K., 2019, Addictive Features of Social Media/Messenger Platforms, Behavioral Sciences, Vol. 9, No. 11.

Junco, R., 2012, Too Much Face and Not Enough Books: The Relationship Between Facebook Use and Academic Performance, Computers in Human Behavior, Vol. 28, No. 1, hal. 187–198.

Han, J., Kamber, M., dan Pei, J., 2012, Data Mining: Concepts and Techniques, 3rd Edition, Morgan Kaufmann, San Francisco.

Patil, T. R. dan Sherekar, S. S., 2013, Performance Analysis of Naive Bayes and J48 Classification Algorithm, International Journal of Computer Science and Applications, Vol. 6, No. 2.

Kaggle, 2023, Social Media Addiction Among Students Dataset, Kaggle Repository, https://www.kaggle.com.

Rish, I., 2001, An Empirical Study of the Naive Bayes Classifier, IJCAI Workshop on Empirical Methods in Artificial Intelligence.

J. Brailovskaia, J. Margraf, and V. Köllner, “Addictive social media use and mental health: The role of self-esteem,” Current Psychology, vol. 40, no. 12, pp. 5805–5815, 2021, doi: 10.1007/s12144-019-00563-1.

I.-H. Chen, C.-Y. Chen, A. H. Pakpour, M. D. Griffiths, and C.-Y. Lin, “Internet-related behaviors and psychological distress among schoolchildren during COVID-19,” Journal of the American Academy of Child & Adolescent Psychiatry, vol. 60, no. 5, pp. 559–570, 2021, doi: 10.1016/j.jaac.2020.08.017.

N. S. Hawi and M. Samaha, “The relations among social media addiction, self-esteem, and life satisfaction in university students,” Social Science Computer Review, vol. 40, no. 1, pp. 152–168, 2022, doi: 10.1177/0894439320946470.

M. A. Al Mamun, M. S. Hossain, and M. D. Griffiths, “Problematic social media use and academic performance among students,” Education and Information Technologies, vol. 28, pp. 10201–10219, 2023, doi: 10.1007/s10639-023-11634-6.

L. Li, Z. Niu, S. Mei, and M. D. Griffiths, “Sleep problems and social media addiction among adolescents,” Frontiers in Psychiatry, vol. 13, pp. 1–10, 2022, doi: 10.3389/fpsyt.2022.839694.

M. Sahu and M. Pandey, “Predicting academic performance using Naive Bayes and decision tree algorithms,” International Journal of Advanced Computer Science and Applications, vol. 15, no. 2, pp. 215–222, 2024, doi: 10.14569/IJACSA.2024.0150215.

H. Kaur and J. Singh, “Performance evaluation of Naive Bayes classifier for educational data mining,” Procedia Computer Science, vol. 173, pp. 165–172, 2021, doi: 10.1016/j.procs.2020.06.020.