Perbandingan Metode KNN dan Naïve Bayes dalam Deteksi Tingkat Stres Berdasarkan Ekspresi Wajah

Alamsyah, Malik Fajar Perbandingan Metode KNN dan Naïve Bayes dalam Deteksi Tingkat Stres Berdasarkan Ekspresi Wajah. Perbandingan Metode KNN dan Naïve Bayes dalam Deteksi Tingkat Stres Berdasarkan Ekspresi Wajah, Vol.10 (No.2). pp. 359-369. ISSN 2477-5126

	Text (Jurnal) final.pdf - Published Version Restricted to Repository staff only Download (908kB) | Request a copy
	Text (Turnitin) Malik Fajar Alamsyah Artikel ASC1 (2).pdf - Published Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Stres merupakan perasaan di mana seseorang merasa dalam tekanan, kewalahan, serta mengalami kesulitan dalam menghadapi suatu permasalahan. Stres dapat disebabkan oleh berbagai faktor, seperti tekanan akademik, pekerjaan, masalah pribadi, atau lingkungan sosial. Jika tidak segera ditangani, stres dapat berdampak buruk pada kesehatan individu, seperti menyebabkan tekanan darah tinggi, penyakit jantung, gangguan tidur, dan menurunnya sistem kekebalan tubuh, yang membuat seseorang lebih rentan terhadap berbagai penyakit. Oleh karena itu, pemantauan tingkat stres menjadi hal yang sangat penting untuk mencegah dampak negatif yang lebih serius. Umumnya, deteksi stres dilakukan melalui konsultasi dengan psikolog, tetapi metode ini memiliki sifat subjektif dan membutuhkan waktu serta biaya yang tidak sedikit. Oleh karena itu, Penelitian ini mengembangkan sistem deteksi stres berbasis computer vision menggunakan OpenCV dan Dlib, dengan algoritma K-Nearest Neighbors dan Naïve Bayes. Data sebanyak 500 sampel dibagi menjadi 80% data latih dan 20% data uji. Fitur diekstraksi, lalu stres diklasifikasikan ke dalam tiga tingkat: rendah, sedang, dan tinggi. Evaluasi menggunakan k-fold cross-validation (n_split=10, random_state=42) berdasarkan akurasi, precision, recall, dan F1-score. Hasil menunjukkan bahwa K-Nearest Neighbors dengan k=5 unggul dengan akurasi 74%, precision 73%, recall 73%, dan F1-score 73%. Sementara itu, Naïve Bayes hanya mencapai akurasi 52%, precision 51%, recall 48%, dan F1-score 41%. Ini menunjukkan bahwa KNN lebih efektif dalam klasifikasi tingkat stres. Namun, akurasi model masih terbatas karena jumlah data latih yang sedikit. Diperlukan optimasi parameter dan penambahan dataset untuk meningkatkan kinerja sistem secara keseluruhan.

Item Type:	Article
Additional Information:	Artikel ini telah terbit pada Jurnal Informatika: Jurnal pengembangan IT Vol. 10, No. 2, 2025
Uncontrolled Keywords:	Kata Kunci: OpenCV, Dlib, KNN, Naïve Bayes, Pemrosesan Gambar.
Subjects:	Universitas Muhammadiyah Bengkulu > 02-Fakultas Teknik > 55201-(S1) Teknik Informatika 02-Fakultas Teknik > 55201-(S1) Teknik Informatika
Divisions:	02-Fakultas Teknik > 55201-(S1) Teknik Informatika Subjek Terkait > 02-Fakultas Teknik > 55201-(S1) Teknik Informatika
Depositing User:	Mrs Atika Ledia Anggraini
Date Deposited:	20 May 2026 02:02
Last Modified:	20 May 2026 02:02
URI:	http://repository.umb.ac.id/id/eprint/2324

Actions (login required)

View Item