Electronic Theses and Dissertation

Masa remaja merupakan masa peralihan dari masa kanak-kanak menuju dewasa yang ditandai dengan adanya perubahan biologis, perubahan fisiologis dan perubahan sosial. Hal ini menyebabkan remaja rentan mengalami ketidakseimbangan emosi yang berdampak kebahagiaan dan kepuasaan dalam diri atau disebut Subjective Well-Being (SWB). Dalam menilai tingkat kebahagiaan dan kepuasan seseorang, SWB dikategorikan menjadi 2 yaitu tinggi dan rendah. Untuk memprediksi keakuratan dalam pengklafikasian SWB, maka digunakan teknik data mining yaitu klasifikasi. Data yang digunakan dalam penelitian ini adalah data data sekunder yang bersumber dari tesis berjudul “Determinan Subjective Well-Being pada Remaja Dayah di Aceh Besar”, yang berjumlah 169 data dengan 12 variabel yang terdiri dari 11 variabel independen dan 1 variabel dependen. Pada penelitian ini dilakukan perbandingan metode klasifikasi Support Vector Machine (SVM) dan Naïve Bayes. Penelitian ini bertujuan untuk mendapatkan hasil kinerja klasifikasi tertinggi serta membandingkan dan memperoleh metode klasifikasi terbaik. Perbandingan metode SVM dan Naïve Bayes dilakukan pada 3 strategi pengujian, yaitu pembagian data training dan data testing dengan rasio 70%:30%, 80%:20%, dan 90%:10%. Hasil penelitian ini menunjukkan hasil kinerja klasifikasi tertinggi metode SVM dihasilkan oleh rasio data 90%:10% pada kernel polinomial dengan parameter optimum C=4,668 dan d=1 dengan nilai kinerja yaitu, nilai accuracy 82,35%, nilai precision 80,71%, nilai recall 82,58%, nilai f1-score 81,32% dan nilai AUC 82,58% . Sedangkan hasil kinerja klasifikasi tertinggi metode Naïve Bayes dihasilkan oleh rasio data 90%:10% dengan nilai kinerja yaitu, nilai accuracy 70,59%, nilai precision 67,50%, nilai recall 65,91%, nilai f1-score 66,40% dan nilai AUC 65,91%. Sehingga dapat disimpulkan bahwa SVM merupakan metode terbaik dalam mengklasifikasikan kategori SWB pada remaja di Dayah Terpadu Babul Maghfirah Aceh Besar.
Kata Kunci: Subjective Well-Being, Klasifikasi, Support Vector Machine, Naïve Bayes, Aceh Besar

Adolescence is a transitional period from childhood to adulthood characterized by biological changes, physiological changes and social changes. This causes adolescents to be prone to experiencing emotional imbalances that have an impact on happiness and satisfaction in themselves or called Subjective Well-Being (SWB). In assessing a person's level of happiness and satisfaction, SWB is categorized into 2, namely high and low. To predict the accuracy of SWB classification, data mining techniques are used, namely classification. The data used in this study are secondary data sourced from a thesis entitled "Determinants of Subjective Well-Being in Dayah Adolescents in Aceh Besar", which amounted to 169 data with 12 variables consisting of 11 independent variables and 1 dependent variable. In this study, a comparison of the Support Vector Machine (SVM) and Naïve Bayes classification methods was carried out. This research aims to get the highest classification performance results and compare and obtain the best classification method. Comparison of SVM and Naïve Bayes methods is carried out on 3 testing strategies, namely the division of training data and testing data with a ratio of 70%:30%, 80%:20%, and 90%:10%. The results of this study show that the highest classification performance of the SVM method is produced by the 90%:10% data ratio on the polynomial kernel with the optimum parameters C = 4.668 and d = 1 with a performance value of 82.35% accuracy value, 80.71% precision value, 82.58% recall value, 81.32% f1-score value and 82.58% AUC value. While the highest classification performance results of the Naïve Bayes method are generated by the 90%:10% data ratio with performance values, namely, accuracy value 70.59%, precision value 67.50%, recall value 65.91%, f1-score value 66.40% and AUC value 65.91%. So it can be concluded that SVM is the best method in classifying SWB categories in adolescents at Dayah Terpadu Babul Maghfirah Aceh Besar. Keywords: Subjective Well-Being, Classification, Support Vector Machine, Naïve Bayes, Aceh Besar