Klasifikasi Tingkat Stres Mahasiswa Menggunakan RMSProp untuk Arsitektur Artificial Neural Network

Abstract

Abstrak— Beratnya berbagai tuntutan yang dihadapi mahasiswa membuat mereka kerap mengalami gejala stres.   Gejala stres yang terus menerus dapat memperburuk keadaan psikis dan fisik mahasiswa yang pada akhirnya menyebabkan turunnya kinerja akademik mereka. Namun, gejala stres tidak dapat ditangani secara sembarangan. Perlu adanya penanganan gejala stres yang tepat yang disesuaikan dengan tingkat stres yang dialami. Untuk itu, pengklasifikasian tingkat stres mahasiswa sangat diperlukan untuk memberikan penanganan lebih lanjut yang tepat. Oleh karena itu, penelitian ini memfokuskan pada bagaimana cara mengklasifikasikan tingkat stres mahasiswa secara otomatis menggunakan teknologi Artificial Neural Network (ANN). Dalam penelitian ini, kinerja ANN ditingkatkan dengan melakukan pengujian terhadap RMSProp optimizer dengan berbagai variasi hyperparameter dan percobaan dengan dan tanpa oversampling SMOTE-N. Setelah pengujian dilakukan sebanyak 52 kali, hasil ujicoba memperlihatkan bahwa RMSProp dengan SMOTE-N lebih unggul dibanding RMSProp tanpa SMOTE-N. Akurasi RMSProp dengan SMOTE-N berhasil mencapai 96%, sedangkan akurasi RMSProp tanpa SMOTE-N sebesar 88% sehingga SMOTE-N pada model dapat meningkatkan kinerja sebesar 8%. 

Kata Kunci— klasifikasi, stres, mahasiswa, ANN, SMOTE-N