Perbandingan Algoritma K-Nearest Neighbor dan Naive Bayes untuk Klasifikasi FoMO Pengguna Media Sosial

Muhammad Haromaen(1*),Marthin Piskana(2),M. Bucci Ryando(3),Wira Hadinata(4)
(1) Institut Teknologi dan Bisnis Bina Sarana Global
(2) Institut Teknologi dan Bisnis Bina Sarana Global
(3) Institut Teknologi dan Bisnis Bina Sarana Global
(4) Institut Teknologi dan Bisnis Bina Sarana Global
(*) Corresponding Author
DOI : 10.35889/progresif.v21i2.2784

Abstract

The intensive use of social media among students poses a risk of triggering Fear of Missing Out (FoMO), which negatively affects mental health and learning focus. This study aims to develop a classification model to detect FoMO tendencies among students at SMAN 11 Kabupaten Tangerang. A quantitative approach was used, employing the K-Nearest Neighbor (KNN) and Naïve Bayes algorithms. The analyzed variables include gender, duration of social media use, access frequency, desire to stay updated, and its impact on productivity. Data were collected from 244 respondents and processed through pre-processing, modeling, and evaluation stages. Validation results show that KNN achieved the highest accuracy at 94.69%, while Naïve Bayes reached 93.06%. These findings indicate that KNN is more effective in detecting FoMO tendencies based on numerical data and has the potential to support early intervention efforts in educational settings.

Keywords: Fear of Missing Out; K-Nearest Neighbor; Social Media; Classification; Naive Bayes

 

Abstrak

Penggunaan media sosial secara intensif di kalangan pelajar berisiko memunculkan gejala Fear ofaMissing Out (FoMO), yang berdampak negatif pada kesehatan mental dan fokus belajar. Penelitian ini bertujuan untuk mengembangkan model klasifikasi kecenderungan FoMO pada pelajar SMAN 11 Kabupaten Tangerang. Metode yang digunakan adalah pendekatan kuantitatif dengan algoritma K-NearestiNeighbor (KNN) dan NaïveiBayes. Variabel yang dianalisis meliputi jenis kelamin, durasi penggunaan media sosial, frekuensi akses, keinginan untuk tetap update, dan pengaruh terhadap produktivitas. Data dikumpulkan dari 244 responden dan diproses melalui pre-processing, modeling, dan evaluasi. Hasil validasi menunjukkan bahwa KNN menghasilkan akurasi tertinggi sebesar 94,69%, sementara Naïve Bayes mencapai 93,06%. Temuan ini menunjukkan bahwa KNN lebih efektif untuk mendeteksi kecenderungan FoMO berbasis data numerik dan berpotensi mendukung pengembangan intervensi dini dalam konteks pendidikan.

Kata kunci: Fear of Missing Out; K-Nearest Neighbor; Media Sosial; Klasifikasi; Naive Bayes

References


S. Kemp, “Digital 2025: Indonesia,” Data Reportal. [Online]. Available: https://datareportal.com/reports/digital-2025-indonesia

K. Wisnubroto, “Komitmen Pemerintah Melindungi Anak di Ruang Digital,” INDONESIA.GO.ID Portal Informasi Indonesia. [Online]. Available: https://indonesia.go.id/kategori/editorial/9037/komitmen-pemerintah-melindungi-anak-di-ruang-digital?lang=1

B. H. Mulyono, “Pengaruh Fear of Missing Out terhadap Social Connectedness yang Dimediasi oleh Penggunaan Media Sosial,” Bul. Ris. Psikol. dan Kesehat. Ment., vol. 1, no. 2, pp. 1190–1198, Aug. 2021, doi: 10.20473/brpkm.v1i2.28660.

A. Najib and R. P. Rahmawati, “Self-Control: Melindungi Kesehatan Mental Mahasiswa Akibat Fear Of Missing Out (FOMO),” HASANUDDIN J. Sociol., vol. 6, no. 1, pp. 16–24, 2024, [Online]. Available: http://journal.unhas.ac.id/index.php/HJS/article/view/32433

E. Qiudandra, R. Akram, and Novianda, “Sistem Pakar Diagnosa Penyakit Osteoarthritis Dengan Menggunakan Metode K-Nearest Neighbor,” METHOTIKA J. Ilm. Tek. Inform., vol. 2, no. 2, pp. 37–48, 2022, [Online]. Available: http://ojs.fikom-methodist.net/index.php/METHOTIKA

A. N. Iffah’da and Anita Desiani, “Implementasi Algoritma K-Nearest Neighbor (K-NN) dan Single Layer Perceptron (SLP) Dalam Prediksi Penyakit Sirosis Biliari Primer,” J. Ilm. Inform., vol. 7, no. 1, pp. 65–74, Jul. 2022, doi: 10.35316/jimi.v7i1.65-74.

S. Sinaga, R. W. Sembiring, and S. Sumarno, “Penerapan Algoritma Naive Bayes untuk Klasifikasi Prediksi Penerimaan Siswa Baru,” J. Mach. …, vol. 1, no. 1, pp. 55–64, 2022, [Online]. Available: https://journal.fkpt.org/index.php/malda/article/view/162%0Ahttps://journal.fkpt.org/index.php/malda/article/download/162/115

R. T. S. A. Putri, D. E. Ratnawati, and D. W. Brata, “Perbandingan Naïve Bayes dan K-Nearest Neighbor untuk Analisis Sentimen Aplikasi Gapura UB Berdasarkan Ulasan Pengguna pada Playstore,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 1, pp. 229–236, 2023, [Online]. Available: http://j-ptiik.ub.ac.id

T. Abdillah, U. Khaira, and B. F. Hutabarat, “Komparasi Metode Naive Bayes dan K-Nearest Neighbors Terhadap Analisis Sentimen Pengguna Aplikasi Zenius,” J. Process., vol. 19, no. 1, pp. 32–44, May 2024, doi: 10.33998/processor.2024.19.1.1596.

A. P. Wibowo, W. Darmawan, and N. Amalia, “Komparasi Metode Naïve Bayes Dan K-Nearest Neighbor Terhadap Analisis Sentimen Pengguna Aplikasi Pedulilindungi,” IC-Tech, vol. 17, no. 1, pp. 18–23, Apr. 2022, doi: 10.47775/ictech.v17i1.234.

F. Fitriani, “Perbandingan Algoritma Naïve Bayes Dan Knn Dalam Analisis Sentimen Masyarakat Terhadap Pelaksanaan PPPK Guru,” Bull. Netw. Eng. Informatics, vol. 1, no. 1, pp. 18–24, Apr. 2023, doi: 10.59688/bufnets.v1i1.6.

F. M. Delta Maharani, A. Lia Hananto, S. Shofia Hilabi, F. Nur Apriani, A. Hananto, and B. Huda, “Perbandingan Metode Klasifikasi Sentimen Analisis Penggunaan E-Wallet Menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbor,” METIK J., vol. 6, no. 2, pp. 97–103, Dec. 2022, doi: 10.47002/metik.v6i2.372.

S. Simaremare and R. Siregar, “Effectivity of the Microsoft Excel Application on Student Understanding in Statistics Courses,” Indones. J. Educ. Soc. Humanit., vol. 1, no. 2, pp. 9–19, Jun. 2024, doi: 10.62945/ijesh.v1i2.60.

A. Widianti and I. Pratama, “Penanganan Missing Values Dan Prediksi Data Timbunan Sampah Berbasis Machine Learning,” Rabit J. Teknol. dan Sist. Inf. Univrab, vol. 9, no. 2, pp. 242–251, Jul. 2024, doi: 10.36341/rabit.v9i2.4789.

S. Prayogo, A. A. Chamid, and A. C. Murti, “Perancangan Sistem Klasifikasi Jenis Bunga Mawar Menggunakan Metode K-Nearest Neighbor (KNN),” Indones. J. Technol. Informatics Sci., vol. 3, no. 2, pp. 52–56, Jun. 2022, doi: 10.24176/ijtis.v3i2.7881.

F. M. N. Akbar, “Metode KNN (K-Nearest Neighbor) untuk Menentukan Kualitas Air,” J. Tekno Kompak, vol. 18, no. 1, pp. 28–40, Feb. 2024, doi: 10.33365/jtk.v18i1.3241.

N. P. Hapsari and A. Mahmudi, “Penerapan Metode K-Nearest Neighbor Untuk Pengelompokan Ukuran Gamis Customer Berbasis Web,” J. Inform. Teknol. dan Sains, vol. 7, no. 1, pp. 367–376, Mar. 2025, doi: 10.51401/jinteks.v7i1.5454.

R. R. Burhanuddin, “Klasifikasi Penyakit Padi Melalui Citra Daun Menggunakan Metode Naive Bayes,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 2, pp. 885–892, Apr. 2024, doi: 10.23960/jitet.v12i2.4012.

K. Anwar, R. Maruf, F. Susanto, and M. B. Ryando, “Analisis Performa Deteksi Penyakit Paru-Paru dengan Model Klasifikasi Gambar Menggunakan LSTM Deep Learning,” J. Ilm. Univ. Batanghari Jambi, vol. 25, no. 1, pp. 972–979, Feb. 2025, doi: 10.33087/jiubj.v25i1.5697.

E. Novianto, A. Hermawan, and D. Avianto, “Klasifikasi Algoritma K-Nearest Neighbor, Naive Bayes, Decision Tree Untuk Prediksi Status Kelulusan Mahasiswa S1,” Rabit J. Teknol. dan Sist. Inf. Univrab, vol. 8, no. 2, pp. 146–154, 2023, doi: 10.36341/rabit.v8i2.3434.

D. I. Muhammad and N. Falih, “Penggunaan K-Nearest Neighbor ( KNN ) untuk Mengklasifikasi Citra Belimbing Berdasarkan Fitur Warna,” J. Inform. Ed. ke-17, Nomor 1, vol. 4221, no. April, pp. 9–16, 2021, doi: https://doi.org/10.52958/iftk.v17i1.2132.


How To Cite This :

Refbacks

  • There are currently no refbacks.