Peningkatan Akurasi Pada Backpropagation Dengan Teknik Grid Search Terhadap Prediksi Siswa Stres

Abstract

Stres pada siswa dapat berdampak serius terhadap kesehatan mental dan prestasi belajar. Penelitian ini bertujuan untuk meningkatkan akurasi model prediksi tingkat stres siswa menggunakan Jaringan Syaraf Tiruan (JST) dengan algoritma Backpropagation yang dioptimalkan melalui teknik Grid Search. Dataset diambil dari Kaggle, mencakup faktor psikologis, akademik, sosial, dan lingkungan. Model Backpropagation dengan parameter default menghasilkan akurasi 87,72% dan loss 0,3509. Setelah dilakukan optimasi hyperparameter menggunakan Grid Search, akurasi meningkat menjadi 90% dengan loss 0,4712. Hasil ini menunjukkan bahwa Grid Search efektif dalam meningkatkan performa model prediksi stres siswa. Penelitian ini memberikan kontribusi dalam penerapan kecerdasan buatan untuk deteksi dini masalah kesehatan mental di lingkungan pendidikan.