Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 2

Prediksi Resiko Penggunaan Media Sosial Terhadap Kesehatan Mental Menggunakan Exploratory Data Analysis (EDA) dan Cross Industry Standard Process For Data Mining (CRISP-DM)

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 13 No. 2 (2026) · hlm. 487–498

DOI
10.25126/jtiik.2026133
ISSN
2528-6579, 2355-7699
Terbit
2026-04-30
Penerbit
Fakultas Ilmu Komputer, Universitas Brawijaya
Bahasa
id
Lisensi
creativecommons.org/licenses/by-sa/4.0

Abstrak

Bahasa Indonesia

Media sosial telah menjadi bagian penting dalam kehidupan masyarakat, namun peningkatan penggunaannya sering dikaitkan dengan dampak negatif terhadap kesehatan mental seperti stres, adiksi, FoMo, dan insomnia. Upaya prediksi risiko penggunaan media sosial dapat membantu menjaga kesehatan mental dengan memanfaatkan teknik data mining. Penelitian ini menggunakan metodologi CRISP-DM sebagai kerangka utama serta Exploratory Data Analysis (EDA) untuk mengidentifikasi tren dan anomali yang mendukung proses pemodelan. Beberapa algoritma supervised learning seperti C4.5, k-NN, dan Naïve Bayes diterapkan untuk memprediksi dampak negatif penggunaan media sosial terhadap kesehatan mental. Hasil eksperimen menunjukkan bahwa Naïve Bayes memberikan kinerja terbaik dengan akurasi tertinggi sebesar 92,5%, melampaui C4.5 dan k-NN. Integrasi EDA dan CRISP-DM terbukti menghasilkan model prediksi yang akurat, meskipun penerapan EDA memerlukan waktu tambahan dalam analisis. CRISP-DM berperan penting dalam menyediakan kerangka kerja yang sistematis sehingga membantu peneliti bekerja lebih terstruktur dan mengurangi risiko kesalahan. Selain itu, temuan memperlihatkan bahwa semakin lama seseorang menggunakan media sosial, semakin besar dampak negatif yang dialami, terutama bagi mereka yang menghabiskan waktu lebih dari lima jam per hari. Secara keseluruhan, hasil penelitian ini memberikan kontribusi terhadap pengembangan model prediksi berbasis data mining dan dapat menjadi landasan bagi upaya pencegahan gangguan kesehatan mental akibat penggunaan media sosial. Abstract Social media has become an integral part of modern life, enabling users to express feelings and opinions. However, its increasing use has been linked to negative impacts on mental health, such as stress, addiction, FoMo, and insomnia. Predicting the risks associated with social media use can help maintain mental well-being, and this can be achieved through data mining techniques. This study applies the CRISP-DM methodology as the main framework, complemented by Exploratory Data Analysis (EDA) to identify trends and anomalies that support the modeling process. Several supervised learning algorithms, including C4.5, k-NN, and Naïve Bayes, were employed to predict the negative impact of social media use on mental health. Experimental results show that Naïve Bayes achieved the best performance with the highest accuracy of 92.5%, outperforming both C4.5 and k-NN. The integration of EDA and CRISP-DM proved effective in producing accurate predictive models, although EDA required additional time for data analysis. CRISP-DM played a crucial role in providing a systematic framework, enabling researchers to work more structurally and minimizing the risk of errors. Furthermore, findings indicate that the longer individuals spend on social media, the greater the negative impact they experience, particularly among those using it for more than five hours per day. Overall, this study contributes to the development of predictive models based on data mining and provides insights that may support preventive efforts against mental health issues caused by excessive social media use.

Inggris

Media sosial telah menjadi bagian penting dalam kehidupan masyarakat, namun peningkatan penggunaannya sering dikaitkan dengan dampak negatif terhadap kesehatan mental seperti stres, adiksi, FoMo, dan insomnia. Upaya prediksi risiko penggunaan media sosial dapat membantu menjaga kesehatan mental dengan memanfaatkan teknik data mining. Penelitian ini menggunakan metodologi CRISP-DM sebagai kerangka utama serta Exploratory Data Analysis (EDA) untuk mengidentifikasi tren dan anomali yang mendukung proses pemodelan. Beberapa algoritma supervised learning seperti C4.5, k-NN, dan Naïve Bayes diterapkan untuk memprediksi dampak negatif penggunaan media sosial terhadap kesehatan mental. Hasil eksperimen menunjukkan bahwa Naïve Bayes memberikan kinerja terbaik dengan akurasi tertinggi sebesar 92,5%, melampaui C4.5 dan k-NN. Integrasi EDA dan CRISP-DM terbukti menghasilkan model prediksi yang akurat, meskipun penerapan EDA memerlukan waktu tambahan dalam analisis. CRISP-DM berperan penting dalam menyediakan kerangka kerja yang sistematis sehingga membantu peneliti bekerja lebih terstruktur dan mengurangi risiko kesalahan. Selain itu, temuan memperlihatkan bahwa semakin lama seseorang menggunakan media sosial, semakin besar dampak negatif yang dialami, terutama bagi mereka yang menghabiskan waktu lebih dari lima jam per hari. Secara keseluruhan, hasil penelitian ini memberikan kontribusi terhadap pengembangan model prediksi berbasis data mining dan dapat menjadi landasan bagi upaya pencegahan gangguan kesehatan mental akibat penggunaan media sosial. Abstract Social media has become an integral part of modern life, enabling users to express feelings and opinions. However, its increasing use has been linked to negative impacts on mental health, such as stress, addiction, FoMo, and insomnia. Predicting the risks associated with social media use can help maintain mental well-being, and this can be achieved through data mining techniques. This study applies the CRISP-DM methodology as the main framework, complemented by Exploratory Data Analysis (EDA) to identify trends and anomalies that support the modeling process. Several supervised learning algorithms, including C4.5, k-NN, and Naïve Bayes, were employed to predict the negative impact of social media use on mental health. Experimental results show that Naïve Bayes achieved the best performance with the highest accuracy of 92.5%, outperforming both C4.5 and k-NN. The integration of EDA and CRISP-DM proved effective in producing accurate predictive models, although EDA required additional time for data analysis. CRISP-DM played a crucial role in providing a systematic framework, enabling researchers to work more structurally and minimizing the risk of errors. Furthermore, findings indicate that the longer individuals spend on social media, the greater the negative impact they experience, particularly among those using it for more than five hours per day. Overall, this study contributes to the development of predictive models based on data mining and provides insights that may support preventive efforts against mental health issues caused by excessive social media use.

Kata kunci

Jaringan kolaborasi para penulis

6 penulis · 15 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, pertama di-harvest 27 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Prediksi Resiko Penggunaan Media Sosial Terhadap Kesehatan Mental Menggunakan Exploratory Data Analysis (EDA) dan Cross Industry Standard Process For Data Mining (CRISP-DM)</dc:title>
	<dc:title xml:lang="en">Prediksi Resiko Penggunaan Media Sosial Terhadap Kesehatan Mental Menggunakan Exploratory Data Analysis (EDA) dan Cross Industry Standard Process For Data Mining (CRISP-DM)</dc:title>
	<dc:creator xml:lang="en">Ayuning Tyas, Fitri</dc:creator>
	<dc:creator xml:lang="en">Basir, Azhar </dc:creator>
	<dc:creator xml:lang="en">Ardhin, Amira Elistya </dc:creator>
	<dc:creator xml:lang="id">Ayuning Tyas, Fitri</dc:creator>
	<dc:creator xml:lang="id">Basir, Azhar </dc:creator>
	<dc:creator xml:lang="id">Ardhin, Amira Elistya </dc:creator>
	<dc:subject xml:lang="en">CRISP-DM</dc:subject>
	<dc:subject xml:lang="en">Exploratory Data Analysis</dc:subject>
	<dc:subject xml:lang="en">Social Media</dc:subject>
	<dc:subject xml:lang="en">Mental Health</dc:subject>
	<dc:description xml:lang="id">Media sosial telah menjadi bagian penting dalam kehidupan masyarakat, namun peningkatan penggunaannya sering dikaitkan dengan dampak negatif terhadap kesehatan mental seperti stres, adiksi, FoMo, dan insomnia. Upaya prediksi risiko penggunaan media sosial dapat membantu menjaga kesehatan mental dengan memanfaatkan teknik data mining. Penelitian ini menggunakan metodologi CRISP-DM sebagai kerangka utama serta Exploratory Data Analysis (EDA) untuk mengidentifikasi tren dan anomali yang mendukung proses pemodelan. Beberapa algoritma supervised learning seperti C4.5, k-NN, dan Naïve Bayes diterapkan untuk memprediksi dampak negatif penggunaan media sosial terhadap kesehatan mental. Hasil eksperimen menunjukkan bahwa Naïve Bayes memberikan kinerja terbaik dengan akurasi tertinggi sebesar 92,5%, melampaui C4.5 dan k-NN. Integrasi EDA dan CRISP-DM terbukti menghasilkan model prediksi yang akurat, meskipun penerapan EDA memerlukan waktu tambahan dalam analisis. CRISP-DM berperan penting dalam menyediakan kerangka kerja yang sistematis sehingga membantu peneliti bekerja lebih terstruktur dan mengurangi risiko kesalahan. Selain itu, temuan memperlihatkan bahwa semakin lama seseorang menggunakan media sosial, semakin besar dampak negatif yang dialami, terutama bagi mereka yang menghabiskan waktu lebih dari lima jam per hari. Secara keseluruhan, hasil penelitian ini memberikan kontribusi terhadap pengembangan model prediksi berbasis data mining dan dapat menjadi landasan bagi upaya pencegahan gangguan kesehatan mental akibat penggunaan media sosial.
 
Abstract
Social media has become an integral part of modern life, enabling users to express feelings and opinions. However, its increasing use has been linked to negative impacts on mental health, such as stress, addiction, FoMo, and insomnia. Predicting the risks associated with social media use can help maintain mental well-being, and this can be achieved through data mining techniques. This study applies the CRISP-DM methodology as the main framework, complemented by Exploratory Data Analysis (EDA) to identify trends and anomalies that support the modeling process. Several supervised learning algorithms, including C4.5, k-NN, and Naïve Bayes, were employed to predict the negative impact of social media use on mental health. Experimental results show that Naïve Bayes achieved the best performance with the highest accuracy of 92.5%, outperforming both C4.5 and k-NN. The integration of EDA and CRISP-DM proved effective in producing accurate predictive models, although EDA required additional time for data analysis. CRISP-DM played a crucial role in providing a systematic framework, enabling researchers to work more structurally and minimizing the risk of errors. Furthermore, findings indicate that the longer individuals spend on social media, the greater the negative impact they experience, particularly among those using it for more than five hours per day. Overall, this study contributes to the development of predictive models based on data mining and provides insights that may support preventive efforts against mental health issues caused by excessive social media use.</dc:description>
	<dc:description xml:lang="en">Media sosial telah menjadi bagian penting dalam kehidupan masyarakat, namun peningkatan penggunaannya sering dikaitkan dengan dampak negatif terhadap kesehatan mental seperti stres, adiksi, FoMo, dan insomnia. Upaya prediksi risiko penggunaan media sosial dapat membantu menjaga kesehatan mental dengan memanfaatkan teknik data mining. Penelitian ini menggunakan metodologi CRISP-DM sebagai kerangka utama serta Exploratory Data Analysis (EDA) untuk mengidentifikasi tren dan anomali yang mendukung proses pemodelan. Beberapa algoritma supervised learning seperti C4.5, k-NN, dan Naïve Bayes diterapkan untuk memprediksi dampak negatif penggunaan media sosial terhadap kesehatan mental. Hasil eksperimen menunjukkan bahwa Naïve Bayes memberikan kinerja terbaik dengan akurasi tertinggi sebesar 92,5%, melampaui C4.5 dan k-NN. Integrasi EDA dan CRISP-DM terbukti menghasilkan model prediksi yang akurat, meskipun penerapan EDA memerlukan waktu tambahan dalam analisis. CRISP-DM berperan penting dalam menyediakan kerangka kerja yang sistematis sehingga membantu peneliti bekerja lebih terstruktur dan mengurangi risiko kesalahan. Selain itu, temuan memperlihatkan bahwa semakin lama seseorang menggunakan media sosial, semakin besar dampak negatif yang dialami, terutama bagi mereka yang menghabiskan waktu lebih dari lima jam per hari. Secara keseluruhan, hasil penelitian ini memberikan kontribusi terhadap pengembangan model prediksi berbasis data mining dan dapat menjadi landasan bagi upaya pencegahan gangguan kesehatan mental akibat penggunaan media sosial.
 
Abstract
Social media has become an integral part of modern life, enabling users to express feelings and opinions. However, its increasing use has been linked to negative impacts on mental health, such as stress, addiction, FoMo, and insomnia. Predicting the risks associated with social media use can help maintain mental well-being, and this can be achieved through data mining techniques. This study applies the CRISP-DM methodology as the main framework, complemented by Exploratory Data Analysis (EDA) to identify trends and anomalies that support the modeling process. Several supervised learning algorithms, including C4.5, k-NN, and Naïve Bayes, were employed to predict the negative impact of social media use on mental health. Experimental results show that Naïve Bayes achieved the best performance with the highest accuracy of 92.5%, outperforming both C4.5 and k-NN. The integration of EDA and CRISP-DM proved effective in producing accurate predictive models, although EDA required additional time for data analysis. CRISP-DM played a crucial role in providing a systematic framework, enabling researchers to work more structurally and minimizing the risk of errors. Furthermore, findings indicate that the longer individuals spend on social media, the greater the negative impact they experience, particularly among those using it for more than five hours per day. Overall, this study contributes to the development of predictive models based on data mining and provides insights that may support preventive efforts against mental health issues caused by excessive social media use.</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2026-04-30</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/9950</dc:identifier>
	<dc:identifier>10.25126/jtiik.2026133</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 13 No 2: April 2026; 487-498</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 13 No. 2: April 2026; 487-498</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.132</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/9950/1585</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2026 Fitri Ayuning Tyas, Azhar  Basir, Amira Elistya  Ardhin</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>