Klasifikasi Tingkat Kecemasan Berdasarkan Data Beck Anxiety Inventory Menggunakan Algoritma Support Vector Machine Dan Xgboost

Penelitian ini bertujuan untuk mengklasifikasikan tingkat kecemasan berdasarkan data Beck Anxiety Inventory (BAI) menggunakan algoritma Support Vector Machine (SVM) dan XGBoost. Urgensi penelitian didasarkan pada perlunya metode penilaian kecemasan yang lebih objektif dan terukur dibandingkan penilaian subjektif konvensional. Metodologi penelitian mencakup pengumpulan data sekunder sebanyak 1.903 data, analisis data eksploratif, pra-pemrosesan (pemisahan fitur dan label), serta transformasi data menggunakan label encoding dan standardisasi. Model diuji menggunakan pembagian data dengan rasio 80:20. Hasil penelitian menunjukkan bahwa kedua algoritma berhasil diterapkan dengan baik dalam mengklasifikasikan empat tingkat kecemasan (minimal, ringan, sedang, dan berat). Berdasarkan evaluasi model, SVM dengan kernel RBF menunjukkan performa yang lebih unggul dengan tingkat akurasi mencapai 90%, sementara XGBoost menghasilkan akurasi sebesar 85%. Kesimpulannya, algoritma SVM lebih optimal dan stabil dalam mengenali pola tingkat kecemasan berdasarkan indikator fisik dan kognitif BAI dibandingkan XGBoost. Penelitian ini diharapkan menjadi referensi ilmiah dalam penerapan machine learning di bidang kesehatan mental.

Kata Kunci: bai, klasifikasi kecemasan, machine learning, svm, xgboost.