Klasifikasi Persepsi Terhadap Teknologi Dalam Hubungan Antarpersonal Berdasarkan Interaksi Digital

Perkembangan teknologi digital telah membawa perubahan besar dalam cara manusia berinteraksi. Saat ini, hampir semua orang menggunakan smartphone, media sosial, dan berbagai platform digital untuk berkomunikasi. Teknologi menawarkan kemudahan, kecepatan, dan fleksibilitas dalam menjaga hubungan sosial tanpa batas ruang dan waktu. Namun di balik manfaat tersebut, teknologi juga menimbulkan sejumlah tantangan. Fenomena technoference, atau gangguan teknologi dalam interaksi tatap muka, membuat percakapan menjadi kurang bermakna. Distraksi dari notifikasi yang terus-menerus menyebabkan seseorang sulit fokus ketika berkomunikasi langsung. Selain itu, intensitas penggunaan yang tinggi juga dapat memicu ketergantungan dan kecemasan ketika tidak terhubung dengan perangkat digital. Menariknya, persepsi setiap individu terhadap teknologi tidak sama. Ada yang merasakan dampak positif seperti koneksi yang lebih luas dan komunikasi lebih mudah, tetapi ada pula yang merasa teknologi justru menurunkan kualitas hubungan interpersonal. Perbedaan persepsi ini sangat dipengaruhi oleh perilaku digital seseorang. Oleh karena itu, penting untuk mengidentifikasi pola interaksi digital yang dapat memprediksi apakah seseorang memiliki persepsi positif atau non-positif terhadap teknologi. Di sinilah pendekatan machine learning menjadi relevan.


Tujuan utama penelitian ini adalah mengembangkan model klasifikasi yang mampu memprediksi persepsi individu terhadap teknologi dalam konteks hubungan antarpersonal, apakah persepsinya positif atau non-positif. Prediksi ini dibuat berdasarkan data kuesioner yang menggambarkan perilaku digital, frekuensi interaksi, tingkat kepuasan, dan respon psikologis pengguna terhadap teknologi.


Penelitian ini menggunakan pendekatan kuantitatif dengan metode machine learning. Tahap pertama adalah pengumpulan data melalui survei online yang diikuti oleh 387 responden berusia produktif.

Tahap kedua adalah pra-pemrosesan data, yang meliputi pembersihan data, encoding variabel kategorikal, penanganan missing value menggunakan median, dan normalisasi menggunakan StandardScaler agar data siap diproses oleh model.

Tahap ketiga adalah pembagian data menjadi data training dan testing. Kemudian model dilatih menggunakan empat algoritma machine learning yang sebelumnya disebutkan. Untuk meningkatkan performa, kami menggabungkan output dari keempat model menggunakan teknik soft voting dalam ensemble learning.

Selanjutnya, model dievaluasi menggunakan stratified 5-fold cross-validation, sehingga hasil evaluasi lebih stabil pada setiap pembagian data. Kami juga menganalisis feature importance untuk mengetahui atribut mana yang paling berpengaruh terhadap persepsi individu terhadap teknologi.


Hasil penelitian menunjukkan bahwa model ensemble memberikan performa terbaik. Akurasi model adalah 82,18%, precision 81,65%, recall 79,13%, F1-Score 80,26%, dan ROC-AUC 90,26%. Nilai-nilai ini menunjukkan performa klasifikasi yang sangat baik dan konsisten.

Dari analisis feature importance, ditemukan lima faktor utama yang paling mempengaruhi persepsi individu, yaitu:

1.Kepuasan terhadap interaksi digital

2.Waktu penggunaan media sosial per hari,

3.Perasaan cemas ketika tidak bisa mengakses teknologi,

4.Persepsi bahwa teknologi mempermudah komunikasi

5. Frekuensi memeriksa ponsel tanpa notifikasi

“Kesimpulannya, penelitian ini berhasil membangun model klasifikasi berbasis ensemble learning yang mampu memprediksi persepsi individu terhadap teknologi dalam hubungan antarpersonal dengan akurasi sangat baik. Temuan ini memberikan gambaran bahwa persepsi positif terbentuk ketika penggunaan teknologi seimbang dan memberikan pengalaman yang memuaskan, sedangkan persepsi non-positif cenderung muncul pada pengguna yang mengalami distraksi, kecemasan, atau penggunaan berlebihan.”