{
      "keywords": "Kesehatan Mental, O S M I ,  Random Forest, Grid Search,\r\nRandom Search AdaBoost, XGBoost,",
      "department": "Pascasarjana Magister Informatika",
      "metadata_visibility": "show",
      "date_type": "published",
      "uri": "http:\/\/eprints.amikom.ac.id\/id\/eprint\/31773",
      "date": "2026-02-03",
      "creators": [
        {
          "nim": "22.51.2277",
          "name": {
            "lineage": null,
            "given": "Riswanto",
            "family": "-",
            "honourific": null
          }
        }
      ],
      "type": "thesis",
      "userid": 12,
      "thesis_type": "masters",
      "rev_number": 8,
      "title": "OPTIMASI ALGORITMA RANDOM FOREST UNTUK DIAGNOSIS\r\nGANGGUAN KESEHATAN MENTAL",
      "ispublished": "pub",
      "abstract": "Penelitian ini berjudul “Optimasi Algoritma Random Forest untuk\r\nDiagnosis Gangguan Kesehatan Mental”. Tujuan penelitian ini adalah\r\nmengklasifikasikan kondisi kesehatan mental individu di lingkungan kerja\r\nmenggunakan algoritma Random Forest. Dataset yang digunakan berasal dari\r\nOpen Sourcing Mental Illness (OSMI), sebuah organisasi non-profit yang\r\nberfokus pada isu kesehatan mental di tempat kerja. Dataset OSMI dipilih karena\r\nbersifat heterogen, terdiri dari variabel numerik dan kategorikal, sehingga sesuai\r\ndengan karakteristik algoritma Random Forest.\r\nUntuk meningkatkan performa model, dilakukan optimasi hyperparameter\r\nmenggunakan metode Grid Search dan Random Search. Selain itu, algoritma\r\nRandom Forest juga dikombinasikan dengan teknik boosting, yaitu AdaBoost\r\ndan XGBoost. Beberapa skenario pengujian dilakukan guna memperoleh model\r\ndengan performa klasifikasi yang optimal.\r\nHasil penelitian menunjukkan bahwa hampir seluruh model memiliki\r\nperforma yang baik dengan nilai akurasi di atas 80%, baik pada Random Forest\r\nyang dioptimasi hyperparameter maupun model yang dikombinasikan dengan\r\nteknik boosting. Model yang diusulkan juga mengalami peningkatan pada metrik\r\nevaluasi seperti akurasi, precision, recall, F1-score, ROC, dan AUC. Di antara\r\nseluruh model yang diuji, kombinasi Random Forest dengan AdaBoost\r\nmemberikan hasil paling optimal dengan nilai akurasi sebesar 84,06% dan nilai\r\nAUC sebesar 88%, yang menunjukkan kemampuan model yang baik dalam\r\nmembedakan kelas positif dan negatif.\r\nKesimpulan dari penelitian ini adalah bahwa integrasi Random Forest\r\ndengan AdaBoost serta optimasi hyperparameter mampu meningkatkan performa\r\nprediksi gangguan kesehatan mental di lingkungan kerja. Temuan ini diharapkan\r\ndapat membantu dalam memprediksi kondisi kesehatan mental seseorang secara\r\nlebih akurat, sehingga intervensi dan penanganan yang diberikan dapat menjadi\r\nlebih efektif dan tepat sasaran.",
      "eprint_status": "archive",
      "lastmod": "2026-06-29 03:04:01",
      "documents": [
          {
            "format": "text",
            "main": "22.51.2277 Riswanto.pdf",
            "rev_number": 2,
            "eprintid": 31773,
            "pos": 1,
            "mime_type": "application\/pdf",
            "formatdesc": "THESIS",
            "content": "published",
            "uri": "http:\/\/eprints.amikom.ac.id\/id\/document\/319555",
            "files": [
                {
                  "mtime": "2026-06-29 02:51:39",
                  "mime_type": "application\/pdf",
                  "hash": "eedce99510b6331996da18652c61b140",
                  "datasetid": "document",
                  "filename": "22.51.2277 Riswanto.pdf",
                  "hash_type": "MD5",
                  "fileid": 1131327,
                  "uri": "http:\/\/eprints.amikom.ac.id\/id\/file\/1131327",
                  "objectid": 319555,
                  "filesize": 3125003
                }
            ],
            "language": "id",
            "security": "public",
            "docid": 319555,
            "placement": 1
          }
      ],
      "divisions": [
        "mti"
      ],
      "dir": "disk0\/00\/03\/17\/73",
      "full_text_status": "public",
      "corp_creators": [
        "Universitas AMIKOM Yogyakarta"
      ],
      "contributors": [
        {
          "name": {
            "lineage": null,
            "given": "Tonny",
            "family": "Hidayat",
            "honourific": null
          }
        }
      ],
      "datestamp": "2026-06-29 03:04:01",
      "thesis_name": "tesis",
      "subjects": [
        "000.000.000A",
        "000.000.003"
      ],
      "status_changed": "2026-06-29 03:04:01",
      "institution": "Universitas AMIKOM Yogyakarta",
      "eprintid": 31773
    }