EPrints Universitas Amikom YogyakartaOPTIMASI ALGORITMA RANDOM FOREST UNTUK DIAGNOSIS GANGGUAN KESEHATAN MENTALRiswanto-authorPenelitian ini berjudul “Optimasi Algoritma Random Forest untuk Diagnosis Gangguan Kesehatan Mental”. Tujuan penelitian ini adalah mengklasifikasikan kondisi kesehatan mental individu di lingkungan kerja menggunakan algoritma Random Forest. Dataset yang digunakan berasal dari Open Sourcing Mental Illness (OSMI), sebuah organisasi non-profit yang berfokus pada isu kesehatan mental di tempat kerja. Dataset OSMI dipilih karena bersifat heterogen, terdiri dari variabel numerik dan kategorikal, sehingga sesuai dengan karakteristik algoritma Random Forest. Untuk meningkatkan performa model, dilakukan optimasi hyperparameter menggunakan metode Grid Search dan Random Search. Selain itu, algoritma Random Forest juga dikombinasikan dengan teknik boosting, yaitu AdaBoost dan XGBoost. Beberapa skenario pengujian dilakukan guna memperoleh model dengan performa klasifikasi yang optimal. Hasil penelitian menunjukkan bahwa hampir seluruh model memiliki performa yang baik dengan nilai akurasi di atas 80%, baik pada Random Forest yang dioptimasi hyperparameter maupun model yang dikombinasikan dengan teknik boosting. Model yang diusulkan juga mengalami peningkatan pada metrik evaluasi seperti akurasi, precision, recall, F1-score, ROC, dan AUC. Di antara seluruh model yang diuji, kombinasi Random Forest dengan AdaBoost memberikan hasil paling optimal dengan nilai akurasi sebesar 84,06% dan nilai AUC sebesar 88%, yang menunjukkan kemampuan model yang baik dalam membedakan kelas positif dan negatif. Kesimpulan dari penelitian ini adalah bahwa integrasi Random Forest dengan AdaBoost serta optimasi hyperparameter mampu meningkatkan performa prediksi gangguan kesehatan mental di lingkungan kerja. Temuan ini diharapkan dapat membantu dalam memprediksi kondisi kesehatan mental seseorang secara lebih akurat, sehingga intervensi dan penanganan yang diberikan dapat menjadi lebih efektif dan tepat sasaran.000 Ilmu komputer, informasi dan pekerjaan umum003 Sistem-sistem2026-02-03Universitas AMIKOM Yogyakarta;Pascasarjana Magister InformatikaThesis

For work being deposited by its own author: In self-archiving this collection of files and associated bibliographic metadata, I grant EPrints Universitas Amikom Yogyakarta the right to store them and to make them permanently available publicly for free on-line. I declare that this material is my own intellectual property and I understand that EPrints Universitas Amikom Yogyakarta does not assume any responsibility if there is any breach of copyright in distributing these files or metadata. (All authors are urged to prominently assert their copyright on the title page of their work.)

For work being deposited by someone other than its author: I hereby declare that the collection of files and associated bibliographic metadata that I am archiving at EPrints Universitas Amikom Yogyakarta) is in the public domain. If this is not the case, I accept full responsibility for any breach of copyright that distributing these files or metadata may entail.

Clicking on the deposit button indicates your agreement to these terms.