http://eprints.amikom.ac.id/id/eprint/31802 2026-06-30T03:05:48Z info:eu-repo/semantics/descriptiveMetadata https://eprints.amikom.ac.id/id/eprint/31802/ ANALISIS PENGARUH PENGATURAN OPTIMASI PADA ALGORITMA XGBOOST UNTUK MEMPREDIKSI KESEHATAN MENTAL SISWA SEKOLAH MENENGAH Riduan, Nor 000 Ilmu komputer, informasi dan pekerjaan umum 003 Sistem-sistem Kesehatan mental merupakan aspek penting dari kesejahteraan manusia yang semakin mendapat perhatian, khususnya pada kalangan remaja. Penelitian ini bertujuan untuk memprediksi kondisi kesehatan mental siswa menggunakan pendekatan regresi berbasis machine learning dengan algoritma XGBoost. Untuk meningkatkan performa prediksi, dilakukan optimasi menggunakan tiga metode, yaitu Genetic Algorithm , Particle Swarm Optimization , dan Bayesian Optimization . Evaluasi performa model dilakukan menggunakan metrik Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R²). Hasil eksperimen menunjukkan bahwa model baseline menghasilkan nilai MSE sebesar 0,8893, RMSE 0,9430, MAPE 23,31%, dan R² sebesar 0,3841. Setelah dilakukan optimasi, seluruh metode menunjukkan peningkatan performa model. PSO menghasilkan nilai MSE dan RMSE terendah serta nilai R² tertinggi sebesar 0,5135, GA menghasilkan nilai MAPE terendah sebesar 21,89%, sedangkan BO menunjukkan performa yang kompetitif dalam meminimalkan kesalahan prediksi secara relatif. Hasil ini menunjukkan bahwa optimasi secara signifikan meningkatkan performa model prediksi kesehatan mental siswa, namun efektivitasnya bersifat kondisional dan dipengaruhi oleh kesesuaian metode optimasi dengan karakteristik data psikososial yang digunakan. 2026-01-07 Thesis NonPeerReviewed text id https://eprints.amikom.ac.id/id/eprint/31802/1/23.55.1382%20-%20Nor%20Riduan.pdf Riduan, Nor (2026) ANALISIS PENGARUH PENGATURAN OPTIMASI PADA ALGORITMA XGBOOST UNTUK MEMPREDIKSI KESEHATAN MENTAL SISWA SEKOLAH MENENGAH. S2 - Magister thesis, Universitas AMIKOM Yogyakarta. info:eu-repo/semantics/objectFile info:eu-repo/semantics/humanStartPage