PENERAPAN ALGORITMA DATA MINING UNTUK KLASIFIKASI TINGKAT KESEHATAN MENTAL PEKERJAMuhammadAmikatuzzainauthorPenelitian ini bertujuan untuk menerapkan teknik data mining dalam mengklasifikasikan tingkat kesehatan mental pekerja guna memberikan instrumen deteksi dini yang objektif. Permasalahan utama yang diangkat adalah tingginya risiko gangguan psikososial di lingkungan perusahaan yang sering kali terlambat ditangani akibat keterbatasan diagnosa awal. Metodologi yang digunakan dalam penelitian ini mengikuti kerangka kerja Knowledge Discovery in Databases (KDD) yang mencakup tahap pra-pemrosesan data, seleksi fitur, hingga implementasi enam algoritma klasifikasi, yaitu Naive Bayes, XGBoost, Random Forest, SVM, Logistic Regression, dan AdaBoost. Untuk mengatasi ketidakseimbangan kelas pada dataset survei yang berjumlah 1.259 responden, diterapkan teknik Synthetic Minority Over-sampling Technique (SMOTE). Hasil penelitian menunjukkan bahwa penggunaan delapan fitur kunci, seperti riwayat keluarga dan interferensi kerja, sangat efektif dalam memprediksi kebutuhan penanganan kesehatan mental. Berdasarkan pengujian metrik evaluasi, algoritma Naive Bayes dan XGBoost menunjukkan performa paling unggul dengan tingkat akurasi mencapai 0,8413. Secara khusus, XGBoost mencatatkan nilai recall sebesar 0,9055, yang mengindikasikan sensitivitas tinggi dalam mendeteksi individu yang benar-benar membutuhkan bantuan profesional. Perbandingan dengan penelitian terdahulu mengonfirmasi bahwa integrasi teknik SMOTE dan algoritma ensemble dalam penelitian ini mampu melampaui capaian akurasi model-model sebelumnya. Kesimpulannya, model klasifikasi yang dihasilkan memiliki reliabilitas yang kuat untuk diintegrasikan ke dalam sistem pendukung keputusan bagi perusahaan dalam melakukan intervensi dini terhadap kesehatan mental pekerja.000 Ilmu komputer, informasi dan pekerjaan umum005 Pemrograman komputer, program dan data2025-02-19Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis