eprintid: 32044
rev_number: 16
eprint_status: archive
userid: 12
dir: disk0/00/03/20/44
datestamp: 2026-07-09 07:19:22
lastmod: 2026-07-09 07:19:22
status_changed: 2026-07-09 07:19:22
type: thesis
metadata_visibility: show
creators_name: Amikatuzzain, Muhammad
creators_nim: 22.12.2560
contributors_name: Aminuddin, Afrig
corp_creators: Universitas AMIKOM Yogyakarta
title: PENERAPAN ALGORITMA DATA MINING UNTUK
KLASIFIKASI TINGKAT KESEHATAN MENTAL PEKERJA
ispublished: pub
subjects: 000.000.000A
subjects: 000.000.005
divisions: sch_phy
full_text_status: restricted
keywords: Data Mining, Kesehatan Mental, Klasifikasi, Naive Bayes,
XGBoost, SMOTE, Mental Health, Classification.
abstract: Penelitian 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.
date: 2025-02-19
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: Fakultas Ilmu Komputer
thesis_type: bachelor
thesis_name: skripsi
citation:   Amikatuzzain, Muhammad  (2025) PENERAPAN ALGORITMA DATA MINING UNTUK KLASIFIKASI TINGKAT KESEHATAN MENTAL PEKERJA.  S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/32044/1/COVER.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32044/2/BAB%20I.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32044/3/BAB%20II.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32044/4/BAB%20III.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32044/5/BAB%20IV.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32044/6/BAB%20V.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32044/7/Daftar%20Pustaka%20dan%20Lampiran.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32044/8/Sourcecode%20-%2022.12.2560.zip
document_url: https://eprints.amikom.ac.id/id/eprint/32044/9/Publikasi.pdf