%X Sektor teknologi menghadapi kesenjangan operasional yang signifikan
dalam pengelolaan kesejahteraan kesehatan mental tenaga kerja secara proaktif,
yang disebabkan oleh stigma yang masih melekat terhadap upaya mencari
perawatan. Penelitian ini bertujuan untuk memprediksi kecenderungan profesional
teknologi dalam mencari dukungan kesehatan mental secara sukarela dengan
memanfaatkan teknik machine learning. Dengan menganalisis lebih dari 1.200
respons dari OSMI Mental Health in Tech Survey, penelitian ini memodelkan
pengaruh faktor demografis, manfaat di tempat kerja, serta aspek anonimitas
terhadap perilaku pencarian perawatan. Tahapan prapemrosesan data dilakukan
secara komprehensif, termasuk penerapan metode SMOTE untuk mengatasi
ketidakseimbangan kelas serta evaluasi terhadap dua belas algoritma klasifikasi.
Hasil penelitian menunjukkan bahwa algoritma Random Forest menghasilkan
kinerja terbaik dengan tingkat akurasi sebesar 83,07% dan nilai F1-score sebesar
0,83, yang efektif dalam menangkap interaksi nonlinier pada data. Selain itu, model
Random Forest secara signifikan mengungguli model dasar Decision Tree tunggal
dengan peningkatan kinerja sekitar 7,6%, sehingga menegaskan pentingnya
penggunaan metode ensemble dalam mengurangi varians model. Temuan ini
menyoroti potensi analitik prediktif dalam membantu organisasi merancang
intervensi kesehatan mental yang lebih terarah dan tetap menjaga privasi individu.
%T PERBANDINGAN KINERJA ALGORITMA MACHINE LEARNING UNTUK
PREDIKSI KESEHATAN MENTAL DI SEKTOR TEKNOLOGI
%I Universitas AMIKOM Yogyakarta
%L universitasamikomyogyakarta32880
%K Prediksi kesehatan mental, Machine learning, Analitik sumber daya
manusia, Random forest, Ketidakseimbangan kelas, SMOTE, Mental health prediction, HR analytics, Class imbalance.
%D 2026
%A Muhammad Yusuf Amirulloh