Amikatuzzain, Muhammad (2025) PENERAPAN ALGORITMA DATA MINING UNTUK KLASIFIKASI TINGKAT KESEHATAN MENTAL PEKERJA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf - Published Version Download (566kB) |
|
Text (BAB I)
BAB I.pdf - Published Version Download (299kB) |
|
Text (BAB II)
BAB II.pdf - Updated Version Restricted to Registered users only Download (823kB) |
|
Text (BAB III)
BAB III.pdf - Published Version Restricted to Registered users only Download (624kB) |
|
Text (BAB IV)
BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB) |
|
Text (BAB V)
BAB V.pdf - Published Version Download (83kB) |
|
Text (DAFTAR PUSTAKA - LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (166kB) |
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 22.12.2560.zip - Published Version Restricted to Repository staff only Download (775kB) |
|
Text (PUBLIKASI)
Publikasi.pdf - Published Version Restricted to Repository staff only Download (316kB) |
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.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Data Mining, Kesehatan Mental, Klasifikasi, Naive Bayes, XGBoost, SMOTE, Mental Health, Classification. | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data |
||
| Divisions: | Fakultas Ilmu Komputer > Sistem Informasi | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 09 Jul 2026 07:19 | ||
| Last Modified: | 09 Jul 2026 07:19 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/32044 |
Actions (login required)
 |
View Item |