Amirulloh, Muhammad Yusuf (2026) PERBANDINGAN KINERJA ALGORITMA MACHINE LEARNING UNTUK PREDIKSI KESEHATAN MENTAL DI SEKTOR TEKNOLOGI. 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 (3MB) |
|
Text (BAB I)
BAB I.pdf - Published Version Download (282kB) |
|
Text (BAB II)
BAB II.pdf - Published Version Restricted to Registered users only Download (1MB) |
|
Text (BAB III)
BAB III.pdf - Published Version Restricted to Registered users only Download (625kB) |
|
Text (BAB IV)
BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB) |
|
Text (BAB V)
BAB V.pdf - Published Version Download (93kB) |
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (130kB) |
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.12.2086.zip Restricted to Repository staff only Download (230kB) |
|
Text (PUBLIKASI)
Publikasi.pdf - Published Version Restricted to Repository staff only Download (644kB) |
Abstract
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.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Prediksi kesehatan mental, Machine learning, Analitik sumber daya manusia, Random forest, Ketidakseimbangan kelas, SMOTE, Mental health prediction, HR analytics, Class imbalance. | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 004 Pemrosesan data dan ilmu komputer | ||
| Divisions: | Fakultas Ilmu Komputer > Sistem Informasi | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 21 Sep 2026 03:03 | ||
| Last Modified: | 21 Sep 2026 03:03 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/32880 |
Actions (login required)
 |
View Item |