Komparasi Performa Algoritma Random Forest dan Random Forest-SMOTE dalam Mengklasifikasikan Risiko Depresi Berdasarkan Faktor Gaya Hidup

⭐ Nayottama Erwana, Ivan (2026) Komparasi Performa Algoritma Random Forest dan Random Forest-SMOTE dalam Mengklasifikasikan Risiko Depresi Berdasarkan Faktor Gaya Hidup. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (460kB)
	PDF BAB_I.pdf Download (520kB)
	PDF BAB_II.pdf Download (474kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (592kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (379kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (362kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (977kB)
	Archive (ZIP) 00000066882_2521_LembarPengesahan.pdf Restricted to Registered users only Download (63kB)

Abstract

Depresi merupakan gangguan kesehatan mental yang dipengaruhi oleh berbagai faktor gaya hidup dan tekanan lingkungan. Keterlambatan deteksi sering terjadi, terutama ketika menggunakan pemodelan pada data yang mengalami ketidakseimbangan kelas (class imbalance). Penelitian ini bertujuan untuk mengklasifikasikan risiko depresi berdasarkan variabel usia, durasi tidur, pola makan, stres finansial, jam kerja/belajar (work/study hours), dan tekanan harian menggunakan pendekatan machine learning. Metodologi yang digunakan mengacu pada kerangka kerja CRISP-DM dengan mengevaluasi secara komparatif algoritma Random Forest konvensional sebagai model baseline melawan Random Forest yang dioptimasi menggunakan teknik oversampling SMOTE (Synthetic Minority Over-sampling Technique). Hasil penelitian menunjukkan bahwa model Random Forest baseline menghasilkan akurasi global sebesar 90%, namun memiliki tingkat sensitivitas (recall) yang rendah, yaitu 0,66 pada pendeteksian kelas minoritas (depresi). Sebaliknya, integrasi SMOTE pada model Random Forestterbukti efektif memperluas ruang keputusan algoritma, menghasilkan lonjakan recall yang signifikan menjadi 0,89 dengan kompromi akurasi keseluruhan di angka 88%. Analisis feature importance mengungkap bahwa usia (72%), tekanan harian (15%), dan stres finansial (10%) merupakan faktor prediktor depresi yang paling dominan. Kesimpulannya, intervensi penyeimbangan data sintetis pada model Random Forest sukses menekan angka kesalahan deteksi (false negative) secara drastis, menghasilkan instrumen skrining depresi dini yang lebih sensitif dan reliabel.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Nayottama Erwana, Ivan (00000066882)
Contributors:	Wella, Wella
Keywords:	Depresi, Klasifikasi, Machine Learning, Random Forest, SMOTE
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	23 Jul 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/47923

Actions (login required)

View Item