Klasifikasi Tingkat Stres Awal Mahasiswa dalam Mengerjakan Skripsi Menggunakan Algoritma Random Forest (Studi kasus : Mahasiswa UMN)

Kristoffen, Kristoffen (2026) Klasifikasi Tingkat Stres Awal Mahasiswa dalam Mengerjakan Skripsi Menggunakan Algoritma Random Forest (Studi kasus : Mahasiswa UMN). Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (235kB)
	PDF BAB_II.pdf Download (293kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (314kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (588kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (247kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (227kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000069360_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Skripsi merupakan tahap akademik yang menuntut kemandirian dan pengelolaan diri tinggi, sehingga rentan memicu stres pada mahasiswa, dengan prevalensi stres mahasiswa Indonesia tercatat lebih tinggi dibanding rata-rata Asia maupun dunia. Deteksi yang dilakukan sedini mungkin selama proses pengerjaan skripsi dinilai penting agar intervensi dapat diberikan sebelum kondisi berkembang menjadi lebih kronis; istilah "awal" dalam penelitian ini merujuk pada waktu dilakukannya penyaringan, bukan pada fase stres secara klinis. Penelitian ini bertujuan membangun model klasifikasi berbasis algoritma Random Forest untuk mendeteksi tingkat stres mahasiswa Universitas Multimedia Nusantara (UMN) yang sedang mengerjakan skripsi. Data diperoleh dari kuesioner self-report berisi 11 butir pertanyaan (Q1­Q11) yang disusun bersama psikolog UMN, dengan total 200 responden. Data dipraproses melalui label encoding pada fitur kategoris, dilanjutkan dengan pelabelan empat kelas target (Mild, Moderate, Severe, Very Severe) yang dibangkitkan secara otomatis dari total skor hasil encoding menggunakan metode kuartil. Model dilatih dengan pembagian data latih dan uji 80:20, kemudian dioptimalkan melalui hyperparameter tuning menggunakan GridSearchCV dengan 5-fold cross-validation. Hasil evaluasi menunjukkan model awal dan model setelah tuning mencapai akurasi yang sama, yaitu 72,50%, dengan F1-score tertimbang sebesar 0,7114 (model awal) dan 0,7092 (model tertuning). Performa terbaik diperoleh pada kelas Mild dan Very Severe (F1-score di atas 0,85), sedangkan kelas Moderate dan Severe masih sulit dibedakan akibat tumpang tindih pola jawaban. Analisis feature importance menunjukkan bahwa jenis kendala yang dihadapi (Q4) dan strategi alternatif saat menghadapi kebuntuan (Q7) merupakan prediktor terkuat. Penelitian ini menyimpulkan bahwa Random Forest mampu mempelajari pola jawaban kuesioner secara konsisten, khususnya pada kategori ekstrem. Perlu dicatat bahwa label target dibangkitkan secara otomatis tanpa anotasi ahli, sehingga nilai akurasi yang diperoleh merefleksikan kemampuan model mereplikasi aturan pelabelan dan belum dapat dimaknai sebagai akurasi deteksi tingkat stres. Penetapan bobot skor ordinal bersama psikolog serta pelabelan oleh ahli menjadi prasyarat utama bagi pengembangan lanjutan.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Kristoffen, Kristoffen (00000069360)
Contributors:	Vasty Overbeek, Marlinda
Keywords:	Deteksi Stres, Klasifikasi, Mahasiswa Skripsi, Random Forest
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	24 Jul 2026 08:01
URI:	https://kc.umn.ac.id/id/eprint/48017

Actions (login required)

View Item