IMPLEMENTASI MACHINE LEARNING MELALUI PENDEKATAN ALGORITMA RANDOM FOREST DALAM PREDIKSI TINGKAT STRES BERDASARKAN POLA GAYA HIDUP

Anita Khansa Ramadanti; April Lia Hananto; Bayu Priyatna; Agustia Hananto

doi:10.46576/djtechno.v7i1.8457

IMPLEMENTASI MACHINE LEARNING MELALUI PENDEKATAN ALGORITMA RANDOM FOREST DALAM PREDIKSI TINGKAT STRES BERDASARKAN POLA GAYA HIDUP

Anita Khansa Ramadanti, April Lia Hananto, Bayu Priyatna, Agustia Hananto

Abstract

Stres yang tidak terkelola berisiko berkembang menjadi gangguan serius seperti depresi hingga risiko bunuh diri. Machine learning dapat dioptimalkan sebagai solusi deteksi dini berdasarkan kombinasi faktor gaya hidup. Penelitian ini bertujuan untuk mengembangkan model prediksi tingkat stres melalui pendekatan algoritma Random Forest dengan dataset yang diperoleh platform Kaggle. Tahapan penelitian meliputi data preprocessing, penanganan ketidakseimbangan kelas menggunakan SMOTE, hingga evaluasi dan integrasi model. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 0.80, dengan nilai precision, recall, dan F1-Score secara keseluruhan berada pada angka 0,80. Performa terbaik diperoleh pada klasifikasi tingkat stres kategori High dengan F1-Score sebesar 0.86. Model yang telah tervalidasi kemudian diintegrasikan ke dalam antarmuka melalui Streamlit, sehingga mampu memberikan hasil prediksi secara real-time berdasarkan input data pengguna. Penelitian ini membuktikan bahwa algoritma Random Forest efektif dalam mengidentifikasi tingkat stres, dan implementasinya dalam bentuk aplikasi web berpotensi menjadi alat bantu deteksi dini yang fungsional dan sederhana.

Full Text:

PDF

References

L. Anggraeni, “Perspektif Global Kesehatan Mental Kaum Pemuda (Remaja, Adolesen & Dewasa Awal) Di Amerika Serikat, Eropa, Negara Persemakmuran & Asia Tenggara Tahun 2024: Sebuah Tinjauan Pustaka Sistematis,” J. Ilmu Kesehat. Karya Bunda Husada, vol. 10, no. 2, hal. 34–61, Nov 2024, doi: 10.56861/jikkbh.v10i2.140.

F. Firmansyah dan A. Yulianto, “Pemodelan Pembelajaran Mesin untuk Prediksi Kesehatan Mental di Tempat Kerja,” J. Minfo Polgan, vol. 13, no. 1, hal. 397–407, 2024, doi: 10.33395/jmp.v13i1.13674.

C. Nursadrina, K. Rahmayanti, dan M. Sofia, “PENGARUH STRES TERHADAP KESEHATAN MENTAL DAN FISIK : TINJAUAN PSIKOLOGI KLINIS The Impact Of Stress On Mental And Physical Health : A Clinical Psychology Review,” vol. 11, no. 1, hal. 701–705, 2025, doi: https://doi.org/10.33143/jhtm.v11i1.5288.

R. Jannah dan H. Santoso, “Tingkat Stres Mahasiswa Mengikuti Pembelajaran Daring pada Masa Pandemi Covid-19,” J. Ris. dan Pengabdi. Masy., vol. 1, no. 1, hal. 130–146, Jan 2021, doi: 10.22373/jrpm.v1i1.638.

H. Cai dkk., “Prevalence of Suicidality in Major Depressive Disorder: A Systematic Review and Meta-Analysis of Comparative Studies,” Front. Psychiatry, vol. 12, no. September, 2021, doi: 10.3389/fpsyt.2021.690130.

R. Wajhillah, S. Bahri, dan A. Wibowo, “Komparasi Metode Machine Learning pada Diagnosa Gangguan Kejiwaan Depresi,” Syntax J. Inform., vol. 9, no. 1, hal. 26–31, 2020, doi: 10.35706/syji.v9i1.2050.

L. Alzubaidi dkk., Review of deep learning: concepts, CNN architectures, challenges, applications, future directions, vol. 8, no. 1. Springer International Publishing, 2021. doi: 10.1186/s40537-021-00444-8.

A. Agustina, T. Tukino, B. Huda, dan E. Novalia, “Prediksi Volume Penjualan Gadget Berdasarkan Promo dan Channel Penjualan Menggunakan Random Forest,” JUSIFOR J. Sist. Inf. dan Inform., vol. 4, no. 1, hal. 85–91, 2025, doi: 10.70609/jusifor.v4i1.6962.

M. Hussein Umar, R. Daud Antony Pangaribuan, R. Primadana, I. Budiawan, dan R. Pakpahan, “Penerapan Algoritma Random Forest Untuk Prediksi Tingkat Stres Dari Aktivitas Media Sosial,” J. Media Inform. [JUMIN], vol. 6, no. 6, hal. 3113–3112, 2025.

M. A. Hamid, N. Anisa, F. Sains, dan U. S. Mulia, “Penerapan Algoritma Random Forest untuk Klasifikasi Depresi Berdasarkan Faktor Tekanan Kerja dan Kebiasaan Hidup,” vol. 5, no. 1, hal. 46–52, 2025, doi: https://doi.org/10.46880/tamika.Vol5No1.pp46-52.

S. S. A. Larasati, E. N. K. Dewi, B. H. Farhansyah, F. A. Bachtiar, dan F. Pradana, “Penerapan Decision Tree dan Random Forest dalam Deteksi Tingkat Stres Manusia Berdasarkan Kondisi Tidur,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 5, hal. 1043–1050, 2024, doi: 10.25126/jtiik.2024117993.

A. I. Anissa dan A. Qoiriah, “Prediksi Tingkat Stres Berdasarkan Pola Hidup Menggunakan Machine Learning,” J. Informatics Comput. Sci., vol. 07, hal. 292–300, 2025.

Juniardi, Tukino, Bayu Priyatna, dan Shofa Shofia Hilabi, “Klasifikasi Sentimen Analisis Ulasan Aplikasi Alfagift Menggunakan Algoritma Long Short Term Memory,” STORAGE J. Ilm. Tek. dan Ilmu Komput., vol. 4, no. 2, hal. 48–55, 2025, doi: 10.55123/storage.v4i2.5138.

T. Gori, A. Sunyoto, dan H. Al Fatta, “Preprocessing Data dan Klasifikasi untuk Prediksi Kinerja Akademik Siswa,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 1, hal. 215–224, 2024, doi: 10.25126/jtiik.20241118074.

M. A. Setiawan, M. Hasan Efendi, M. Farizal Akbar, dan W. Septian Pratama, “Pengaruh Teknik Preprocessing terhadap Kinerja Model Explainable Boosting Machine (EBM) untuk Prediksi Serangan Jantung,” J. Nusant. Eng., vol. 8, no. 2, hal. 317–326, 2025, [Daring]. Tersedia pada: https://ojs.unpkediri.ac.id/index.php/noe

F. Aprilia, R. A. Anggraini, dan Y. D. Putri, “Prediksi Kelulusan Siswa dengan Algoritma Pembelajaran Mesin: Aplikasi Regresi Linear dan Logistik pada Faktor-Faktor Pendidikan,” ROUTERS J. Sist. dan Teknol. Inf., vol. 3, no. 1, hal. 55–64, 2025, doi: 10.25181/rt.v3i1.3897.

F. Dwi Astuti dan F. Nova Lenti, “Implementasi SMOTE untuk mengatasi Imbalance Class pada Klasifikasi Car Evolution menggunakan K-NN,” J. JUPITER, vol. 13, no. 1, hal. 89–98, 2021.

A. Kurniawan, I., Hananto, A., Hilabi, S., Hananto, A., Priyatna, B., & Rahman, “Perbandingan Algoritma Naive Bayes Dan Svm Dalam Analisis,” vol. 4, no. 1, hal. 392–400, 2025, doi: https://doi.org/https://doi.org/10.35957/jatisi.v10i1.3582.

S. A. Putri dan R. Rachmatika, “Penerapan Algoritma Random Forest dan SMOTE untuk Prediksi Risiko Putus Sekolah Siswa Sekolah Menengah Kejuruan,” Decod. J. Pendidik. Teknol. Inf., vol. 5, no. 3, hal. 903–910, 2025, doi: 10.51454/decode.v5i3.1360.

E. Erlin, Y. Desnelita, N. Nasution, L. Suryati, dan F. Zoromi, “Dampak SMOTE terhadap Kinerja Random Forest Classifier berdasarkan Data Tidak seimbang,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 3, hal. 677–690, 2022, doi: 10.30812/matrik.v21i3.1726.

A. Syukron, S. Sardiarinto, E. Saputro, dan P. Widodo, “Penerapan Metode Smote Untuk Mengatasi Ketidakseimbangan Kelas Pada Prediksi Gagal Jantung,” J. Teknol. Inf. dan Terap., vol. 10, no. 1, hal. 47–50, 2023, doi: 10.25047/jtit.v10i1.313.

C. Cahyaningtyas, Y. Nataliani, dan I. R. Widiasari, “Analisis Sentimen Pada Rating Aplikasi Shopee Menggunakan Metode Decision Tree Berbasis SMOTE,” Aiti, vol. 18, no. 2, hal. 173–184, 2021, doi: 10.24246/aiti.v18i2.173-184.

W. N. Rohman dan I. M. A. Agastya, “Evaluation of SMOTE Technique in the Comparison of XGBoost and Random Forest Algorithms for Liver Disease Prediction,” J. Appl. Informatics Comput., vol. 9, no. 6, hal. 3157–3167, 2025, doi: 10.30871/jaic.v9i6.10239.

L. Amaliana dkk., “Dengan Voting Classifier Dan Random Forest Prediction of Death Risk in Chronic Kidney Failure Patients,” vol. 12, no. 4, hal. 859–866, 2025.

Z. Zuriati, D. K. Widyawati, O. Arifin, K. Saputra, S. Sriyanto, dan A. Ahmad, “Hybrid Machine Learning Approach for Nutrient Deficiency Detection in Lettuce,” TIERS Inf. Technol. J., vol. 6, no. 2, hal. 187–204, 2025, doi: 10.38043/tiers.v6i2.7143.

DOI: https://doi.org/10.46576/djtechno.v7i1.8457