Perbandingan Kinerja Random Forest Dan Smote Random Forest Dalam Mendeteksi Dan Mengukur Tingkat Stres Pada Mahasiswa Tingkat Akhir

Penulis

  • Vionota Oktaviani Universitas Pembangunan Nasional Veteran Jakarta
  • Neny Rosmawarni Universitas Pembangunan Nasional Veteran Jakarta
  • M. Panji Muslim Universitas Pembangunan Nasional Veteran Jakarta

DOI:

https://doi.org/10.52958/iftk.v20i1.9158

Kata Kunci:

Klasifikasi, Random Forest, Oversampling SMOTE, Stress.

Abstrak

Dalam kehidupan sehari-hari manusia, stres merupakan masalah nyata sehingga menjadi bagian yang tidak terpisahkan. Ketidaksiapan individu dalam menghadapi tuntutan akademis dapat mengakibatkan stres sebagai salah satu gangguan psikologis. Dalam hal ini, stres akademik merupakan stres yang dialami oleh mahasiswa, terutama mahasiswa tingkat akhir. Adanya banyak tekanan baik dari masalah ekonomi, akademik maupun kondisi sosial dapat menjadi pemicu stres bagi mahasiswa tingkat akhir. Penelitian ini bertujuan untuk mengklasifikasikan diagnosa tingkat stress mahasiswa tingkat akhir dengan membandingkan kinerja yang terbaik antara Random Forest dengan SMOTE Random Forest. Data yang diolah dalam penelitian ini merupakan data yang dihasilkan oleh kuesioner yang berisi 14 pertanyaan yang ditujukan pada mahasiswa tingkat akhir yang sedang melaksanakan skripsi. Adapun hasil dari penelitian ini, disimpulkan bahwasannya metode Random Forest dengan menggunakan SMOTE mampu mempengaruhi dan meningkatkan evaluasi klasifikasi studi kasus klasifikasi diagnosa mahasiswa tingkat akhir dengan akurasi sebesar 71%, precision sebesar 72% dan recall sebesar 71% pada pembagian 80% data latih, 20% data uji dengan nilai K=5.

Referensi

Sudarsono, B. G., dan Lestari, S. P. Diagnosa Tingkat Depresi Mahasiswa Akhir Terhadap Penelitian Ilmiah Menggunakan Algoritma K-Nearest Neighbor. Vol. 4, pp. 1094–1099, 2020. https://doi.org/10.30865/mib.v4i4.2448

Istammaroh, S. T. F. Klasifikasi rekurensi pasien kanker payudara menggunakan metode Random Forest (RF). 2020, UIN Sunan Ampel Surabaya.

Sultan Farel Syah Reza. Implementasi Algoritma Random Forest Terhadap Prediksi Good Loan/Bad Loan Kredit Nasabah Bank Di Jakarta. 2023. Universitas Pembangunan Nasional Veteran Jakarta.

Pramana, S., Yuniarto, B., Mariyah, S., Santoso, I., dan Nooraeni, R. Data mining dengan R konsep setara implementasi (1st ed.). Bogor : IN MEDIA, 2018.

Google for Developers. Machine Learning: Data Tidak Seimbang. Retrieved December 5, 2023, from https://developers.google.com/machine-learning/data-prep/construct/sampling-splitting/imbalanced-data?hl=id.

Yarah, H. R. Perbandingan Random Forest Dan Smote Random Forest Pada Klasifikasi Berat Badan Lahir Rendah (BBLR), 2023.

Giovanniello, J., Bravo-Rivera, C., Rosenkranz, A., dan Matthew Lattal, K. Stress, associative learning, and decision-making. Neurobiology of Learning and Memory, vol.204, pp.107812, 2023. https://doi.org/10.1016/J.NLM.2023.107812.

Ambarwati, P. D., Pinilih, S. S., dan Astuti, R. T. Gambaran Tingkat Stres Mahasiswa. Jurnal Keperawatan Jiwa vol. 5, no.1.

MA Putri, N Rosmawarni. Klasifikasi Kematangan Melinjo (Gnetum Gnemon Linn.) Berdasarkan Citra HSV dengan K-Nearest Neighbors. Krea-TIF: Jurnal Teknik Informatika, 2023

N Rosmawarni, RD Amalia, Z Niqotaini. Pengaplikasian Penggunaan Microsoft Office Sebagai Media Pengajaran Dan Pembelajaran Bagi Guru Di Smks Mandiri Bojonggede Bogor. Jurnal Abdimas Bina Bangsa, 2023.

TDR Octavia, N Rosmawarni, A Zaidiah. Implementasi Algoritma Multiple Linear Regression untuk Memprediksi Temperatur Udara Berdasarkan Kadar Zat Polutan di Kota Tangerang Selatan. JRSF Raya, 2024.

Unduhan

Diterbitkan

2024-04-26

Terbitan

Bagian

Article