MULTI LABEL KLASIFIKASI UNTUK PREDIKSI DEPRESSION, ANXIETY, DAN BURNOUT MENGGUNAKAN RANDOM FOREST

Abstract

Peningkatan aktivitas digital, tekanan akademik, serta pola hidup yang kurang seimbang menjadi faktor yang berkontribusi terhadap munculnya gangguan kesehatan mental seperti depression, anxiety, dan burnout. Ketiga kondisi tersebut dapat muncul secara bersamaan sehingga diperlukan pendekatan klasifikasi yang mampu melakukan prediksi multi kondisi dalam satu proses analisis. Penelitian ini bertujuan untuk membangun model prediksi kesehatan mental menggunakan pendekatan multi label classification dengan algoritma Random Forest. Dataset penelitian menggunakan 2.000 data dengan variabel aktivitas dan gaya hidup yang terdiri dari stress level, daily screen time, social media usage, age, dan sleep hours. Proses penelitian dilakukan menggunakan framework CRISP-DM melalui tahapan data understanding, preprocessing, modeling, dan evaluation. Pada tahap preprocessing dilakukan rekonstruksi label menggunakan weighted risk score dan penambahan kombinasi variabel berbasis pola perilaku untuk meningkatkan kemampuan diskriminasi model. Evaluasi model dilakukan menggunakan metrik subset accuracy, hamming accuracy, serta F1-score untuk mengukur performa klasifikasi multi label yang dihasilkan. Hasil pengujian menunjukkan bahwa model Random Forest memperoleh subset accuracy sebesar 85,75%, hamming accuracy sebesar 94,08%, serta micro F1-score dan macro F1-score sebesar 94,08%. Selain itu, akurasi pada masing-masing label menunjukkan nilai sebesar 93,25% untuk depression, 94,75% untuk anxiety, dan 94,25% untuk burnout. Hasil tersebut menunjukkan bahwa algoritma Random Forest mampu melakukan klasifikasi multi label terhadap kondisi kesehatan mental berdasarkan pola aktivitas harian individu, dengan performa label Anxiety (akurasi 94,75%, F1-score 94,71%), Burnout (akurasi 94,25%, F1-score 94,21%), dan Depression (akurasi 93,25%, F1-score 93,33%). Validasi silang 5-fold menghasilkan rata-rata akurasi 94,25%