Implementasi Algoritma Random Forest Untuk Prediksi Kesehatan Mental Pekerja Berbasis Website

Abstract

Kesehatan mental pekerja menjadi salah satu faktor penting yang memengaruhi produktivitas dan kesejahteraan di lingkungan kerja. Namun masih banyak perusahaan yang belum memiliki mekanisme deteksi dini kesehatan mental yang efektif. Penelitian ini bertujuan mengimplementasikan algoritma Random Forest untuk memprediksi tingkat risiko kesehatan mental pekerja serta mengembangkan sistem prediksi berbasis website. Data yang digunakan dari Mental Health and Lifestyle Dataset yang terdiri dari 10.000 data pekerja dengan atribut demografis, gaya hidup, dan psikologis yang diadaptasi dari instrumen DASS-21, MSPSS, UWES, dan PSQI. Tahap preprocessing yaitu pembersihan data, transformasi data kategorikal, normalisasi menggunakan StandardScaler, pembagian data dengan skenario 80:20 dan 70:30 beserta penyeimbangan kelas menggunakan SMOTE. Proses pemodelan dilakukan menggunakan algoritma Random Forest dengan parameter yang telah ditentukan dan dievaluasi menggunakan metrik accuracy, precission, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model Random Forest mampu memberikan performa yang sangat baik dengan nilai accuracy 97,90%, recall 97,90%, dan F1-score 97,90% pada skenario 70:30. Model kemudian diimplementasikan ke dalam website yang memungkinkan pengguna melakukan asesmen dan memperoleh hasil prediksi risiko kesehatan mental secara otomatis. Penelitian ini menunjukkan bahwa Random Forest efektif digunakan untuk mendukung deteksi dini risiko kesehatan mental pekerja berbasis website.