Claim Missing Document
Check
Articles

Found 12 Documents
Search

Deteksi Tingkat Gangguan Kecemasan Menggunakan Metode Random Forest Ghefira Zahra Nur Fadhilah; Rizal Adi Saputra; Asa Hari Wibowo
Jurnal Teknik Vol. 13 No. 1 (2024): Januari - Juli 2024
Publisher : Universitas Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jt.v13i1.10648

Abstract

Abstract Anxiety is something that must exist in life, so everyone must have it. In everyday life, having anxiety is normal, but excessive anxiety can lead to self-stabilization disorders so that it is classified as an anxiety disorder. With reference to these conditions, this research was conducted with the aim of identifying the early stages of anxiety disorders using the Data Mining process and the Random Forest algorithm. This research applies the Knowledge Discovery in Database (KDD) method for data processing and uses the GAD-7 questionnaire in data collection with a total of 670 records. This study also applied 10-fold cross validation for model evaluation with specificity, sensitivity, and accuracy parameters. The final results of the study show that the prediction of anxiety levels with the Random Forest algorithm has an accuracy rate of 89.55%. Of the total respondents, 12.99% were categorized as normal or not experiencing anxiety disorders, 28.06% experienced mild anxiety disorders, 32.84% experienced moderate anxiety, and 26.12% experienced severe anxiety.Abstrak Kecemasan adalah suatu hal yang pasti ada dalam kehidupan, sehingga semua orang pasti memilikinya. Dalam kehidupan sehari-hari memiliki kecemasan adalah hal yang normal, tetapi kecemasan yang berlebihan dapat mengakibatkan gangguan kestabilan diri sehingga diklasifikasikan sebagai gangguan kecemasan. Dengan merujuk dari kondisi tersebut, penelitian ini dilakukan dengan tujuan mengidentifikasi tahap awal gangguan kecemasan dengan menggunakan proses Data Mining dan algoritma Random Forest. Penelitian ini menerapkan metode Knowledge Discovery in Database (KDD) untuk pemrosesan data dan menggunakan kuesioner GAD-7 dalam pengumpulan data dengan banyak responden 670 record. Penelitian ini juga menerapkan 10-fold cross validation untuk evaluasi model dengan paramater spesifisitas, sensitivitas, dan akurasi. Hasil akhir dari penelitian ini menunjukkan bahwa hasil prediksi tingkat kecemasan dengan algoritma Random Forest memiliki tingkat akurasi 89,55%. Dari total responden, 12,99% dikategorikan normal atau tidak mengalami gangguan kecemasan, 28,06% mengalami gangguan kecemasan ringan, 32,84% mengalami kecemasan sedang, dan 26,12% mengalami kecemasan berat.
Identifikasi dan Klasifikasi Tingkat Gejala Depresi Remaja Menggunakan Logistic Regression Multinomial Berdasarkan Dukungan Sosial dan PHQ-9 (Studi Kasus: LPKA Kelas II Kendari) Ermila Ermila; Nani Restati Siregar; Asa Hari Wibowo
Journal of Engineering and Science Application Vol. 4 No. 1 (2027): November-april
Publisher : Institute Of Advanced Knowledge and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/jesa.v4i1.126

Abstract

Masalah kesehatan mental seperti depresi kerap dialami remaja di Lembaga Pembinaan Khusus Anak (LPKA), namun skrining rutin sering kali belum optimal. Penelitian ini bertujuan mengklasifikasikan tingkat gejala depresi remaja di LPKA Kelas II Kendari menggunakan pendekatan Logistic Regression Multinomial berdasarkan tiga dimensi dukungan sosial, yaitu keluarga, teman, dan orang yang berarti. Data dikumpulkan dari 72 anak binaan laki-laki berusia 14–19 tahun melalui kuesioner Patient Health Questionnaire-9 (PHQ-9) yang digunakan untuk membentuk label empat tingkat gejala (tidak ada gejala, ringan, sedang, dan berat) serta Multidimensional Scale of Perceived Social Support (MSPSS) yang menghasilkan tiga fitur. Model dievaluasi menggunakan Stratified 5-Fold Cross Validation dan kontribusi tiap dimensi diuji melalui ablasi fitur. Hasil penelitian menunjukkan akurasi rata-rata sebesar 91,62% dengan macro F1-score 0,9091 dan tetap stabil pada pengulangan sepuluh kali dengan rata-rata akurasi 94,30%. Kelas sedang dan berat dikenali seluruhnya, sedangkan kesalahan hanya terjadi pada kelas tidak ada gejala dan ringan. Uji ablasi fitur mengindikasikan bahwa dimensi teman memberikan penurunan akurasi terbesar jika dihilangkan 20,48 poin, disusul orang yang berarti dan keluarga, meskipun urutan ini baru menunjukkan kecenderungan karena variasi antarlipatan yang besar. Model akhir berhasil diimplementasikan ke dalam aplikasi web berbasis Flask sebagai alat bantu skrining awal bagi petugas. Hasil klasifikasi ini merupakan skrining awal, bukan diagnosis, dan diharapkan dapat mempermudah identifikasi dini risiko depresi pada remaja di lembaga pembinaan.