<![CDATA[Kesehatan mental merupakan bagian penting dalam kesejahteraan individu, dengan gangguan mental seperti skizofrenia, bipolar, dan depresi yang dapat memengaruhi kualitas hidup. Namun, diagnosa yang akurat untuk membedakan jenis gangguan ini seringkali menjadi tantangan karena gejala yang saling tumpang tindih. Penelitian ini bertujuan untuk mengklasifikasikan tiga jenis gangguan mental menggunakan algoritma XGBoost dan mengidentifikasi fitur penting yang berpengaruh dalam proses klasifikasi. Metode yang digunakan mencakup pengumpulan data dari dataset Kaggle yang berisi 3753 data pasien dengan 53 atribut dan 3 kelas gangguan mental. Proses pre-processing dilakukan untuk menormalkan data, yang kemudian digunakan untuk melatih model XGBoost. Hasil penelitian menunjukkan akurasi model sebesar 98,67% dengan nilai precision, recall, dan F1-score yang sangat tinggi, menunjukkan bahwa XGBoost efektif dalam mengklasifikasikan gangguan mental. Fitur utama yang berpengaruh dalam klasifikasi antara lain halusinasi, pikiran atau ucapan yang tidak teratur, dan delusi. Penelitian ini menyarankan penelitian lebih lanjut untuk pengembangan fitur dan validasi klinis model ini dalam konteks dunia medis.]]>
Copyrights © 2026
