<![CDATA[Transformasi digital yang masif pada era modern telah mendorong peningkatan signifikan dalam durasi paparan layar (screen time), yang diidentifikasi sebagai salah satu faktor risiko utama terhadap kesehatan mental, khususnya peningkatan prevalensi stres psikologis. Metode diagnosis konvensional yang mengandalkan instrumen kuesioner mandiri dinilai kurang optimal karena rentan terhadap bias pelaporan dan bersifat subjektif. Penelitian ini bertujuan untuk membandingkan performa tiga algoritma machine learning, yaitu Random Forest, Support Vector Regression (SVR), dan XGBoost Regression, dalam memprediksi skor tingkat stres secara kontinu (skala 0–10) berdasarkan pola penggunaan perangkat digital. Tahapan penelitian meliputi akuisisi dataset "Screentime vs Mental Wellness Survey 2025" dari repositori publik, pra-pemrosesan data melalui imputasi statistik, normalisasi Min-Max Scaling, dan One-Hot Encoding, dilanjutkan dengan pembangunan model menggunakan evaluasi 10-fold cross-validation serta interpretasi model berbasis metode SHAP. Hasil evaluasi pada data uji menunjukkan bahwa XGBoost merupakan model dengan performa terbaik, mencapai nilai Mean Absolute Error (MAE) terendah sebesar 0,6502, Root Mean Squared Error (RMSE) sebesar 0,8253, dan koefisien determinasi (R²) sebesar 0,8367. Temuan ini mengindikasikan bahwa model mampu menjelaskan lebih dari 83% variasi tingkat stres pada data yang belum pernah dilatih sebelumnya. Analisis feature importance mengungkapkan bahwa indeks kesejahteraan mental dan produktivitas merupakan prediktor paling dominan, sedangkan durasi screen time berkontribusi relatif kecil, yang menunjukkan bahwa faktor psikologis internal lebih berpengaruh terhadap stres dibandingkan intensitas interaksi digital semata. Penelitian ini menyimpulkan bahwa pendekatan ensemble learning, khususnya XGBoost, efektif dalam memodelkan fenomena stres yang bersifat kompleks dan multidimensional sebagai dasar pengambilan keputusan klinis berbasis data.]]>
Copyrights © 2026
