<![CDATA[Penelitian ini bertujuan untuk menganalisis dampak ketidakseimbangan data terhadap kinerja algoritma Random Forest dalam klasifikasi Generalized Anxiety Disorder (GAD). Dataset yang digunakan terdiri dari empat kelas yang merepresentasikan tingkat kecemasan, yaitu minimal, mild, moderate, dan severe, dengan distribusi data yang tidak seimbang. Sebaran jumlah instances pada masing-masing kelas adalah 5.957 untuk kelas minimal, 2.933 untuk mild, 1.290 untuk moderate, dan 591 untuk severe. Ketidakseimbangan ini berpotensi memengaruhi kemampuan model dalam melakukan klasifikasi kelas minoritas secara akurat. Metode Random Forest diterapkan untuk melakukan klasifikasi, dan evaluasi kinerja model dilakukan menggunakan metrik akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan bahwa model Random Forest menghasilkan tingkat akurasi sebesar 55,29%. Nilai akurasi yang relatif rendah ini mengindikasikan bahwa ketidakseimbangan data memiliki pengaruh signifikan terhadap performa model, khususnya dalam mengenali kelas dengan jumlah data yang lebih sedikit. Penelitian ini menegaskan pentingnya penanganan ketidakseimbangan data dalam proses klasifikasi, terutama pada kasus kesehatan mental seperti GAD, guna meningkatkan kinerja model dan menghasilkan prediksi yang lebih adil serta representatif pada seluruh kelas.]]>
Copyrights © 2026
