PENERAPAN SMOTE DAN ADABOOST TERHADAP DECISION TREE DAN NAIVE BAYES PADA GANGGUAN KESEHATAN MENTAL

• BAGUS LAKSONO
• 2025

---

Kesehatan mental merupakan aspek penting dalam menjaga kualitas hidup, namun sering kali diabaikan. Data klinis pasien psikologi kian hari semakin banyak, kompleks dan bertumpuk serta berbagai faktor gangguan kesehatan mental semakin beragam menjadi tantangan utama dalam dunia kesehatan. Selain itu, skrining awal gangguan kesehatan mental yang masih konvensional membutuhkan waktu pemrosesan yang lama seiring dengan meningkatnya jumlah pasien psikilogi. Penelitian ini bertujuan untuk membangun model machine learning dalam memprediksi gangguan kesehatan mental. Dataset mental dissorder terdapat ketidakseimbangan kelas yang dapat menurunkan akurasi model prediksi. Oleh karena itu, penerapan SMOTE diperlukan untuk mengatasi ketidakseimbangan kelas. Selanjutnya, diterapkan pada Decision Tree dan Naive Bayes. Setelah data seimbang, dilakukan pengujian dengan 10-Fold Cross Validation dan akurasi dapat ditingkatkan dengan menerapkan AdaBoost untuk meningkatkan kinerja prediksi. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan AUC. Hasil eksperimen menunjukkan bahwa penerapan SMOTE dan AdaBoost pada model Decision Tree memberikan hasil terbaik, yaitu akurasi 95,56% dan AUC 0,996. Temuan ini membuktikan bahwa kombinasi SMOTE dan AdaBoost secara efektif meningkatkan performa model, serta berpotensi diterapkan sebagai sistem pakar dan sistem pendukung keputusan dalam proses mendeteksi dini gangguan kesehatan mental.

• Kesehatan Mental
• SMOTE
• AdaBoost
• Decision Tree
• Naive Bayes

https://repository.bsi.ac.id/repo/69049/PENERAPAN-SMOTE-DAN-ADABOOST-TERHADAP-DECISION-TREE-DAN-NAIVE-BAYES-PADA-GANGGUAN-KESEHATAN-MENTAL
File full-text dikunci.