Pendekatan Random Forest untuk Klasifikasi Tingkat Burnout Mahasiswa Berdasarkan Pola Aktivitas Harian

Abstract

Burnout akademik merupakan kondisi kelelahan fisik, emosional, dan mental akibat tingginya tuntutan kuliah yang dapat menurunkan motivasi serta kualitas hidup mahasiswa. Oleh karena itu, diperlukan pendekatan yang mampu memberikan indikasi awal tingkat burnout secara lebih cepat dan objektif. Penelitian ini bertujuan membangun sistem klasifikasi tingkat burnout mahasiswa berdasarkan pola aktivitas harian menggunakan algoritma Random Forest dengan kerangka CRISP-DM. Data penelitian diperoleh melalui kuesioner daring dari 1.026 mahasiswa Universitas Muhammadiyah Sukabumi. Variabel prediktor meliputi jam tidur, waktu istirahat, intensitas screen time, keteraturan pola tidur, dan beban akademik, dengan target klasifikasi tingkat burnout rendah, sedang, dan tinggi. Tahap prapengolahan data meliputi transformasi data, pelabelan, penanganan class imbalance menggunakan SMOTE, serta hyperparameter tuning menggunakan GridSearchCV. Model divalidasi menggunakan Stratified K-Fold Cross-Validation dan dievaluasi dengan pembagian data 80:20. Hasil penelitian menunjukkan bahwa model Random Forest memperoleh akurasi 88,83%, dengan nilai weighted average precision, recall, dan F1-score masing-masing 0,89. Model berhasil diimplementasikan ke dalam aplikasi berbasis web menggunakan Hugging Face untuk memberikan indikasi awal tingkat burnout mahasiswa. Hasil tersebut menunjukkan bahwa algoritma Random Forest memiliki performa yang baik dalam mengklasifikasikan tingkat burnout.   Kata Kunci - Burnout Akademik, Klasifikasi, Machine Learning, Pola Aktivitas Harian, Random Forest