Implementasi Algoritma Lightgbm dan Xgboost Menggunakan Metode Semi-Supervised Learning pada Data Klasifikasi Kesehatan Mental
Tahun 2026 · Penulis: Patrisia Ayu Novalia
Faculty of Mathematics and Natural Sciences, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/13481
Skripsi kelompok: digabung dari 2 unggahan dengan isi yang sama.
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Implementasi Algoritma Lightgbm dan Xgboost Menggunakan Metode Semi-Supervised Learning pada Data Klasifikasi Kesehatan Mental
Kesehatan mental adalah masalah penting, khususnya di kalangan mahasiswa yang rentan terhadap tekanan internal maupun eksternal. Klasifikasi awal kebutuhan akan perawatan kesehatan mental turut menentukan apakah intervensi profesional diperlukan. Penelitian ini bertujuan untuk mengembangkan model prediksi untuk perawatan kesehatan mental membutuhkan pendekatan belajar semi-supervising dengan teknik pseudo-labeling. Pseudo-labeling digunakan untuk mengintegrasikan karakteristik populasi lokal khusus dari FMIPA University of Jember menjadi model prediksi, sehingga meningkatkan relevansi data yang merespon. Tujuan kedua adalah membandingkan kinerja dua gradien meningkatkan algoritma LightGBM dan XGBoost. Penelitian menggunakan dataset kesehatan mental publik yang mencakup 261.328 catatan. Langkah preprosesing termasuk menghapus kolom yang tidak relevan, menangani nilai yang hilang, dan menerapkan binari, ternary, dan pengkodean ordinal, menghasilkan dataset dengan 12 fitur masukan numerik. Data dibagi dengan (70:30) untuk pelatihan 70%, validasi 15%, dan pengujian set 15%. Sebuah set terpisah dari 100 respon kuisioner digunakan untuk proses pseudo-labeling, dimana label yang diperkirakan berasal dari model awal pola terintegrasi, dan model ini dilatih ulang. Model terakhir adalah tes terhadap 28 respon kuesioner yang belum tersentuh untuk mengevaluasi implementasinya. Hasilnya menunjukkan bahwa model terakhir mencapai akurasi 70,70% dan AUC 0,7580 dengan algoritma LightGBM, sementara XGBoost mencapai akurasi 70,65% dan AUC 0,7545. Analisis presisi, ingat, dan F1-Score menunjukkan nilai hampir identik untuk kedua algoritma. Sementara perbandingan mengungkapkan kinerja prediktif sebanding di seluruh metrik evaluasi, LightGBM menyimpulkan untuk lebih unggul dari XGBoost karena waktu pelatihan yang lebih cepat 2,2 detik dibandingkan dengan XGBoost 6,6 detik.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,823
Tahun 2025 · Penulis: Adinda Nisa Anggraini
Analisis Metode Smote, Adasyn, dan K-Means Smote Untuk Menangani Ketidakseimbangan data Dalam Penyakit Diabetes
Ada banyak penelitian yang dilakukan untuk menganalisis penyakit diabetes menggunakan algoritma machine learning ataupun metode untuk mengatasi ketidakseimbangan data. Pada penelitian yang dilakukan oleh Sari et al., (2023) dalam penelitiannya yang berjudul “C
- Cosine 0,823
Tahun 2026 · Penulis: Ummu Ni'matun Nada
Implementasi Model XGBoost dengan Hyperparameter Tuning Grid Search pada Sistem Klasifikasi Gangguan Tidur Berbasis Web
Gangguan tidur dapat mempengaruhi kesehatan fisik, kesehatan mental, dan produktivitas individu. Tingkat penyebaran gangguan tidur yang tinggi menunjukkan perlunya deteksi dini turut mengurangi risiko terkena berbagai penyakit kronis. Akan tetapi, metode diagn
- Cosine 0,816
Tahun 2026 · Penulis: Kharisma Kurnia Wulandari
Hybrid Particle Swarm Optimization dan Multi-Layer Perceptron dalam Klasifikasi Biner
Perkembangan pembelajaran mesin telah mendorong penggunaan metode klasifikasi yang mampu menghasilkan prediksi akurat pada pola data yang kompleks. Multi-Layer Perceptron (MLP) adalah salah satu model yang digunakan secara luas karena kemampuannya untuk memper