Klasifikasi kebutuhan konsultasi kesehatan mental pekerja remote menggunakan metode random forest

INDONESIA:

Kesehatan mental pekerja remote menjadi salah satu isu yang semakin mendapat perhatian karena sistem kerja jarak jauh berpotensi meningkatkan stres, kecemasan, dan isolasi sosial yang berdampak pada produktivitas kerja. Penelitian ini bertujuan untuk mengklasifikasikan kebutuhan konsultasi kesehatan mental pekerja remote menggunakan metode Random Forest berdasarkan riwayat treatment. Dataset yang digunakan merupakan data survei kesehatan mental pekerja di sektor teknologi yang telah melalui tahapan data cleaning, label encoding, normalisasi data, dan feature selection menggunakan Feature Importance sehingga diperoleh atribut yang paling relevan dalam proses klasifikasi. Evaluasi model dilakukan menggunakan Stratified K-Fold Cross Validation dengan nilai k sebanyak 5 dan 10 pada tiga skenario pembagian data, yaitu 60:40, 70:30, dan 80:20. Hasil penelitian menunjukkan bahwa metode Random Forest mampu menghasilkan performa klasifikasi yang baik berdasarkan nilai accuracy, precision, recall, F1-score, dan Area Under Curve (AUC) pada seluruh skenario pengujian. Skenario pembagian data 60:40 dengan Stratified K-Fold 10 dan 5 memberikan hasil evaluasi terbaik dibandingkan skenario lainnya, sehingga menunjukkan bahwa model memiliki kemampuan yang baik dalam membedakan pekerja yang membutuhkan konsultasi kesehatan mental dengan yang tidak membutuhkan konsultasi kesehatan mental. Dengan demikian, metode Random Forest dapat digunakan sebagai pendekatan yang efektif untuk mendukung proses klasifikasi kebutuhan konsultasi kesehatan mental pekerja remote sehingga dapat membantu pengambilan keputusan secara lebih cepat, objektif, dan akurat.

ENGLISH:

Mental health among remote workers has become an increasingly important issue because remote working arrangements may increase stress, anxiety, and social isolation, which can negatively affect work productivity. This research aims to classify the mental health consultation needs of remote workers using the Random Forest method based on treatment history. The dataset used in this study was obtained from a mental health survey of technology workers and underwent several preprocessing stages, including data cleaning, label encoding, data normalization, and feature selection using Feature Importance to obtain the most relevant attributes for the classification process. Model evaluation was conducted using Stratified K-Fold Cross Validation with k values of 5 and 10 under three data split scenarios, namely 60:40, 70:30, and 80:20. The experimental results indicate that the Random Forest method achieves good classification performance based on accuracy, precision, recall, F1-score, and Area Under the Curve (AUC) across all testing scenarios. The 60:40 data split scenario with 10 and 5-fold Stratified K-Fold Cross Validation produced the best performance among all scenarios, demonstrating that the proposed model can effectively distinguish between remote workers who require mental health consultation and those who do not. Therefore, the Random Forest method can serve as an effective approach for supporting the classification of remote workers' mental health consultation needs, enabling faster, more objective, and accurate decision-making.

ARAB:

تُعدّ الصحة النفسية لدى العاملين عن بُعد من القضايا التي تحظى باهتمامٍ متزايد، لأن نظام العمل عن بُعد قد يزيد من مستويات التوتر والقلق والعزلة الاجتماعية، مما يؤثر في إنتاجية العاملين. ويهدف هذا البحث إلى تصنيف الحاجة إلى الاستشارة في الصحة النفسية لدى العاملين عن بُعد باستخدام طريقة الغابة العشوائية اعتمادًا على سجل العلاج (Treatment). واعتمدت الدراسة على بيانات مستمدة من استبيان الصحة النفسية للعاملين في قطاع التكنولوجيا، وقد خضعت البيانات لعدة مراحل من المعالجة، شملت تنظيف البيانات، وترميز البيانات، وتطبيع البيانات، واختيار الخصائص باستخدام أهمية الخصائص، وذلك للحصول على أكثر الخصائص ارتباطًا بعملية التصنيف. كما جرى تقييم أداء النموذج باستخدام التحقق المتقاطع الطبقي بطريقة ك-الطيات بقيمتي ٥ و١٠ ضمن ثلاثة سيناريوهات لتقسيم البيانات، وهي ٦٠:٤٠ و٧٠:٣٠ و٨٠:٢٠. وأظهرت نتائج الدراسة أن طريقة الغابة العشوائية حققت أداءً جيدًا في جميع سيناريوهات الاختبار استنادًا إلى مقاييس الدقة (Accuracy)، والإحكام (Precision)، والاستدعاء (Recall)، ودرجة F1-Score، ومساحة ما تحت المنحنى (AUC). كما أظهر سيناريو تقسيم البيانات ٦٠:٤٠ باستخدام التحقق المتقاطع الطبقي بطريقة ك-الطيات بقيمتي ٥ و١٠ أفضل نتائج التقييم مقارنةً بالسيناريوهات الأخرى، مما يدل على قدرة النموذج على التمييز بين العاملين الذين يحتاجون إلى الاستشارة في الصحة النفسية والعاملين الذين لا يحتاجون إليها. وبناءً على ذلك، يمكن اعتماد طريقة الغابة العشوائية بوصفها أسلوبًا فعّالًا لدعم عملية تصنيف الحاجة إلى الاستشارة في الصحة النفسية لدى العاملين عن بُعد، بما يسهم في اتخاذ قرارات أكثر سرعةً وموضوعيةً ودقةً..