OPTIMASI HYPERPARAMETER RANDOM FOREST DENGAN STRATIFIED K-FOLD CROSS VALIDATION UNTUK KLAS- IFIKASI TINGKAT STRES MAHASISWA

Tingkat stres mahasiswa merupakan salah satu aspek yang perlu diperhatikan ka-
rena dapat dipengaruhi oleh berbagai faktor psikologis, akademik, sosial, dan
lingkungan. Penelitian ini bertujuan untuk mengklasifikasikan tingkat stres maha-
siswa menggunakan algoritma Random Forest serta membandingkan performa
model sebelum dan sesudah optimasi hyperparameter. Data yang digunakan ada-
lah dataset Student Stress Factors: A Comprehensive Analysis yang terdiri atas
1.100 data, 20 fitur, dan tiga kategori tingkat stres. Optimasi hyperparameter dil-
akukan menggunakan GridSearchCV dengan penerapan Nested Stratified K-Fold
Cross Validation. Evaluasi model menggunakan metrik Accuracy, Precision Mac-
ro, Recall Macro, dan F1-Score Macro, sedangkan uji McNemar digunakan untuk
menganalisis perbedaan kesalahan klasifikasi kedua model. Hasil penelitian
menunjukkan bahwa model baseline memperoleh Accuracy sebesar 87,6727%,
sedangkan model optimized memperoleh 87,6909%. Hasil uji McNemar menun-
jukkan nilai p lebih besar dari 0,05 pada seluruh pengujian berdasarkan random
seed, sehingga belum terdapat bukti statistik yang cukup untuk menyatakan adan-
ya perbedaan kesalahan klasifikasi yang signifikan antara kedua model. Dengan
demikian, optimasi hyperparameter menghasilkan peningkatan nilai Accuracy
yang sangat kecil dan belum menunjukkan perbedaan performa yang signifikan
secara statistik.