KOMPARASI ALGORITMA RANDOM FOREST, XGBOOST, DAN LIGHTGBM PADA KLASIFIKASI TINGKAT STRES SISWA BERDASARKAN FAKTOR AKADEMIK DAN LINGKUNGAN
DOI:
https://doi.org/10.35316/jimi.v11i2.10750Keywords:
Stress Level Classification, Random Forest, XGBoost, LightGBM, Hyperparameter TuningAbstract
Stres di kalangan siswa dapat menurunkan motivasi belajar dan pencapaian akademik, namun identifikasi dini masih sangat mengandalkan kuesioner subjektif. Penelitian ini bertujuan untuk membangun model klasifikasi tingkat stres siswa tiga kelas (Rendah, Sedang, Tinggi) berdasarkan faktor akademik dan lingkungan, serta membandingkan kinerja tiga algoritma ensemble, yaitu Random Forest, XGBoost, dan LightGBM. StressLevelDataset dari Kaggle yang berisi 1.100 data siswa dianalisis mengikuti metodologi CRISP-DM; sebanyak 994 data tersisa setelah penghapusan duplikat dan dibagi menjadi data latih dan data uji dengan rasio 80:20. Setiap algoritma dievaluasi dalam skenario baseline dengan parameter bawaan serta skenario tuned menggunakan grid search dengan cross-validation 3 lipatan. Penyetelan hyperparameter meningkatkan akurasi XGBoost dari 88,94% menjadi 91,96% dan LightGBM dari 87,94% menjadi 90,95%, sedangkan Random Forest menurun dari 90,45% menjadi 86,93% karena kedalaman pohonnya dibatasi. XGBoost dengan tuning mencapai kinerja keseluruhan terbaik, dengan skor F1 macro sebesar 0,92, ROC-AUC sebesar 0,9928, dan waktu prediksi di bawah 0,01 detik. Analisis tingkat pentingnya fitur (feature importance) menunjukkan bahwa performa akademik, kekhawatiran karier masa depan, dan beban kerja ekstrakurikuler mendominasi prediksi, sementara faktor lingkungan memberikan kontribusi kecil pada dataset ini. Model XGBoost yang telah disetel diusulkan sebagai dasar alat skrining stres dini berbasis web untuk unit bimbingan konseling sekolah.
Downloads
References
[1] A. Rahmawati, A. Agustini, M. R. Ramadhan, N. M. Zulfaa, and H. Nisrina, "Gangguan kesehatan mental terhadap performa akademik mahasiswa tingkat awal," Educate: Journal of Education and Learning, vol. 3, no. 1, pp. 1–15, 2025, doi: 10.61994/educate.v3i1.329. [2] B. Insantuan, H. Sihotang, E. Murniarti, and J. Buaton, "The impact of academic stress on students’ mental health: A qualitative study of student experiences," Journal La Sociale, vol. 7, no. 2, pp. 624–636, 2026, doi: 10.37899/journal-la-sociale.v7i2.2897. [3] M. Rahma, M. Fikry, and Y. Afrillia, "Prediksi kesehatan mental remaja berdasarkan faktor lingkungan sekolah menggunakan machine learning," Jurnal Informatika: Jurnal Pengembangan IT, vol. 10, no. 2, pp. 382–390, 2025, doi: 10.30591/jpit.v10i2.8556. [4] R. De Filippis and A. Al Foysal, "Comprehensive analysis of stress factors affecting students: a machine learning approach," Discover Artificial Intelligence, vol. 4, no. 1, 2024, doi: 10.1007/s44163-024-00169-6. [5] M. Erkamim, S. Suswadi, M. Z. Subarkah, and E. Widarti, "Komparasi algoritme Random Forest dan XGBoosting dalam klasifikasi performa UMKM," Jurnal Sistem Informasi Bisnis, vol. 13, no. 2, pp. 127–134, 2023, doi: 10.21456/vol13iss2pp127-134. [6] R. Saha, S. Saif, T. Khan, and A. Alabdultif, "A critical systematic review of ensemble learning methods for predictive healthcare," Discover Computing, vol. 29, no. 1, 2026, doi: 10.1007/s10791-026-10005-3. [7] P. Manjunath, T. S, P. Shreya, V. Ashok, and S. Sultana, "Predictive analysis of student stress level using machine learning," International Journal of Engineering Research and Technology (IJERT), vol. 9, no. 12, pp. 76–80, 2021, doi: 10.17577/IJERTCONV9IS12019. [8] M. Anbarasi, S. Thakkilapati, V. R. Vas, and S. V. B. Viswath, "Predictive analysis of student stress level using machine learning," International Journal of Engineering Research and Technology, vol. 12, no. 5, 2023. [9] S. S. Shahapur et al., "Decoding minds: Estimation of stress level in students using machine learning," Indian Journal of Science and Technology, vol. 17, pp. 2002–2012, 2024, doi: 10.17485/IJST/v17i19.2951. [10] K. Yeler and S. Sürücü, "Classification of student stress levels using machine learning methods," International Journal of Advanced Natural Sciences and Engineering Researches, vol. 10, no. 10, 2025. [11] A. Omarbekova et al., "An explainable machine learning framework for academic stress classification among university students: A comparative multi-dataset study with ablation analysis and statistical significance testing," Frontiers in Computer Science, vol. 8, Art. no. 1886274, 2026, doi: 10.3389/fcomp.2026.1886274. [12] D. N. Fahria, K. D. Tania, and R. D. Kurnia, "Analisis komparatif algoritma Random Forest, XGBoost, dan CatBoost untuk klasifikasi tingkat stres pengguna media sosial," Rabit: Jurnal Teknologi dan Sistem Informasi Univrab, vol. 11, no. 1, pp. 1843–1853, 2026, doi: 10.36341/rabit.v11i1.7449. [13] R. Tariq, M. G. Orozco-del-Castillo, M. T. Zamir, M. S. Ramírez-Montoya, and T. Wilberforce, "Explainable artificial intelligence for predictive modeling of student stress in higher education," Scientific Reports, vol. 15, no. 1, 2025, doi: 10.1038/s41598-025-22171-3. [14] M. Imani and H. R. Arabnia, "Hyperparameter optimization and combined data sampling techniques in machine learning for customer churn prediction: A comparative analysis," Technologies, vol. 11, no. 6, 2023, doi: 10.3390/technologies11060167. [15] D. Demirtürk, Ö. Mintemur, and A. Arslan, "Optimizing LightGBM and XGBoost algorithms for estimating compressive strength in high-performance concrete," Arabian Journal for Science and Engineering, 2025, doi: 10.1007/s13369-025-10217-7. [16] A. E. Putri, M. Z. Yumarlin, and J. E. Bororing, "Implementasi K-Means clustering dan model CRISP-DM untuk pengelompokan daerah rawan tindak pidana narkoba di DIY," Jurnal Informatika Teknologi dan Sains (Jinteks), vol. 7, no. 2, pp. 606–615, 2025.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jurnal Ilmiah Informatika

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

