Sistem identifikasi tingkat keparahan depresi berdasarkan data kecanduan game menggunakan metode isolation forest dan lightgbm

Game online merupakan suatu jenis permainan yang banyak digunakan pada zaman sekarang. Game online yang dimainkan secara berlebihan dapat menimbulkan dampak buruk bagi penggunanya, salah satunya penyakit mental. Penyakit mental yang diakibatkan oleh kecanduan game dapat meningkatkan resiko depresi. Resiko-resiko depresi dapat berupa resiko ringan, sedang, dan berat. Berdasarkan permasalahan tersebut maka tujuan penelitian ini yaitu untuk mengidentifikasi tingkat keparahan depresi berdasarkan data kecanduan game. Metode klasifikasi yang digunakan pada penelitian ini ialah menggunakan metode LightGBM dikarenakan LightGBM mampu menghasilkan performa klasifikasi yang unggul dengan akurasi tinggi. Data kecanduan game pada penelitian ini memiliki data outlier. Keberadaan data outlier ini dapat memengaruhi hasil klasifikasi sehingga penanganan outlier digunakan dalam penelitian ini. Metode penanganan outlier yang digunakan dalam penelitian ini ialah Isolation Forest dikarenakan mampu menangani data outlier dengan optimal. Hasil pada penelitian didapatkan dengan menggunakan klasifikasi LightGBM mendapatkan rata-rata hasil akurasi sebesar 90,25% kemudian hasil dari penanganan outlier dengan menggunakan Isolation Forest serta LightGBM didapatkan hasil akurasi sebesar 91,38% pada Contamination Percentage (CP) 7%. Berdasarkan hasil tersebut terjadi kenaikan nilai akurasi sebesar 1,13%. Didapatkan kesimpulan bahwa dengan menggunakan penanganan outlier Isolation Forest dan LightGBM mendapatkan performa yang baik dibuktikan dengan peningkatan akurasi pada hasil klasifikasi.