Penerapan Algoritma Random Forest Untuk Prediksi Tingkat Stres Pada Manusia Berdasarkan Kelembaban ,Suhu ,Dan Jumlah Langkah

Stres telah menjadi masalah kesehatan global yang mempengaruhi banyak individu, dengan faktor lingkungan dan aktivitas fisik berperan penting dalam mempengaruhi tingkat stres. Suhu ekstrem, kelembaban tinggi, dan aktivitas fisik yang rendah dapat memperburuk kondisi stres. Penelitian ini bertujuan untuk membangun model prediksi tingkat stres pada manusia berdasarkan faktor kelembaban, suhu, dan jumlah langkah menggunakan algoritma Random Forest. Dataset yang digunakan mencakup 2001 sampel, dengan 1600 sampel untuk pelatihan dan 401 sampel untuk pengujian. Hasil evaluasi menunjukkan bahwa model yang dibangun menghasilkan akurasi sempurna dengan nilai precision, recall, dan F1-score mencapai 1.00 untuk setiap kelas. Cross-validation menunjukkan akurasi 100% pada semua fold, dan ROC Curve menghasilkan AUC = 1.00, yang mengindikasikan kemampuan model yang sangat baik dalam membedakan antara kelas stres yang berbeda. Model ini diharapkan dapat digunakan untuk aplikasi pemantauan stres berbasis wearable device seperti smartwatch, yang memberikan peringatan dini mengenai pola stres pengguna. Penelitian selanjutnya dapat memperluas dataset dengan menambahkan fitur demografis atau data kesehatan untuk meningkatkan akurasi model, serta mengembangkan aplikasi berbasis kecerdasan buatan untuk membantu individu dalam memonitor dan mengelola stres secara lebih efektif.

Kata Kunci: Random Forest, prediksi stres, kelembaban, suhu, jumlah langkah, Confusion Matrix.