Analisis Perbandingan Model Random Forest dan XGBoost untuk Klasifikasi Tingkat Kecanduan Media Sosial

Abstract

Tingginya intensitas penggunaan media sosial yang tidak terkendali, khususnya pada remaja dan dewasa muda, dapat menyebabkan kecanduan media sosial yang berdampak pada fungsi kognitif dan prestasi akademik. Penelitian ini bertujuan untuk menganalisis kinerja serta membandingkan performa algoritma Random Forest dan XGBoost dalam klasifikasi tingkat kecanduan media sosial. Dataset yang digunakan adalah Students Social Media Addiction dengan jumlah 705 responden. Tahap pra-pemrosesan mencakup penghapusan atribut yang tidak relevan, pembentukan variabel target menggunakan metode tertile ke dalam kelas Low, Medium, dan High, serta encoding pada variabel kategorikal. Pengujian dilakukan melalui skenario pembagian data 70:30, 80:20, dan 90:10 dengan validasi 10-fold cross-validation. Hasil penelitian menunjukkan bahwa kedua algoritma menghasilkan performa tinggi pada seluruh skenario. Pada skenario 80:20, Random Forest memperoleh validation accuracy sebesar 97,52%, test accuracy sebesar 98,58%, F1-score macro sebesar 98,61%, standar deviasi sebesar 0,028, dan generalization gap sebesar 0,0248. Sementara itu, XGBoost memperoleh validation accuracy sebesar 97,31%, test accuracy sebesar 98,58%, F1-score macro sebesar 98,59%, standar deviasi sebesar 0,025, dan generalization gap sebesar 0,0269. Random Forest memberikan nilai validation accuracy, F1-score, dan generalization gap yang lebih baik, sedangkan XGBoost memiliki standar deviasi lebih rendah yang menunjukkan bahwa model tersebut memiliki performa yang lebih konsisten pada setiap fold dalam proses cross-validation. Dengan demikian, kedua model dapat dinyatakan efektif dalam mengklasifikasikan tingkat kecanduan media sosial, dengan skenario pembagian data 80:20 sebagai skenario paling optimal.

Kata Kunci kecanduan media sosial; klasifikasi; machine learning; Random Forest; XGBoost