Penerapan Algoritma Random Forest Untuk Klasifikasi Tingkat Kecanduan Smartphone Pada Pengguna Bedasarkan Pola Penggunaan Digital
Keywords:
Smartphone Addiction, Random Forest, CRISP-DM, Klasifikasi, FlaskAbstract
Penggunaan smartphone yang semakin meningkat dalam berbagai aktivitas sehari-hari memberikan banyak manfaat, namun juga berpotensi menyebabkan kecanduan yang dapat berdampak pada kesehatan, produktivitas, dan interaksi sosial. Oleh karena itu, diperlukan suatu sistem yang mampu mengidentifikasi tingkat kecanduan smartphone secara cepat dan akurat. Penelitian ini bertujuan mengembangkan sistem klasifikasi tingkat kecanduan smartphone berbasis web menggunakan algoritma Random Forest dengan menerapkan metode Cross Industry Standard Process for Data Mining (CRISP-DM). Tahapan penelitian meliputi Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Dataset yang digunakan merupakan Mobile Addiction Dataset yang terdiri atas 13.589 data dengan 12 atribut, kemudian dilakukan preprocessing berupa penghapusan atribut yang tidak relevan, encoding, standard scaling, serta pembagian data menjadi data latih dan data uji dengan rasio 80:20. Hasil penelitian menunjukkan bahwa model Random Forest menghasilkan akurasi pengujian sebesar 97,5% dengan nilai Cross Validation sebesar 97,6%, sehingga mampu mengklasifikasikan tingkat kecanduan smartphone dengan tingkat kesalahan yang rendah. Implementasi model ke dalam aplikasi berbasis Flask berhasil mengintegrasikan seluruh tahapan klasifikasi dalam satu sistem yang mudah digunakan. Dengan demikian, tujuan penelitian untuk membangun sistem klasifikasi tingkat kecanduan smartphone berbasis web yang akurat dan terintegrasi telah berhasil dicapai.
References
[1] A. Verrel, I. Z. Maulana, V. A. Liu, and A. Prabowo, “Klasifikasi kecanduan smartphone mahasiswa universitas esa unggul menggunakan machine learning dan sas-sv,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 6, no. 3, pp. 585–593, Dec. 2025, doi: 10.37859/coscitech.v6i3.9817.
[2] C. Angkasa, N. P. Dharshinni, and S. Cang Willgert, “PENGARUH SCREEN TIME BERDASARKAN TUJUAN PENGGUNAAN TERHADAP ADIKSI GADGET MENGGUNAKAN SUPPORT VECTOR MACHINE,” 2026. [Online]. Available: https://www.kaggle.com/datasets/sumedh1507/
[3] A. Septiani, A. R. P. Cahyani, H. Damaputra, N. D. Nurfitri, R. Rolastuan, and A. Purnamawati, “Analisis Prediktif Tingkat Kecanduan Penggunaan Smartphone Pada Anak Menggunakan Algoritma C4.5,” Jurnal Komputer Antartika, vol. 3, no. 4, pp. 165–172, Dec. 2025, doi: 10.70052/jka.v3i4.1246.
[4] F. Salsabilla Nurul Aulia and Z. Fikry, “Hubungan Kesepian dengan Smartphone Addiction Pada Mahasiswa Merantau di Universitas Negeri Padang,” Zulian Fikry INNOVATIVE: Journal Of Social Science Research, vol. 5, pp. 2967–2989, 2025.
[5] H. Nuramadini et al., “KLASIFIKASI TINGKAT KECANDUAN SMARTPHONE PADA REMAJA MENGGUNAKAN ALGORITMA RANDOM FOREST,” 2026. [Online]. Available: https://ikmi.ac.id/page/18/?lang=de
[6] I. Sutoyo, “IMPLEMENTASI ALGORITMA DECISION TREE UNTUK KLASIFIKASI DATA PESERTA DIDIK,” vol. 14, no. 2, 2018, [Online]. Available: www.bsi.ac.id
[7] W. Setyanto and D. Y. Wicaksono, “Klasifikasi Tingkat Kecanduan Media Sosial dengan Menggunakan Algoritma Random Forest,” 2026.
[8] F. Ayuning Tyas, A. Basir, A. Elistya Ardhin, and P. Korespondensi, “PREDIKSI RESIKO PENGGUNAAN MEDIA SOSIAL TERHADAP KESEHATAN MENTAL MENGGUNAKAN EXPLORATORY DATA ANALYSIS (EDA) DAN CROSS INDUSTRY STANDARD PROCESS FOR DATA MINING (CRISP-DM),” vol. 13, no. 2, pp. 487–498, 2026.
[9] S. Saputra, F. Hidayat, W. Gunawan, I. R. Rahadjeng, and K. Kunci, “KLASIFIKASI DAMPAK KECANDUAN MEDIA SOSIAL MAHASISWA DENGAN SVM DAN K-MEANS,” 2026.
[10] D. Maheswari et al., “IMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI DAMPAK POLA PENGGUNAAN MEDIA SOSIAL TERHADAP KESEJAHTERAAN EMOSIONAL,” 2025.
