Klasifikasi Tingkat Kecanduan Game Online Berbasis Aktivitas Digital Menggunakan Algoritma Random Forest
DOI:
https://doi.org/10.35145/jmapteksi.v8i2.6147Kata Kunci:
Random Forest, Aktivitas Digital, Game Online , Klasifikasi, Google Looker StudioAbstrak
Perkembangan teknologi digital telah meningkatkan penggunaan game online pada berbagai kalangan. Aktivitas bermain yang berlebihan dapat menggambarkan tingginya tingkat keterlibatan pemain yang berpotensi pada kecenderungan kecanduan game. Oleh karena itu, diperlukan pendekatan berbasis data untuk mengklasifikasikan tingkat keterlibatan pemain secara lebih objektif. Penelitian ini bertujuan mengklasifikasikan tingkat keterlibatan kecenderungan kecanduan game online berdasarkan aktivitas digital menggunakan algoritma Random Forest, mengidentifikasi variabel yang berkontribusi terhadap hasil klasifikasi, serta menyajikan hasil analisis dalam dashboard interaktif menggunakan Google Looker Studio. Data yang digunakan merupakan Online Gaming Behavior Dataset dari Kaggle yang terdiri atas 40.034 data dan 13 variabel. Penelitian dilakukan melalui tahapan preprocessing data, analisis korelasi Pearson, penanganan class imbalance menggunakan Synthetic Minority Over-sampling Technique (SMOTE), pelatihan model Random Forest dengan optimasi Randomized Search, serta evaluasi menggunakan Confusion Matrix. Hasil penelitian menunjukkan bahwa algoritma Random Forest mampu mengklasifikasikan tingkat keterlibatan pemain ke dalam kategori Low, Medium dan High dengan akurasi sebesar 90%. Model memperoleh nilai precision, recall, dan F1-score pada rentang 0,89–0,92, yang menunjukkan performa klasifikasi sangat baik. Selain itu, dashboard Google Looker Studio berhasil menyajikan hasil klasifikasi dan informasi aktivitas digital secara interaktif sehingga memudahkan interpretasi data. Dengan demikian, algoritma Random Forest efektif digunakan untuk mengklasifikasikan tingkat keterlibatan pemain game online berdasarkan aktivitas digital.
Unduhan
Referensi
[1] D. Febriandari and F. A. Nauli, “HUBUNGAN KECANDUAN BERMAIN GAME ONLINE TERHADAP IDENTITAS DIRI REMAJA,” vol. 4, no. 1, pp. 50–56, 2016.
[2] S. B. Kotsiantis, “Supervised Machine Learning : A Review of Classification Techniques,” vol. 31, pp. 249–268, 2007.
[3] L. E. O. Breiman, “Random Forests,” pp. 5–32, 2001.
[4] B. J. Heer and B. Shneiderman, “Interactive Dynamics for Visual Analysis,” pp. 45–54, 2012.
[5] H. D. Cahyani and F. Friyatmi, “Pengaruh Kecanduan Bermain Game Online terhadap Prestasi Akademik melalui Konsentrasi Belajar,” JIIP - J. Ilm. Ilmu Pendidik., vol. 8, no. 6, pp. 5867–5872, 2025, doi: 10.54371/jiip.v8i6.8113.
[6] C. To and T. H. E. Debate, “Inclusion of Gaming Disorder in ICD has more advantages than disadvantages Commentary on : Scholars ’ open debate paper on the World Health Organization ICD-11 Gaming Disorder proposal ( Aarseth et al .),” vol. 6, no. 3, pp. 280–284, 2017, doi: 10.1556/2006.6.2017.046.
[7] A. Nawaf, S. Azura, S. F. Gultom, W. Afriansyah, and A. D. Putra, “Analisis Literasi Digital Dalam Penggunaan Media Sosial Di Kalangan Remaja Desa Payung Kec. Payung Kab. Karo,” J. Hum. Educ., vol. 3, no. 2, pp. 337–343, 2023.
[8] C. Maria, P. Howard, and D. Mark, “Toward a consensus definition of pathological video-gaming: A systematic review of psychometric assessment tools,” Clin. Psychol. Rev., no. August, 2013, doi: 10.1016/j.cpr.2013.01.002.
[9] Y. Resti, C. Irsan, J. F. Latif, I. Yani, and N. R. Dewi, “A Bootstrap-Aggregating in Random Forest Model for Classification of Corn Plant Diseases and Pests,” Sci. Technol. Indones., vol. 8, no. 2, pp. 288–297, 2023, doi: 10.26554/sti.2023.8.2.288-297.
[10] C. Chazar and B. Erawan, “Machine Learning Diagnosis Kanker Payudara Menggunakan Algoritma Support Vector Machine,” Inf. (Jurnal Inform. dan Sist. Informasi), vol. 12, no. 1, pp. 67–80, 2020, doi: 10.37424/informasi.v12i1.48.
[11] B. Mahesh, “Machine Learning Algorithms - A Review,” Int. J. Sci. Res., vol. 9, no. 1, pp. 381–386, 2020, doi: 10.21275/art20203995.
[12] J. Mantik, M. Ula, A. Faridhatul Ulva, and I. Sahputra, “2021) 1910-1914 Accredited,” J. Mantik, vol. 5, no. 3, pp. 1910–1914, 2021.
[13] N. V Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, “SMOTE : Synthetic Minority Over-sampling Technique,” vol. 16, pp. 321–357, 2002.
[14] A. Hadi Wijaya, Ipriadi, and W. Fitri, “Dasboard dan Visualisasi Reservasi Buka Puasa di Hotel XYZ Menggunakan Looker Studio & Google Form,” J. Informatics Busisnes, vol. 01, no. 04, pp. 354–359, 2024.
[15] F. Pedregosa, R. Weiss, and M. Brucher, “Scikit-learn : Machine Learning in Python,” vol. 12, pp. 2825–2830, 2011.
