View/Open

Author
Nashwa Putri, Laisya

Date Published
25 May 2026

Advisor
Martin Clinton Tosima Manullang, S.T., M.T., Ph.D.,

Subject
Teknik Informatika

Publisher

Stres kerja pada dosen merupakan permasalahan psikososial yang dapat dipengaruhi oleh berbagai faktor individu, pekerjaan, kondisi kesehatan, dan work-life balance. Penelitian ini bertujuan mengembangkan model regresi berbasis machine learning untuk mengestimasi skor stres dosen berdasarkan instrumen Short Stress Overload Scale (SOS-S) menggunakan data survei psikososial. Pendekatan ini dirancang sebagai metode estimatif berbasis data terhadap skor stres self-report dan tidak dimaksudkan sebagai alat diagnosis psikologis maupun klinis. Data penelitian diperoleh melalui penyebaran kuesioner daring kepada dosen perguruan tinggi di Indonesia dan menghasilkan 144 data responden valid setelah proses validasi data dilakukan. Tahap pra-pemrosesan data meliputi imputasi data, normalisasi menggunakan RobustScaler, transformasi fitur kategorikal menggunakan One-Hot Encoding, serta seleksi fitur menggunakan VarianceThreshold. Penelitian ini membandingkan beberapa algoritma regresi, yaitu Mean Regressor, Linear Regression, Support Vector Regressor (SVR), Random Forest Regressor (RFR), Gradient Boosting Regressor (GBR), dan XGBoost Regressor (XGB). Proses hyperparameter tuning dilakukan menggunakan GridSearchCV dengan pendekatan Repeated 5-Fold Cross-Validation sebanyak tiga pengulangan. Evaluasi model dilakukan menggunakan metrik koefisien determinasi (R²), Root Mean Square Error (RMSE), dan Mean Absolute Error (MAE). Hasil penelitian menunjukkan bahwa model berbasis ensemble dan boosting menghasilkan performa evaluasi yang lebih baik dibandingkan pendekatan linear sederhana. Model XGBoost (XGB) memperoleh performa terbaik dengan rata-rata R² sebesar 0,3534, RMSE sebesar 6,8974, dan MAE sebesar 5,4901 yang menunjukkan kemampuan estimasi dalam kategori moderat terhadap variasi skor stres dosen pada dataset penelitian. Analisis feature importance menunjukkan bahwa fitur yang berkaitan dengan work-life balance, kondisi psikososial, dan beberapa karakteristik pekerjaan memiliki kontribusi relatif yang dominan dalam proses estimasi model. Selain itu, model terbaik berhasil diimplementasikan ke dalam aplikasi berbasis web untuk melakukan estimasi skor stres dosen secara interaktif. Secara umum, penelitian ini menunjukkan bahwa pendekatan machine learning memiliki potensi sebagai pendekatan estimatif berbasis data untuk membantu analisis pola stres dosen berdasarkan karakteristik psikososial pada data penelitian yang digunakan.

URI
https://repo.itera.ac.id/depan/submission/SB2606030045

Keyword
machine learning stres dosen regresi XGBoost Short Stress Overload Scale (SOS-S) lecturer stress regression work-life balance