Imputasi Multivariate Pada Missing data Untuk Prediksi Kondisi Kesehatan Mental Berbasis Chained Equation

• SOFIYATUL MU’MINAH
• 14002452

---

ABSTRAK

ABSTRAK

Nama              : Sofiyatul Mu’minah

NIM                 : 14002452

Program Studi : Ilmu Komputer

Jenjang           : Strata Dua (S2)

Konsentrasi     : Software Engineering

Judul Thesis  : “Imputasi Multivariate Pada Missing data Untuk Prediksi Kondisi Kesehatan Mental Berbasis Chained Equation”.

Kesehatan mental telah menjadi isu yang semakin mendesak dalam masyarakat kontemporer, terutama di antara pekerja industri teknologi yang sering kali mengalami stress karena tekanan kerja yang tinggi. Penelitian yang berkaitan dengan pengembangan kesehatan mental menggunakan teknologi machine learning semakin berkembang pesat. Namun, salah satu kendala yang sering dihadapi adalah data yang hilang atau missing data, yang memiliki beragam penyebab. Salah satu penyebab utama data kesehatan mental yang tidak lengkap adalah stigma sosial yang kuat yang terkait dengan masalah kesehatan mental. Individu cenderung enggan untuk berpartisipasi dalam survei kesehatan mental karena takut akan stigma ini. Hal ini mengakibatkan ketidaklengkapan data yang dapat menghambat pemahaman yang akurat tentang kondisi kesehatan mental dan pengembangan model machine learning yang efektif. Dalam konteks ini, penelitian ini bertujuan untuk mengatasi masalah data yang hilang dengan menggunakan teknik imputasi data yang disebut Multiple Imputation by Chained Equations (MICE). Hasil evaluasi menggunakan dataset OSMI dengan penanganan missing data menggunakan metode MICE didapatkan hasil accuracy lebih baik dengan ratarata dari tujuh model klasifikasi sebesar 0,76 nilai ini lebih baik dibandingkan dengan metode deletion dengan rata-rata accuracy sebesar 0,67 dan imputasi dengan most frequent rata-rata accuracy 0,70.

KATA KUNCI

Kesehatan Mental,Industri Teknologi,Missing data,Penanganan Data Hilang,MICE

---

DAFTAR PUSTAKA

DAFTAR REFERENSI

[1] U. S. Reddy, A. V. Thota, and A. Dharun, “Machine Learning Techniques for Stress Prediction in Working Employees,” 2018 IEEE Int. Conf. Comput. Intell. Comput. Res. ICCIC 2018, pp. 1–4, 2018, doi: 10.1109/ICCIC.2018.8782395.

[2] Y. N. Harari, “21 Lessons for the 21st Century.,” 2018.

[3] M. Henry and S. M. Isa, “Mental Health Treatment Prediction for Tech Employee With the Implementation of Ensemble Methods,” J. Theor. Appl. Inf. Technol., vol. 100, no. 8, pp. 2675–2685, 2022.

[4] J. Chung and J. Teo, “Mental Health Prediction Using Machine Learning: Taxonomy, Applications, and Challenges,” Appl. Comput. Intell. Soft Comput., vol. 2022, 2022, doi: 10.1155/2022/9970363.

[5] R. J. A. Little and D. B. Rubin, “Statistical analysis with missing data,” Stat. Anal. with Missing data, pp. 1–381, 2014, doi: 10.1002/9781119013563.

[6] W. W. Bemi and R. Nooraeni, “Dampak Redenominasi Terhadap Inflasi Indonesia: Penanganan Missing Menggunakan Metode Case Deletion, Pmm, Rf Dan Bayesian,” Indones. J. Stat. Its Appl., vol. 3, no. 3, pp. 272–286, 2019, doi: 10.29244/ijsa.v3i3.360.

[7] S. J. Davey A, Statistical Power Analysis with Missing data.

[8] Mukarromah, S. Martha, and Ilhamsyah, “Perbandingan Imputasi Missing data Menggunakan Metode Mean Dan Metode Algoritma K-Means,” Bul. Ilm. Mat. Stat. dan Ter., vol. 04, no. 3, pp. 305–312, 2015.

[9] D. B. Rubin, “An overview of multiple imputation Donald B. Rubin, Harvard University One Oxford Street, Cambridge, MA 02138,” Proc. Surv. Res. methods Sect. Am. Stat. Assoc., pp. 79–84, 1988, [Online]. Available: https://ww2.amstat.org/sections/srms/Proceedings/papers/1988_016.pdf

[10] “Mental health.” https://www.who.int/news-room/fact-sheets/detail/mentalhealth-strengthening-our-response

[11] G. K. Awal and K. Rao, Can Machine Learning Predict an Employee’s Mental Health?, vol. 1417 CCIS. 2021. doi: 10.1007/978-3-030-88378- 44 2_19.

[12] D. A. Rusdah and H. Murfi, “XGBoost in handling missing values for life insurance risk prediction,” SN Appl. Sci., vol. 2, no. 8, pp. 1–10, 2020, doi: 10.1007/s42452-020-3128-y.

[13] T. Emmanuel, T. Maupong, D. Mpoeleng, T. Semong, B. Mphago, and O. Tabona, A survey on missing data in machine learning, vol. 8, no. 1. Springer International Publishing, 2021. doi: 10.1186/s40537-021-00516-9.

[14] R. A. Hughes, J. Heron, J. A. C. Sterne, and K. Tilling, “Accounting for missing data in statistical analyses: Multiple imputation is not always the answer,” Int. J. Epidemiol., vol. 48, no. 4, pp. 1294–1304, 2019, doi: 10.1093/ije/dyz032.

[15] E. Hartini, “Implementation of Missing Values Handling Method for Evaluating the System/Component Maintenance Historical Data,” J. Teknol. Reakt. Nukl. Tri Dasa Mega, vol. 19, no. 1, p. 11, 2017, doi: 10.17146/tdm.2017.19.1.3159.

[16] H. Kang, “The prevention and handling of the missing data,” Korean J. Anesthesiol., vol. 64, no. 5, pp. 402–406, 2013, doi: 10.4097/kjae.2013.64.5.402.

[17] J. N. Wulff and L. Ejlskov, “Multiple imputation by chained equations in praxis: Guidelines and review,” Electron. J. Bus. Res. Methods, vol. 15, no. 1, pp. 41–56, 2017.

[18] H. Elmunsyah, R. Mu’awanah, T. Widiyaningtyas, I. A. E. Zaeni, and F. A. Dwiyanto, “Classification of Employee Mental Health Disorder Treatment with K-Nearest Neighbor Algorithm,” ICEEIE 2019 - Int. Conf. Electr. Electron. Inf. Eng. Emerg. Innov. Technol. Sustain. Futur., pp. 211–215, 2019, doi: 10.1109/ICEEIE47180.2019.8981418.

[19] “PREDICTING TECH WORKERS ’ M E N TA L H E A LT H C O N D I T I O N USING MACHINE LEARNING”.

[20] Hui Jiang, Machine Learning Fundamentals. Cambridge University Press, 2021.

[21] R. Alfarezy, E. Ermatita, and R. M. B. Wadu, “Implementasi Algoritma Naïve Bayes Untuk Analisis Klasifikasi Survei Kesehatan Mental (Studi 45 Kasus: Open Sourcing Mental Illness),” Inform. J. Ilmu Komput., vol. 19, no. 1, pp. 1–10, 2023, doi: 10.52958/iftk.v19i1.4696.

[22] F. D. Herliani and A. Kudus, “Penanganan Data Missing dengan Algoritma Multivariate Imputation By Chained Equations (MICE),” vol. XX, no. X, pp. 35–42.

[23] K. Pada, H. Deck, and H. Deck, “KAJIAN METODE IMPUTASI DALAM MENANGANI MISSING DATA Triyani Hendrawati,” pp. 637–642, 2015.

[24] Fahmi Dhimas Irnawan, Indriana Hidayah, and Lukito Edi Nugroho, “Metode Imputasi pada Data Debit Daerah Aliran Sungai Opak, Provinsi DI Yogyakarta,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 10, no. 4, pp. 301– 310, 2021, doi: 10.22146/jnteti.v10i4.2430.

[25] OPEN SOURCING MENTAL ILLNESS, “Mental Health in Tech Survey,” 2014. https://www.kaggle.com/code/kairosart/machine-learning-for-mentalhealth-1/input