PREDIKSI TINGKAT KECANDUAN MEDIA SOSIAL MENGGUNAKAN RANDOM FOREST DAN VISUALISASI INTERAKTIF BERBASIS STREAMLIT

Penggunaan media sosial yang semakin meningkat di kalangan remaja dan mahasiswa menimbulkan dampak signifikan terhadap kesehatan mental, kualitas tidur, serta hubungan sosial. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma machine learning, yaitu Random Forest dan Regresi Logistik, dalam memprediksi tingkat kecanduan media sosial. Dataset yang digunakan berasal dari Kaggle dengan 706 responden berusia 16–25 tahun yang mencakup atribut perilaku dan psikologis, seperti durasi penggunaan harian, skor kesehatan mental, serta konflik akibat media sosial. Metode penelitian mengadopsi pendekatan CRISP-DM yang meliputi pengumpulan, pemahaman, persiapan data, pemodelan, evaluasi, dan pengembangan aplikasi berbasis Streamlit. Hasil penelitian menunjukkan bahwa Random Forest memiliki performa terbaik dengan nilai R² sebesar 0,99, MSE 0,02, RMSE 0,02, dan MAE 0,16. Sementara itu, Regresi Logistik juga menunjukkan performa baik dengan R² sebesar 0,98, MSE 0,06, RMSE 0,06, dan MAE 0,24. Atribut yang paling berpengaruh terhadap tingkat kecanduan adalah skor kesehatan mental, konflik akibat media sosial, dan durasi penggunaan harian. Aplikasi yang dikembangkan mampu memberikan prediksi secara interaktif, menampilkan visualisasi feature importance, serta hasil perbandingan performa kedua model. Dengan demikian, penelitian ini berhasil menghadirkan sistem prediksi kecanduan media sosial yang akurat, objektif, dan mudah digunakan untuk mendukung upaya pencegahan di bidang pendidikan maupun kesehatan mental.