Kesehatan mental adalah aspek krusial dalam kehidupan individu yang meliputi kondisi psikologis, sosial, dan emosional. Gangguan mental, seperti depresi, kecemasan, gangguan bipolar, dan skizofrenia, dapat memengaruhi kesejahteraan serta fungsi sehari-hari seseorang. memerlukan diagnosis serta penanganan yang tepat untuk mendukung kualitas hidup individu. Penelitian ini mengkaji penggunaan algoritma Random Forest, sebuah metode pembelajaran mesin berbasis ensemble learning, untuk mendiagnosis kondisi mental. Random Forest dipilih karena kemampuannya meningkatkan akurasi prediksi dengan mengurangi risiko overfitting.
Penelitian ini menggunakan dataset "Mental Disorder Classification" yang mencakup data dari 120 pasien dengan 17 gejala utama untuk mendiagnosis lima jenis gangguan mental. Hyperparameter model dioptimalkan menggunakan GridSearchCV untuk menghasilkan parameter terbaik. Model Random Forest mencapai akurasi 91.67% pada data uji, yang menunjukkan kemampuan generalisasi yang baik tanpa indikasi overfitting.
Hasil evaluasi menunjukkan bahwa Random Forest memiliki performa terbaik dibandingkan model lain seperti KNN, SVM, Logistic Regression, dan Naive Bayes, dengan rata-rata precision, recall, dan F1-score masing-masing sebesar 0.9365, 0.8958, dan 0.9076. Model ini menunjukkan performa tertinggi pada kelas "Bipolar Depresif" dengan F1-score sebesar 0.9412 dan pada kelas "Depresi Mayor" dengan F1-score sebesar 0.9231. Meskipun recall pada kelas "Individu Normal" lebih rendah (0.7500), model tetap menunjukkan keseimbangan performa yang baik di semua kelas target. Penelitian ini membuktikan efektivitas Random Forest dalam mengembangkan sistem diagnostik berbasis pembelajaran mesin, yang dapat membantu profesional kesehatan mental membuat diagnosis cepat dan akurat, sekaligus meningkatkan kualitas layanan kesehatan mental melalui teknologi AI.