ANALISIS DETEKSI FENOMENA BRAIN ROT PADA MAHASISWA MENGGUNAKAN METODE RANDOM FOREST
DOI:
https://doi.org/10.54314/jssr.v9i2.6080Keywords:
brainrot; , students;, machine learning, random forest regressor; , digital behaviorAbstract
Abstract: The phenomenon of brain rot poses a serious threat to the decline of students' cognitive function due to excessive exposure to low-quality digital content. This study aims to analyze the severity of brain rot and identify the most dominant digital behavioral factors of this phenomenon among students. As a solution to predict the level of risk quantitatively, this study implemented a machine learning approach using the Random Forest Regressor method. Data were collected from 500 student respondents through observation and questionnaires covering variables such as scrolling duration, app switching, GPA, study time, and cognitive symptoms. The test results showed that the model has not achieved optimal performance with an R2-Score of -0.177, RMSE 35.41, and MAE 31.1661. The low accuracy was influenced by inconsistencies in input data units and weak feature correlation in capturing non-linear patterns in the dataset. The study concluded that although scrolling duration was identified as the main influencing factor, the Random Forest model experienced high bias (underfitting). Therefore, hyperparameter optimization and data quality improvement are needed for future use.
Keyword: brainrot; students; machine learning; random forest regressor; digital behavior.
Abstrak: Fenomena brainrot (pembusukan otak) menjadi ancaman serius bagi penurunan fungsi kognitif mahasiswa akibat paparan konten digital yang berlebihan dan tidak berkualitas. Penelitian ini bertujuan untuk menganalisis tingkat keparahan brainrot serta mengidentifikasi faktor perilaku digital yang paling mendominasi fenomena tersebut pada kalangan mahasiswa. Sebagai solusi untuk memprediksi tingkat risiko secara kuantitatif, penelitian ini mengimplementasikan pendekatan machine learning dengan metode Random Forest Regressor. Data dikumpulkan dari 500 responden mahasiswa melalui observasi dan kuesioner yang mencakup variabel durasi scrolling, app switching, IPK, lama waktu belajar, dan gejala kognitif. Hasil pengujian menunjukkan bahwa model belum mencapai performa optimal dengan nilai R2-Score sebesar -0,177, RMSE 35,41, dan MAE 31,1661. Rendahnya akurasi dipengaruhi oleh ketidakkonsistenan satuan data input serta korelasi fitur yang kurang kuat dalam menangkap pola non-linear pada dataset. Simpulan penelitian menunjukkan bahwa meskipun durasi scrolling teridentifikasi sebagai faktor pengaruh utama, model Random Forest mengalami high bias (underfitting) sehingga diperlukan optimasi hyperparameter dan penyempurnaan kualitas data untuk penggunaan di masa mendatang..
Kata kunci: brainrot; mahasiswa; machine learning; random forest regressor; perilaku digital.
Downloads
References
Alfajr, N. H., & Defiyanti, S. (2024). METODE RANDOM FOREST DAN PENERAPAN PRINCIPAL COMPONENT ANALYSIS ( PCA ). 12(3).
Azzahra, V. A. (2025). Analisis Prediksi Jumlah Penerimaan Mahasiswa Baru Menggunakan Algoritma Random Forest Regressor. Data Sciences Indonesia (DSI), 5(2), 141–148. https://doi.org/10.47709/dsi.v5i2.7467
Budiman, A. S. (2025). ANALISIS PREDIKSI KUALITAS UDARA DENGAN METODE RANDOM FOREST BERDASARKAN DATA CUACA. 824–828.
Kriswantara, B., & Sadikin, R. (2022). Used Car Price Prediction with Random Forest Regressor Model. 6(1), 40–49. https://doi.org/10.52362/jisicom.v6i1.752
Mochamad, N. (2023). Metodologi Penelitian Pendidikan. In UMSIDA Press.
Mohamed, A., Yousef, F., Alshamy, A., Tlili, A., Hosny, A., & Metwally, S. (2025). Demystifying the New Dilemma of Brain Rot in the Digital Era : A Review. December 2024.
Nainggolan, H., & Dewantara, R. (2023). Dampak Promosi Online Serta Mutu Layanan Pengiriman Kepada Loyalitas Konsumen Terhadap Aplikasi Grab. Journal of Computer Science and Information Technology, 1(1), 44–58. https://doi.org/10.59407/jcsit.v1i1.335
Oktavia, F., Rahma, D., Kritis, B., & Kognitif, P. (2025). Analisis Dampak Brain Rot terhadap Kemampuan Berpikir Kritis Anak berdasarkan Teori Perkembangan Kognitif Piaget. 4, 1–14.
Rimalia, W. (2023). Implementation Of Topsis And AHP Methods In Early Detection Of Dental Fever. Indonesian Journal of Intellectual Publication, 3(3), 164–171.
Ristyawan, A., Nugroho, A., & Amarya, T. K. (2025). Optimasi Preprocessing Model Random Forest Untuk Prediksi Stroke. 12(1).
Saepudin Nirwan, Mohammad Ramadhaniyanto, D. H. (2024). Analisis Komparatif Metode AHP-TOPSIS dan AHP-SAW Dalam Sistem Pendukung Keputusan Untuk Menentukan Siswa Terbaik. 16(3), 109–119.
Samual, M. A., Wijanarko, S., & Nasional, U. (2026). Analisis Perbandingan CNN dan Random Forest dalam Klasifikasi Penyakit Tanaman Jambu Mete Comparative Analysis of CNN and Random Forest for Cashew Plant Disease. 15, 961–970.
Waruwu, M., Pu`at, S. N., Utami, P. R., Yanti, E., & Rusydiana, M. (2025). Metode Penelitian Kuantitatif: Konsep, Jenis, Tahapan dan Kelebihan. Jurnal Ilmiah Profesi Pendidikan, 10(1), 917–932. https://doi.org/10.29303/jipp.v10i1.3057
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Feby Wulandari Sembiring, Arip Muhridan, Mhd Ihsan Abidi, Irfan Abadi Saragih, Khairul
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
