Klasifikasi Kesehatan Mental Mahasiswa Model TMAS dengan Algoritma Decision Tree, Logistic Regression, dan Random Forest
Abstract
Di Indonesia, 6,1% penduduk berusia 15 tahun ke atas mengalami gangguan kesehatan mental, dengan 12,69% mahasiswa menunjukkan kerentanan akibat tekanan hidup dan ketidakstabilan mental. Kesehatan mental sangat penting bagi mahasiswa, karena berpengaruh langsung pada kesuksesan akademik mereka. Penelitian ini menganalisis data kesehatan mental mahasiswa dengan dataset yang diambil berdasarkan hasil survey data mahasiswa di kampus Universitas Global Jakarta, dengan hasil survey mengikuti metode TMAS yang di rekomendasikan oleh expert psikolog untuk kemudian di olah menggunakan algoritma Decision Tree, Random Forest, dan Logistic Regression dengan Python. Hasilnya menunjukkan bahwa Logistic Regression mencapai akurasi tertinggi sebesar 90%, diikuti oleh Decision Tree dan Random Forest yang masing-masing memiliki akurasi 80%. Selain itu, model Logistic Regression memberikan prediksi kecemasan paling akurat berdasarkan TMAS dengan akurasi 90%, dibandingkan 80% untuk Decision Tree dan Random Forest.
References
Aditya, M. A., Mulyana, R. D., Eka, I. P., & Widianto, S. R. (2020, February). Penggabungan Teknologi Untuk Analisa Data Berbasis Data Science. In Seminar Nasional Teknologi Komputer & Sains (SAINTEKS) (Vol. 1, No. 1, pp. 51-56).Charbuty, B., & Abdulazeez, A. (2021). Classification Based on Decision Tree Algorithm for Machine Learning. Journal of Applied Science and Technology Trends, 2(01), 20–28. https://doi.org/10.38094/jastt20165
Putra, H. D., Khairani, L., & Hastari, D. (2023, August). Comparison of Naive Bayes Classifier and Support Vector Machine Algorithms for Classifying Student Mental Health Data: Perbandingan Algoritma Naive Bayes Classifier dan Support Vector Machine untuk Klasifikasi Data Kesehatan Mental Mahasiswa. In SENTIMAS: Seminar Nasional Penelitian dan Pengabdian Masyarakat (pp. 120-125).
Ghosh, S. (2024). Comparing Regular Random Forest Model with Weighted Random Forest Model for Classification Problem. International Journal of Statistics and Applications, 2024(1), 7–12. https://doi.org/10.5923/j.statistics.20241401.02
Golzar, J., & Noor, S. (2022). Simple Random Sampling. In IJELS (Issue 2).
Kumar Barman, T., & Kumar, H. (2022). Manifest Anxiety of University Students as related to their Sex and Educational Qualification. 10. https://doi.org/10.25215/1003.097
Lintang, L., Raras1, H., Daffa Pratama2, M., Nadhifa3, M., Nabilla, A., & Larasati4, S. E. (2023). Hubungan Gangguan Kecemasan (Anxiety Disorder) dengan Prestasi Belajar Mahasiswa.
Muzumdar, P., Prasad Basyal, G., & Vyas, P. (2022). An Empirical Comparison of Machine Learning Models for Student’s Mental Health Illness Assessment. In Asian Journal of Computer and Information Systems (Vol. 10, Issue 1). www.ajouronline.com
Pratama, Y. A., Budiman, F., Winarno, S., & Kurniawan, D. (2023). Analisis Optimasi Algoritma Decision Tree, Logistic Regression dan SVM Menggunakan Soft Voting. 7, 1908–1919. https://doi.org/10.30865/mib.v7i4.6856
Syamsu, M. (2021). Peran Data Science dan Data Scientist Untuk Mentransformasi Data Dalam Industri 4.0 (Vol. 2, Issue 1).
Aloysius, S., & Salvia, N. (2021). Analisis Kesehatan Mental Mahasiswa Perguruan Tinggi X Pada Awal Terjangkitnya Covid-19 di Indonesia. Jurnal Citizenship Virtues, 1(2), 83-97.
Thenata, A. P., & Suryadi, M. (2022). Machine Learning Prediction of Anxiety Levels in the Society of Academicians During the Covid-19 Pandemic. Jurnal Varian, 6(1), 81–88. https://doi.org/10.30812/varian.v6i1.2149
Wibowo, M., Rizieq, M., & Djafar, F. (2023). Perbandingan Metode Klasifikasi Untuk Deteksi Stress Pada Mahasiswa di Perguruan Tinggi. https://doi.org/10.30865/mib.v7i1.5182
Copyright (c) 2024 Anindya Hapsari
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
.jpg)
