PREDIKSI KESEHATAN MENTAL MAHASISWA UNIVERSITAS YUDHARTA PASURUAN DENGAN KLASIFIKASI DECISION TREE
DOI:
https://doi.org/10.23960/jitet.v13i3S1.7925Abstract Views: 153 File Views: 117
Keywords:
decision tree, rapidminer, naive bayes, kesehatan mental, mahasiswaAbstract
Kesehatan mental mahasiswa menjadi perhatian penting di lingkungan pendidikan tinggi karena berdampak langsung terhadap prestasi akademik dan kualitas hidup mereka. Penelitian ini bertujuan untuk membangun sistem prediksi tingkat kesehatan mental mahasiswa Universitas Yudharta Pasuruan menggunakan algoritma klasifikasi Decision Tree dengan 3 kriteria yaitu gain ratio, information gain dan gini indeks serta peneliti membandingkan dengan algoritma naive bayes. Data diperoleh dari 215 responden melalui kuesioner DASS-21 yang mengukur tiga aspek utama: depresi, kecemasan, dan stres. Data tersebut diproses dan diklasifikasikan ke dalam lima kategori kondisi mental: Normal, Ringan, Sedang, Berat, dan Sangat Berat. Proses pengolahan dilakukan melalui tahapan preprocessing data, penentuan label kelas, hingga implementasi algoritma Decision Tree 3 kriteria dan algoritma Naive Bayes menggunakan RapidMiner. Evaluasi performa model dilakukan dengan confusion matrix, akurasi prediksi, serta nilai koefisien Kappa. Hasil penelitian menunjukkan bahwa mayoritas dari 215 responden berada dalam kategori Sangat Berat. Di antara ketiga kriteria tersebut, Information Gain menghasilkan performa terbaik dengan akurasi 94,41%, precision 93,7%, recall 92,8%, dan F1-score 93,2%. Sistem ini diharapkan dapat membantu deteksi dini masalah kesehatan mental mahasiswa dan mendukung layanan konseling kampus secara lebih efektif.
Downloads
References
K. Battista, K. A. Patte, L. Diao, J. A. Dubin, and S. T. Leatherdale, “Using Decision Trees to Examine Environmental and Behavioural Factors Associated with Youth Anxiety, Depression, and Flourishing,” Int. J. Environ. Res. Public Health, vol. 19, no. 17, 2022, doi: 10.3390/ijerph191710873.
O. Ahmed, R. A. Faisal, S. M. A. H. M. Alim, T. Sharker, and F. A. Hiramoni, “The psychometric properties of the Depression Anxiety Stress Scale-21 (DASS-21) Bangla version,” Acta Psychol. (Amst)., vol. 223, p. 103509, 2022, doi: 10.1016/j.actpsy.2022.103509.
Y. Huang, S. Li, B. Lin, S. Ma, J. Guo, and C. Wang, “Early Detection of College Students’ Psychological Problems Based on Decision Tree Model,” Front. Psychol., vol. 13, no. August, pp. 1–10, 2022, doi: 10.3389/fpsyg.2022.946998.
J. Sarita, I. Lu, I. Maylani, and P. Setyawati, “Pengaruh Kesehatan Mental Terhadap Stress Akademik Pada Mahasiswa Di Universitas X Dengan Menggunakan Metode Algoritma Decision Tree J48”.
K. JASMINE, “済無No Title No Title No Title,” Penambahan Natrium Benzoat Dan Kalium Sorbat Dan Kecepatan Pengadukan Sebagai Upaya Penghambatan Reaksi Inversi Pada Nira Tebu, vol. 05, no. 01, pp. 25–36, 2024.
H. Hamka and M. Yusuf, “Spiritualitas, Kecemasan, dan Stres selama Pandemi COVID-19,” J. Psikol. Islam dan Budaya, vol. 6, no. 1, pp. 47–54, 2023, doi: 10.15575/jpib.v6i1.14145.
M. A. Hakim and N. V. Aristawati, “Mengukur depresi, kecemasan, dan stres pada kelompok dewasa awal di Indonesia: Uji validitas dan reliabilitas konstruk DASS-21,” J. Psikol. Ulayat, vol. 10, no. 2, pp. 232–250, 2023, doi: 10.24854/jpu553.
Q. Ameliatus and Z. Fatah, “Klasifikasi Kelulusan Mahasiswa Menggunakan Metode Decision Tree Menggunakan Aplikasi Rapidminer,” J. Ris. Tek. Komput. , vol. 1, no. 4, pp. 58–64, 2024.
M. Sholeh, E. K. Nurnawati, and U. Lestari, “Penerapan Data Mining dengan Metode Regresi Linear untuk Memprediksi Data Nilai Hasil Ujian Menggunakan RapidMiner,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 8, no. 1, pp. 10–21, 2023, doi: 10.14421/jiska.2023.8.1.10-21.
A. H. Suasapha, “Skala Likert Untuk Penelitian Pariwisata; Beberapa Catatan Untuk Menyusunnya Dengan Baik,” J. Kepariwisataan, vol. 19, no. 1, pp. 26–37, 2020, doi: 10.52352/jpar.v19i1.407.
A. Priya, S. Garg, and N. P. Tigga, “ScienceDirect ScienceDirect Predicting Anxiety , Depression and Stress in Modern Life using Predicting Anxiety , Depression and Stress in Modern Life using Machine Learning Algorithms Machine Learning Algorithms,” PROCS, vol. 167, no. 2019, pp. 1258–1267, 2020, doi: 10.1016/j.procs.2020.03.442.
K. Duangchaemkarn, “Machine Learning-Based Classification of Mental Health State Using the DASS-21 Profile,” no. November, 2024, doi: 10.1109/BMEiCON64021.2024.10896316.
A. Naik and L. Samant, “Correlation Review of Classification Algorithm Using Data Mining Tool: WEKA, Rapidminer, Tanagra, Orange and Knime,” Procedia Comput. Sci., vol. 85, no. Cms, pp. 662–668, 2016, doi: 10.1016/j.procs.2016.05.251.
S. Widaningsih, “Penerapan Data Mining untuk Memprediksi Siswa Berprestasi dengan Menggunakan Algoritma K Nearest Neighbor,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 9, no. 3, pp. 2598–2611, 2022, doi: 10.35957/jatisi.v9i3.859.
M. Makara-Studzińska, E. Tyburski, M. Załuski, K. Adamczyk, J. Mesterhazy, and A. Mesterhazy, “Confirmatory Factor Analysis of Three Versions of the Depression Anxiety Stress Scale (DASS-42, DASS-21, and DASS-12) in Polish Adults,” Front. Psychiatry, vol. 12, no. January, pp. 1–9, 2022, doi: 10.3389/fpsyt.2021.770532.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Jurnal Informatika dan Teknik Elektro Terapan
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
