PORTALPUBLIKASIPORTALPUBLIKASI

Journal of Research and Publication InnovationJournal of Research and Publication Innovation

Penelitian ini menerapkan pendekatan kuantitatif berbasis eksperimen komputasi untuk mengembangkan model prediksi tingkat stres mahasiswa yang akurat. Desain penelitian menggunakan metode cross-sectional dengan pengumpulan data melalui instrumen kuesioner daring yang mengintegrasikan variabel multidimensi, mencakup Perceived Stress Scale (PSS-10) sebagai variabel target, serta Pittsburgh Sleep Quality Index (PSQI) dan Self-Compassion Scale (SCS) sebagai fitur prediktor utama di samping variabel akademik. Tantangan utama berupa ketidakseimbangan data diatasi dengan menerapkan teknik Synthetic Minority Over-sampling Technique (SMOTE) pada tahap pra-pemrosesan untuk mensintesis sampel kelas minoritas dan mencegah bias mayoritas. Pada tahap pemodelan, algoritma Random Forest Classifier digunakan karena keunggulannya dalam menangani hubungan non-linear yang kompleks, dan dibandingkan kinerjanya dengan Logistic Regression sebagai model baseline. Validasi model dilakukan menggunakan metode 10-Fold Cross-Validation untuk menguji generalisasi data. Evaluasi performa difokuskan pada metrik Recall, Precision, dan F1-Score guna memastikan sensitivitas model dalam mendeteksi kasus stres tinggi secara efektif sebagai sistem peringatan dini (early warning system) yang relevan secara klinis.

Penelitian ini berhasil menyajikan model prediktif yang akurat, sensitif, dan relevan secara klinis.Peningkatan akurasi dicapai melalui peralihan algoritma ke Random Forest dan penerapan teknik SMOTE untuk mengatasi ketidakseimbangan data.Penambahan variabel psikologis (self-compassion) dan fisiologis (kualitas tidur) memperkuat validitas input data dan meningkatkan kemampuan model dalam mendeteksi kasus stres tinggi.Hasil penelitian ini memberikan landasan bagi pengembangan sistem deteksi dini dan intervensi yang ditargetkan untuk mendukung kesehatan mental mahasiswa.

Berdasarkan keterbatasan penelitian dan saran penelitian lanjutan yang telah disebutkan, beberapa ide penelitian baru dapat dieksplorasi lebih lanjut. Pertama, penelitian longitudinal dapat dilakukan untuk menguji hubungan sebab-akibat antara variabel-variabel yang diteliti, seperti pengaruh kualitas tidur terhadap tingkat stres mahasiswa dalam jangka waktu tertentu. Kedua, penelitian kualitatif dapat dilakukan untuk menggali lebih dalam pengalaman subjektif mahasiswa dalam menghadapi stres, termasuk strategi coping yang mereka gunakan dan faktor-faktor lingkungan yang mendukung atau menghambat kesejahteraan mental mereka. Ketiga, pengembangan aplikasi mobile berbasis model prediksi stres ini dapat diimplementasikan untuk memberikan intervensi dini yang personal dan mudah diakses oleh mahasiswa, misalnya melalui rekomendasi latihan relaksasi atau konseling online. Penelitian-penelitian ini diharapkan dapat memberikan pemahaman yang lebih komprehensif tentang kompleksitas stres pada mahasiswa dan berkontribusi pada pengembangan program kesehatan mental yang lebih efektif dan berkelanjutan.

  1. #pengumpulan data#pengumpulan data
  2. #stres mahasiswa#stres mahasiswa
Read online
File size480.79 KB
Pages10
Short Linkhttps://juris.id/p-332
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test