BSIBSI

Indonesian Journal on Software Engineering (IJSE)Indonesian Journal on Software Engineering (IJSE)

Kesehatan mental merupakan isu global yang memerlukan perhatian serius, terutama di kalangan mahasiswa dan masyarakat umum. Keterbatasan akses layanan profesional dan stigma sosial menjadi hambatan utama deteksi dini gangguan kejiwaan. Penelitian ini mengembangkan Aplikasi Mobile Deteksi Dini Gangguan Kejiwaan dengan metode Certainty Factor (CF) dan memvalidasi sistem menggunakan dataset mental health dari Kaggle. Model pengembangan menggunakan pendekatan Waterfall yang mencakup analisis kebutuhan, perancangan sistem, implementasi, pengembangan aplikasi menggunakan bahasa pemrograman Java dengan tools Basic4Android (B4A), serta pengujian dan evaluasi. Aplikasi dirancang dengan lima menu utama: Informasi, Mulai Tes, Riwayat, Konsultasi, dan Tentang. Dataset Student Depression Dataset dari Kaggle dengan 36,200 records digunakan untuk validasi, mencakup variabel akademik, gaya hidup, dan faktor psikososial. Metode CF menghitung tingkat keyakinan diagnosis dengan mengombinasikan bobot pakar dan input pengguna melalui kuesioner dengan tiga pilihan jawaban (Tidak, Kadang, Sering). Sistem mampu mendiagnosis tujuh jenis gangguan kejiwaan: Skizofrenia, Gangguan Kecemasan, Depresi, Bipolar, OCD, BPD, dan PTSD. Hasil pengujian menunjukkan akurasi sistem 80.6%, dengan sensitivitas 68.4% dan spesifisitas 84.2%. Validasi dengan dataset Kaggle memperkuat reliabilitas sistem dalam mengidentifikasi faktor risiko. Penelitian ini berkontribusi pada pengembangan e-health untuk deteksi dini kesehatan mental yang accessible, user-friendly, dan evidence-based.

Penelitian ini berhasil mengembangkan Aplikasi Mobile Deteksi Dini Gangguan Kejiwaan dengan metode Certainty Factor (CF) yang divalidasi secara empiris menggunakan dataset Kaggle berisi 36.Aplikasi ini dikembangkan menggunakan Basic4Android dan mampu mendiagnosis tujuh gangguan mental dengan sistem tiga pilihan jawaban (Tidak/Kadang/Sering) yang selaras dengan pendekatan dimensional DSM-5.Faktor risiko utama meliputi stres finansial (OR 4.01), dan durasi tidur <5 jam (OR 1.42), dengan korelasi signifikan antara CF_pakar dan CF_empiris (r = 0.5/100 (Excellent) dan agreement 84% (Kappa = 0.Untuk penelitian selanjutnya, diperlukan studi longitudinal, uji klinis terkontrol, serta pengembangan hybrid CF–ML dan integrasi rekam medis elektronik untuk memperluas manfaat aplikasi ini dalam mendukung intervensi krisis kesehatan mental di kalangan mahasiswa Indonesia.

Untuk penelitian lanjutan, disarankan untuk melakukan studi longitudinal yang lebih mendalam untuk memahami evolusi gejala dan faktor risiko kesehatan mental dalam jangka panjang. Selain itu, pengembangan hybrid CF–ML dapat dieksplorasi untuk meningkatkan akurasi dan kemampuan sistem dalam menangani kompleksitas data mental health. Integrasi dengan rekam medis elektronik juga dapat dipertimbangkan untuk meningkatkan aksesibilitas dan efisiensi layanan kesehatan mental, terutama dalam konteks krisis mental di kalangan mahasiswa.

  1. Expert System for Monitoring Elderly Health Using the Certainty Factor Method | Sinkron : jurnal dan... doi.org/10.33395/sinkron.v5i1.10653Expert System for Monitoring Elderly Health Using the Certainty Factor Method Sinkron jurnal dan doi 10 33395 sinkron v5i1 10653
  2. Sistem Pakar Diagnosa Gangguan Kecemasan Menggunakan Metode Certainty Factor | JEKIN - Jurnal Teknik... rumahjurnal.or.id/index.php/JEKIN/article/view/1593Sistem Pakar Diagnosa Gangguan Kecemasan Menggunakan Metode Certainty Factor JEKIN Jurnal Teknik rumahjurnal index php JEKIN article view 1593
  3. Implementasi Metode Certainty Factor dalam Sistem Pakar Diagnosa Kecanduan Media Sosial | Digital Transformation... jurnal.itscience.org/index.php/digitech/article/view/4356Implementasi Metode Certainty Factor dalam Sistem Pakar Diagnosa Kecanduan Media Sosial Digital Transformation jurnal itscience index php digitech article view 4356
  4. Predicting Student Depression Using the Naive Bayes Model on the Student Depression Dataset from Kaggle... doi.org/10.58723/jentik.v4i1.448Predicting Student Depression Using the Naive Bayes Model on the Student Depression Dataset from Kaggle doi 10 58723 jentik v4i1 448
Read online
File size586.11 KB
Pages10
DMCAReport

Related /

ads-block-test