Publisher

UMPPUMPP

Journal Jurnal Surya InformatikaJurnal Surya Informatika Abstract

Penelitian ini bertujuan membandingkan kinerja beberapa algoritma machine learning dalam memprediksi tingkat kesehatan mental dan burnout mahasiswa, yang diklasifikasikan ke dalam tiga kategori—Low, Medium, dan High. Algoritma yang diuji meliputi Decision Tree, Logistic Regression, Naive Bayes, Support Vector Machine (SVM), dan Random Forest, dengan evaluasi menggunakan metrik Accuracy, Precision, Recall, dan F1-Score pada dataset berjumlah 200.000 data. Hasil penelitian menunjukkan bahwa Logistic Regression memiliki performa terbaik secara keseluruhan dengan akurasi 0,8720 dan F1-Score 0,8677, diikuti oleh Random Forest. Meskipun demikian, seluruh model mengalami kesulitan dalam memprediksi kelas High, yang menunjukkan kebutuhan strategi penanganan data tidak seimbang seperti resampling atau cost‑sensitive learning.

Conclusion

Logistic Regression menunjukkan performa terbaik dalam memprediksi kesehatan mental mahasiswa dengan akurasi 0,8720 dan F1‑Score 0,8677.Semua model mengalami kesulitan dalam mengklasifikasikan kelas High, menandakan adanya ketidakseimbangan data yang signifikan.Diperlukan strategi penanganan class imbalance agar model dapat lebih akurat dalam mendeteksi risiko tinggi.

Future Research

Penelitian selanjutnya dapat memperluas metodologi dengan menerapkan teknik resampling seperti SMOTE atau undersampling untuk menyeimbangkan distribusi kelas, menilai dampaknya terhadap performa model, serta menyesuaikan parameter hyper‑parameter secara otomatis menggunakan grid search atau Bayesian optimization. Selain itu, eksplorasi algoritma ensemble yang lebih kompleks, seperti XGBoost atau LightGBM, dan integrasi deep learning berbasis neural network dapat meningkatkan akurasi pada kelas minoritas, sementara analisis feature importance yang lebih mendalam dapat mengidentifikasi variabel psikologis dan sosial yang paling berpengaruh. Pada upaya lain, penelitian dapat menggali interaksi antar fitur menggunakan teknik pembelajaran representasi, misalnya autoencoder, untuk memeriksa apakah representasi laten dapat menangkap gaya hidup, stres, dan dukungan sosial secara lebih akurat, sehingga menghasilkan model prediksi yang lebih komprehensif dan dapat diimplementasikan dalam sistem intervensi real‑time di lingkungan kampus.

References

1. KLASIFIKASI KUALITAS BUAH APEL MENGGUNAKAN METODE RANDOM FOREST | JATI (Jurnal Mahasiswa Teknik Informatika).... ejournal.itn.ac.id/index.php/jati/article/view/12854KLASIFIKASI KUALITAS BUAH APEL MENGGUNAKAN METODE RANDOM FOREST JATI Jurnal Mahasiswa Teknik Informatika ejournal itn ac index php jati article view 12854
2. Perbandingan Algoritma Random Forest, Naïve Bayes, dan Support Vector Machine Pada Analisis Sentimen... prosiding.stis.ac.id/index.php/semnasoffstat/article/view/1410Perbandingan Algoritma Random Forest Nayve Bayes dan Support Vector Machine Pada Analisis Sentimen prosiding stis ac index php semnasoffstat article view 1410
3. ANALISIS SENTIMEN TWITTER TERHADAP KONFLIK DI PAPUA MENGGUNAKAN PERBANDINGAN NAIVE BAYES DAN SVM | Saputra... jurnal.stkippgritulungagung.ac.id/index.php/jipi/article/view/6180ANALISIS SENTIMEN TWITTER TERHADAP KONFLIK DI PAPUA MENGGUNAKAN PERBANDINGAN NAIVE BAYES DAN SVM Saputra jurnal stkippgritulungagung ac index php jipi article view 6180
4. Ketika Pelayanan Menjadi Rutinitas: Menyelami Kebosanan Mahasiswa Teologi Dalam Menghadapi Tantangan... doi.org/10.70418/4xen4b29Ketika Pelayanan Menjadi Rutinitas Menyelami Kebosanan Mahasiswa Teologi Dalam Menghadapi Tantangan doi 10 70418 4xen4b29

Metadata

File size	885.53 KB
Pages	11
DMCA	Report