Publisher

1001TUTORIAL1001TUTORIAL

Journal JENTIK : Jurnal Pendidikan Teknologi Informasi dan KomunikasiJENTIK : Jurnal Pendidikan Teknologi Informasi dan Komunikasi Abstract

Latar Belakang: Peningkatan prevalensi depresi di kalangan mahasiswa menyoroti urgensi strategi deteksi dini yang efektif untuk mempromosikan kesejahteraan mental dalam lingkungan pendidikan tinggi. Tujuan dan Ruang Lingkup Makalah: Penelitian ini bertujuan untuk mengembangkan model prediktif untuk depresi mahasiswa menggunakan algoritma klasifikasi Naive Bayes, dengan fokus pada identifikasi faktor-faktor kunci yang berkontribusi dari data mahasiswa. Metode: Penelitian ini memanfaatkan dataset Depresi Mahasiswa dari Kaggle, yang berisi data survei terstruktur tentang stres akademik, durasi tidur, stres keuangan, IPK, dan riwayat kesehatan mental keluarga. Pra-pemrosesan data termasuk pemilihan fitur, penanganan nilai yang hilang, dan normalisasi. Dataset dibagi menjadi set pelatihan dan pengujian dengan rasio 75:25. Pelatihan model dilakukan menggunakan bahasa pemrograman R dengan penerapan penghalusan Laplace. Hasil: Model Naive Bayes mencapai akurasi 77,66%, sensitivitas 68,42%, dan spesifisitas 84,21%, yang mengindikasikan kinerja prediktif yang kuat, terutama dalam mengidentifikasi kasus depresi. Stres keuangan dan akademik diidentifikasi sebagai faktor paling berpengaruh. Kesimpulan: Meskipun kesederhanaannya, algoritma Naive Bayes terbukti menjadi alat yang efektif untuk skrining awal mahasiswa yang berisiko mengalami depresi, menawarkan dukungan berharga bagi lembaga pendidikan dalam memberikan intervensi kesehatan mental yang tepat waktu.

Conclusion

Meskipun kesederhanaannya, algoritma Naive Bayes terbukti menjadi alat yang efektif untuk skrining awal mahasiswa yang berisiko mengalami depresi, menawarkan dukungan berharga bagi lembaga pendidikan dalam memberikan intervensi kesehatan mental yang tepat waktu.Model Naive Bayes menunjukkan kinerja prediktif yang baik dalam mengidentifikasi kasus depresi, terutama ketika stres keuangan dan akademik diidentifikasi sebagai faktor yang paling berpengaruh.Oleh karena itu, penerapan model ini dapat membantu universitas secara proaktif mengidentifikasi mahasiswa yang berisiko dan memberikan dukungan yang sesuai.

Future Research

Berdasarkan temuan ini, penelitian selanjutnya dapat mengeksplorasi penggunaan model pembelajaran mesin yang lebih kompleks, seperti Random Forests atau Gradient Boosting Machines, untuk meningkatkan akurasi prediksi dan menangkap interaksi antar variabel yang lebih kompleks. Selain itu, penelitian dapat memanfaatkan data longitudinal untuk memantau gejala depresi dari waktu ke waktu, memungkinkan pengembangan model prediktif yang lebih sensitif terhadap tanda-tanda peringatan dini. Terakhir, penting untuk mempertimbangkan implikasi etis dari penggunaan AI dalam deteksi depresi, memastikan privasi siswa dan adaptasi budaya dari model AI untuk penerapan yang bertanggung jawab dan berdampak di berbagai lingkungan pendidikan.

References

1. Interpretability of machine learning‐based prediction models in healthcare - Stiglic - 2020... doi.org/10.1002/widm.1379Interpretability of machine learningyAAAabased prediction models in healthcare Stiglic 2020 doi 10 1002 widm 1379
2. [2307.14371] Prediction of depression status in college students using a Naive Bayes classifier based... doi.org/10.48550/arXiv.2307.143712307 14371 Prediction of depression status in college students using a Naive Bayes classifier based doi 10 48550 arXiv 2307 14371
3. Decision Tree-Based Modeling in Mental Health Early Warning System for Higher Education Students - Combinatorial... doi.org/10.61091/jcmcc127b-057Decision Tree Based Modeling in Mental Health Early Warning System for Higher Education Students Combinatorial doi 10 61091 jcmcc127b 057

Metadata

File size	549.38 KB
Pages	12
DMCA	Report