Publisher

UBHINUSUBHINUS

Journal SMATIKA JURNALSMATIKA JURNAL Abstract

Kesehatan mental merupakan salah satu isu kesehatan masyarakat yang semakin mendapat perhatian, khususnya di kalangan mahasiswa. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja tiga algoritma machine learning: Naive Bayes, K-Nearest Neighbor (K-NN), dan Decision Tree dalam mengklasifikasikan kebutuhan penanganan kesehatan mental mahasiswa berdasarkan dataset survei terbuka. Penelitian ini dilakukan secara sistematis menggunakan perangkat lunak RapidMiner, dengan pra-pemrosesan data, pengujian model, dan evaluasi kinerja menggunakan metrik akurasi, presisi, dan recall. Hasil pengujian menunjukkan bahwa algoritma Naive Bayes menghasilkan akurasi 78,85%, presisi 75,96%, dan recall 72,84%. K-NN menunjukkan performa lebih baik dengan akurasi 82,62%, presisi 80,83%, dan recall 77,37%. Sementara itu, Decision Tree menunjukkan performa terbaik dengan akurasi 88,32%, presisi 86,77%, dan recall 85,80%. Selain performa tinggi, Decision Tree juga menawarkan keunggulan dalam interpretasi hasil melalui struktur pohon keputusan yang menggambarkan peran status pekerjaan (self_employed), riwayat kesehatan mental keluarga (family_history), dan opsi perawatan (care_options) dalam proses klasifikasi. Decision Tree dapat disimpulkan sebagai model klasifikasi paling efektif untuk mendeteksi kebutuhan kesehatan mental mahasiswa dalam konteks data ini. Temuan ini diharapkan dapat menjadi referensi dalam pengembangan sistem deteksi dini berbasis machine learning untuk mendukung kebijakan dan intervensi kesehatan mental di lingkungan pendidikan tinggi.

Conclusion

Berdasarkan hasil pengujian terhadap tiga algoritma klasifikasi yang digunakan dalam penelitian ini, yaitu Naive Bayes, K-Nearest Neighbor (K-NN), dan Decision Tree, diperoleh temuan bahwa Decision Tree merupakan model yang paling unggul dalam mengklasifikasikan kebutuhan penanganan kesehatan mental mahasiswa.Dengan capaian akurasi sebesar 88,32%, precision 86,77%, dan recall 85,80%, algoritma ini mampu memberikan hasil prediksi yang akurat, seimbang, dan dapat diandalkan.Keunggulan utama Decision Tree tidak hanya terletak pada performa metrik evaluasi, tetapi juga pada kemampuannya dalam memberikan interpretasi yang eksplisit dan transparan terhadap proses pengambilan keputusan.Struktur pohon keputusan yang terbentuk menunjukkan bahwa atribut seperti self_employed, family_history, timestamp, country, dan care_options memiliki kontribusi signifikan dalam memprediksi kebutuhan perawatan kesehatan mental.Model ini memetakan pola-pola kompleks dalam data secara sistematis dan logis, sehingga sangat sesuai untuk digunakan dalam konteks klasifikasi berbasis data multidimensi seperti isu kesehatan mental.Dapat disimpulkan bahwa Decision Tree merupakan pilihan metode klasifikasi yang paling tepat untuk mendeteksi status kesehatan mental mahasiswa berdasarkan dataset yang digunakan.Selain unggul secara kuantitatif, model ini juga memiliki nilai tambah dari sisi interpretabilitas, sehingga dapat dijadikan sebagai alat bantu strategis dalam merancang sistem pendeteksian dini dan intervensi berbasis data di lingkungan akademik.

Future Research

Untuk penelitian lanjutan, disarankan penggunaan dataset lokal dari mahasiswa Indonesia, penerapan teknik validasi k-fold cross validation, serta eksplorasi algoritma ensemble maupun deep learning. Selain itu, hasil penelitian ini dapat diintegrasikan ke dalam sistem deteksi dini berbasis web atau aplikasi kampus, sehingga dapat langsung dimanfaatkan oleh layanan konseling mahasiswa. Penelitian selanjutnya juga dapat fokus pada pengembangan model yang lebih akurat dengan menggabungkan berbagai algoritma dan teknik pemrosesan data, serta menguji efektivitas model dalam konteks lokal. Dengan demikian, sistem deteksi dini kesehatan mental mahasiswa dapat menjadi lebih andal dan bermanfaat dalam mendukung kesehatan mental mahasiswa di Indonesia.

References

1. Comparative Analysis of Machine Learning Algorithm Performance for Student Mental Health Classification... doi.org/10.32664/smatika.v16i01.2080Comparative Analysis of Machine Learning Algorithm Performance for Student Mental Health Classification doi 10 32664 smatika v16i01 2080

Metadata

File size	540.21 KB
Pages	11
DMCA	Report