UBUB

Journal of Information Technology and Computer ScienceJournal of Information Technology and Computer Science

Stres di kalangan mahasiswa perguruan tinggi secara negatif memengaruhi perkembangan akademik dan kesehatan mental mereka. Data terbaru menunjukkan bahwa 42,9% dari mahasiswa kritis di fakultas berasal dari program Pendidikan Teknologi Informasi. Penelitian ini merancang dan mengevaluasi model pembelajaran mesin menggunakan algoritma XGBoost untuk memprediksi stres di antara mahasiswa pendidikan teknologi informasi di Universitas Brawijaya. Dengan menggunakan metode CRISP-DM, studi ini memproses dataset 234 mahasiswa yang berasal dari kuesioner DASS-42 dan catatan akademik. Hasil menunjukkan bahwa model klasifikasi biner secara signifikan lebih unggul dengan akurasi 97,87%. Analisis pentingnya fitur mengidentifikasi pendidikan ibu sebagai prediktor dominan. Output penelitian termasuk prototipe dashboard fungsional yang dilengkapi dengan interpretasi LIME untuk analisis kasus individu.

Penelitian ini berhasil merancang model prediksi stres untuk mahasiswa Pendidikan Teknologi Informasi menggunakan algoritma XGBoost dalam kerangka kerja CRISP-DM.Hasil menunjukkan bahwa model klasifikasi biner dengan data asli dan parameter default memberikan kinerja terbaik, mencapai akurasi 97,87% pada dataset uji.Model menunjukkan keandalan yang luar biasa untuk tujuan screening dengan recall sempurna 100% untuk kelas Stress.Analisis pentingnya fitur menunjukkan bahwa latar belakang keluarga berpengaruh lebih besar pada stres mahasiswa dibandingkan indikator akademik.Penelitian lanjutan sebaiknya memperluas dataset ke mahasiswa dari fakultas lain, memperluas cakupan prediksi ke skala depresi dan kecemasan, serta mengintegrasikan model prediksi ke sistem informasi akademik real-time.

Penelitian lanjutan dapat fokus pada pengembangan model prediksi stres yang lebih inklusif dengan memasukkan data dari berbagai fakultas untuk memastikan generalisasi model. Selain itu, memperluas cakupan prediksi ke skala depresi dan kecemasan dari instrumen DASS-42 akan memberikan profil kesehatan mental yang lebih komprehensif. Terakhir, integrasi model ini ke dalam sistem informasi akademik real-time dapat meningkatkan kemampuan dosen pembimbing dalam melakukan intervensi berbasis data secara tepat waktu. Pendekatan ini tidak hanya memperluas pemanfaatan teknologi tetapi juga memperkuat sistem dukungan psikososial di lingkungan pendidikan tinggi.

Read online
File size525.76 KB
Pages13
DMCAReport

Related /

ads-block-test