Fadhilla, Mutia and Wandri, Rizky and Hanafiah, Anggi and Setiawan, Panji Rachmat and Arta, Yudhi and Daulay, Suandi (2025) Analisis Performa Algoritma Machine Learning Untuk Identifikasi Depresi Pada Mahasiswa. Journal of Informatics Management and Information Technology, 5 (1). pp. 40-47. ISSN 27744744

Text 473-Article Text-1787-1-10-20250203.pdf Restricted to Registered users only Download (558kB) | Request a copy

Abstract

Kesehatan mental, khususnya depresi, menjadi isu penting di kalangan mahasiswa akibat tekanan akademik, sosial, dan penggunaan media sosial. Deteksi depresi menghadapi tantangan seperti stigma, literasi rendah, dan metode konvensional yang kurang efektif. Teknologi machine learning menawarkan solusi dengan algoritma seperti Naive Bayes, SVM, dan Random Forest untuk meningkatkan akurasi deteksi, mendukung intervensi dini, serta memperbaiki sistem kesehatan mental mahasiswa. Kesehatan mental, khususnya depresi, menjadi isu penting di kalangan mahasiswa akibat tekanan akademik, sosial, dan penggunaan media sosial. Deteksi depresi menghadapi tantangan seperti stigma, literasi rendah, dan metode konvensional yang kurang efektif. Teknologi machine learning menawarkan solusi dengan algoritma seperti Naive Bayes, K-Nearest Neighbor, Decision Tree, Logistic Regression, Random Forest, dan Support Vector Machine untuk meningkatkan akurasi deteksi, mendukung intervensi dini, serta memperbaiki sistem kesehatan mental mahasiswa. Berdasarkan hasil analisis performa dari algoritma machine learning, model yang paling efektif dalam memprediksi status depresi pada mahasiswa yaitu Logistic Regression yang memiliki tingkat akurasi sebesar 95,62%. Sebagai langkah strategis, teknologi machine learning dapat diintegrasikan untuk diagnosis awal depresi pada mahasiswa. Sistem ini diharapkan lebih efektif dan efisien, meningkatkan akurasi diagnosis, dan membuka peluang pendekatan baru dalam kesehatan mental yang responsif dan berbasis data.

Actions (login required)

View Item