Analisis Perbandingan Kinerja Algoritma Machine Learning Untuk Classifikasi Kesehatan Mental Mahasiswa

Muhammad Chanafy; Heni Sulistiani

doi:10.32664/smatika.v16i01.2080

Penulis

Muhammad Chanafy Universitas Teknokrat Indonesia
Heni Sulistiani Universitas Teknokrat Indonesia https://orcid.org/0000-0002-2048-3551

DOI:

https://doi.org/10.32664/smatika.v16i01.2080

Kata Kunci:

Klasifikasi, Kesehatan Mental, Machine Learning, RapidMiner.

Abstrak

Masalah kesehatan mental di kalangan mahasiswa menjadi isu penting yang memerlukan penanganan berbasis data untuk mendeteksi kebutuhan perawatan secara dini. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa 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 dilakukan secara sistematis menggunakan perangkat lunak RapidMiner, dengan tahap praproses data, pelatihan model, pengujian, dan evaluasi kinerja menggunakan metrik akurasi, precision, dan recall. Hasil pengujian menunjukkan bahwa algoritma Naive Bayes menghasilkan akurasi sebesar 78,85%, precision 75,96%, dan recall 72,84%. K-NN menunjukkan performa yang lebih tinggi dengan akurasi 82,62%, precision 80,83%, dan recall 77,37%. Sementara itu, algoritma Decision Tree menunjukkan performa paling unggul dengan akurasi 88,32%, precision 86,77%, dan recall 85,80%. Selain performa yang tinggi, Decision Tree juga memberikan kelebihan dalam interpretasi hasil melalui struktur pohon keputusan yang menggambarkan peran variabel seperti status pekerjaan (self_employed), riwayat keluarga (family_history), waktu pengisian survei (timestamp), dan pilihan 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 acuan dalam pengembangan sistem deteksi dini berbasis machine learning untuk mendukung kebijakan dan intervensi kesehatan mental di lingkungan pendidikan tinggi.

Referensi

[1] S. Gill, B. Sharma, R. Phogat, dan A. Kirar, “Machine and Deep Learning-Based Prediction Modelling for Assessment of Stress, Anxiety, and Depression Among Students,” dalam Organizational Sociology in the Era of AI, IGI Global, 2025. doi: 10.4018/978-1-6684-9480-7.ch009.

[2] J. Homolak dkk., “A hacked kitchen scale-based system for quantification of grip strength in rodents,” Comput Biol Med, vol. 144, hlm. 105391, Mei 2022, doi: 10.1016/j.compbiomed.2022.105391.

[3] A. Hossen, R. U. Rafin, M. Mahtab, dan S. I. Khan, “A Machine Learning Approach to Assess Psychological State Among University Students Throughout the COVID-19 Pandemic: Bangladesh Perspective,” Asian Journal of Convergence Technology, 2024, [Daring]. Tersedia pada: http://asianssr.org/index.php/ajct/article/view/1356

[4] M. J. Hasan, A. Das, J. Matubber, S. H. Shifat, dan M. K. Morol, “Enhanced Classification of Anxiety, Depression, and Stress Levels: A Comparative Analysis of DASS21 Questionnaire Data Augmentation and Classification Algorithms,” dalam Proceedings of the 3rd International Conference on Computing Advancements, New York, NY, USA: ACM, Okt 2024, hlm. 435–442. doi: 10.1145/3723178.3723236.

[5] M. Salahuddin dan S. A. Siddiqui, “Classification of Mental Health Status Using Supervised Machine Learning Techniques with DASS-21,” Artif Intell Rev, 2023, doi: 10.1007/s10462-023-10561-2.

[6] T. Debbarma dan S. Sahu, “Mental health prediction among students using machine learning techniques,” dalam Frontiers of Intelligent Computing: Theory and Applications, Springer, 2022. [Daring]. Tersedia pada: https://link.springer.com/chapter/10.1007/978-981-19-7513-4_46

[7] P. P. Shinde, V. P. Desai, dan K. S. Oza, “A Data Driven Mental Health Analysis Using Machine Learning Techniques,” dalam International Conference on Intelligent Systems and IoT, IEEE, 2024. [Daring]. Tersedia pada: https://ieeexplore.ieee.org/document/10696584

[8] I. K. A. Wiraguna, E. Setyati, dan E. Pramana, “Prediksi Anak Stunting Berdasarkan Kondisi Orang Tua Dengan Metode Support Vector Machine Dengan Study Kasus Di Kabupaten Tabanan-Bali,” SMATIKA: STIKI Informatika Jurnal, vol. 11, no. 2, hlm. 123–132, 2022, [Daring]. Tersedia pada: https://jurnal.stiki.ac.id/SMATIKA/article/view/662

[9] H. Darwis, R. Puspitasari, dan D. Widyawati, “Comparative Analysis of Anxiety Disorder Classification Using Algorithm Naïve Bayes, Decision Tree and K-NN,” dalam 2025 IEEE International Conference on Management and Digital Systems, IEEE, 2025. [Daring]. Tersedia pada: https://ieeexplore.ieee.org/document/10857485

[10] S. Aulia dan H. Wibowo, “Implementasi Data Cleaning dan Transformasi untuk Proses Data Mining pada Dataset Kesehatan,” Jurnal Informatika: Jurnal Pengembangan IT, vol. 7, no. 3, hlm. 111–118, 2022, [Daring]. Tersedia pada: https://jurnal.unej.ac.id/index.php/J-PTIIK/article/view/32491

[11] M. D. D. A. Putra, A. Widodo, dan M. Rizki, “Implementasi Preprocessing Data dalam Analisis Data Sekunder untuk Prediksi Keberhasilan Studi Mahasiswa,” Jurnal Teknologi dan Sistem Komputer, vol. 9, no. 2, hlm. 245–251, 2021, [Daring]. Tersedia pada: https://jtsiskom.undip.ac.id/index.php/jtsiskom/article/view/2541

[12] R. Fauzan dan A. Mulyana, “Perbandingan Teknik Feature Selection pada Proses Preprocessing Data dalam Klasifikasi Sentimen Media Sosial,” Jurnal RESTI, vol. 5, no. 1, hlm. 101–108, 2021, [Daring]. Tersedia pada: https://ejurnal.itenas.ac.id/index.php/resti/article/view/1361

[13] M. Harahap dan R. A. Siregar, “Implementasi Algoritma Naive Bayes untuk Deteksi Emosi Mahasiswa Berdasarkan Ulasan Daring,” Jurnal Teknologi dan Sistem Komputer, vol. 10, no. 1, hlm. 77–84, 2022, [Daring]. Tersedia pada: https://jtsiskom.undip.ac.id/index.php/jtsiskom/article/view/3027

[14] D. Mulyadi dan H. Siregar, “Model Klasifikasi Kesehatan Mental Remaja Berdasarkan Data Media Sosial Menggunakan K-NN,” Jurnal Sistem Informasi, vol. 15, no. 1, hlm. 50–57, 2023, [Daring]. Tersedia pada: https://jurnal.unmer.ac.id/index.php/jsi/article/view/4902

[15] A. Kurniawan dan H. Prasetyo, “Penggunaan Decision Tree untuk Klasifikasi Masalah Kesehatan Mental Mahasiswa dari Formulir Konseling,” Jurnal Informatika Mulawarman, vol. 16, no. 2, hlm. 85–92, 2021, [Daring]. Tersedia pada: https://journal.unmul.ac.id/index.php/JIM/article/view/2641

[16] A. D. S. Depari, C. C. Kirana, dan C. N. Oktariana, “Prediksi Risiko Diabetes dengan Metode Naive Bayes: Identifikasi Faktor Risiko Utama dan Evaluasi Akurasi Model,” JATI: Jurnal Aplikasi Teknik dan Informasi, 2025, [Daring]. Tersedia pada: https://www.ejournal.itn.ac.id/index.php/jati/article/view/14078

[17] N. B. Binna, T. Rohana, dan H. Y. Novita, “Klasifikasi Jenis Buah Tomat Menggunakan Algoritma K-Nearest Neighbor dan Support Vector Machine,” JINTEKS: Jurnal Informatika Teknologi dan Sains, 2025, [Daring]. Tersedia pada: https://www.jurnal.uts.ac.id/index.php/JINTEKS/article/view/5743