Analisis Performa untuk Deteksi Kesehatan Mental Menggunakan Metode Hybrid Logistic Regression dan Support Vector Learning

Kurniawan Chandra, Samuel (2026) Analisis Performa untuk Deteksi Kesehatan Mental Menggunakan Metode Hybrid Logistic Regression dan Support Vector Learning. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (598kB)
	PDF BAB_I.pdf Download (84kB)
	PDF BAB_II.pdf Download (486kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (427kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (63kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (254kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000068672_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Kesehatan mental merupakan salah satu aspek penting yang memengaruhi kualitas hidup seseorang dan semakin menjadi perhatian di berbagai kalangan. Pemanfaatan machine learning dapat membantu proses klasifikasi kondisi kesehatan mental secara lebih cepat dan objektif berdasarkan berbagai faktor yang memengaruhinya. Penelitian ini bertujuan untuk menganalisis performa metode Logistic Regression, Support Vector Machine (SVM), dan Hybrid dalam klasifikasi kesehatan mental. Metodologi penelitian menggunakan framework CRISP-DM yang meliputi tahap business understanding, data understanding, data preparation, modeling, dan evaluation. Dataset yang digunakan terdiri dari berbagai atribut yang berkaitan dengan kondisi kesehatan mental, seperti riwayat kesehatan mental, tingkat stres, perubahan kebiasaan, dan faktor pendukung lainnya, dengan variabel target yang disederhanakan menjadi klasifikasi biner, yaitu kelas No dan Yes. Pada tahap pemodelan, dilakukan perbandingan antara Logistic Regression, SVM, dan model hybrid yang menggabungkan kedua algoritma melalui mekanisme soft voting. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Support Vector Machine memperoleh accuracy tertinggi sebesar 73,38%, diikuti oleh model Hybrid sebesar 72,05%, dan Logistic Regression sebesar 62,74%. Berdasarkan hasil tersebut, Support Vector Machine memberikan performa terbaik secara keseluruhan, sementara model hybrid mampu menghasilkan keseimbangan yang lebih baik antara precision dan recall dibandingkan SVM, sehingga tetap relevan sebagai pendekatan alternatif yang stabil dalam klasifikasi kesehatan mental.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Kurniawan Chandra, Samuel (00000068672)
Contributors:	Wella, Wella
Keywords:	Kesehatan Mental, Machine Learning, Logistic Regression, Support Vector Machine, Hybrid
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	14 Jul 2026 07:57
URI:	https://kc.umn.ac.id/id/eprint/47501

Actions (login required)

View Item