Deteksi Risiko Depresi Mahasiswa Berbasis Machine Learning Menggunakan Random Forest dan Smote

Marcelino Yonathan, Eliezer (2026) Deteksi Risiko Depresi Mahasiswa Berbasis Machine Learning Menggunakan Random Forest dan Smote. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (352kB)
	PDF BAB_II.pdf Download (769kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (607kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (274kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (298kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (941kB)
	Archive (ZIP) 00000071042_2521_LembarPengesahan.pdf Restricted to Registered users only Download (62kB)

Abstract

Depresi di kalangan mahasiswa telah menjadi masalah kesehatan mental yang signifikan akibat meningkatnya tekanan akademik, tekanan finansial, masalah adaptasi sosial, dan beban psikologis. Penelitian ini bertujuan untuk mengembangkan model prediksi berbasis machine learning untuk depresi mahasiswa dengan menggunakan algoritma Random Forest dan kerangka kerja CRISP-DM. Dataset yang digunakan dalam penelitian ini diperoleh dari Kaggle dan terdiri dari 27.901 catatan dengan 18 variabel yang berkaitan dengan kondisi demografis, akademik, sosial, dan psikologis. Proses penelitian melibatkan pra pemrosesan data, penanganan ketidakseimbangan kelas menggunakan Teknik Oversampling Minoritas Sintetis (SMOTE), seleksi fitur menggunakan Recursive Feature Elimination with Cross Validation (RFECV), pelatihan model menggunakan Random Forest, dan evaluasi menggunakan metrik akurasi, presisi, recall, skor F1, matriks kebingungan, dan ROC-AUC. Hasil menunjukkan bahwa model Random Forest mencapai kinerja prediktif yang kuat dengan akurasi 84%, presisi 86%, recall 87%, dan F1-score 86% untuk kelas depresi. Analisis pentingnya fitur mengungkapkan bahwa pikiran bunuh diri, tekanan akademik, stres finansial, jam kerja/belajar, dan IPK merupakan variabel paling berpengaruh terhadap prediksi depresi. Temuan ini menunjukkan bahwa pendekatan pembelajaran mesin dapat secara efektif mendukung sistem deteksi dini untuk pemantauan kesehatan mental mahasiswa.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Marcelino Yonathan, Eliezer (00000071042)
Contributors:	Wella, Wella
Keywords:	depression prediction, machine learning, mental health, Random Forest, student depression
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:	27 Jul 2026 08:02
URI:	https://kc.umn.ac.id/id/eprint/48219

Actions (login required)

View Item