Analisis Perbandingan Performa XGBoost dan Gradient Boosting untuk Prediksi Tingkat Depresi Mahasiswa Menggunakan Dataset PHQ-9

Dafi Alvaro, Muhammad (2026) Analisis Perbandingan Performa XGBoost dan Gradient Boosting untuk Prediksi Tingkat Depresi Mahasiswa Menggunakan Dataset PHQ-9. Pro-Step Report, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (692kB)
	PDF BAB_I.pdf Download (430kB)
	PDF BAB_II.pdf Download (536kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (295kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (297kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (6MB)
	PDF LEMBAR_PENGESAHAN.pdf Restricted to Registered users only Download (52kB)

Abstract

Penelitian ini merupakan bagian dari program PRO-STEP: Road to Champion yang bertujuan menganalisis dan membandingkan performa algoritma XGBoost dan Gradient Boosting dalam memprediksi tingkat depresi mahasiswa berbasis data PHQ-9. Dua kompetisi karya tulis ilmiah nasional menjadi wadah implementasi penelitian ini, yaitu INJECTION Part VIII � Colour of Chemistry Festival 2026 dan Kompetisi Karya Tulis Ilmiah Nasional (KKTIN) 2026. Pada kompetisi pertama, dataset MHP Anxiety Stress Depression yang terdiri dari 2.028 responden mahasiswa dari 15 perguruan tinggi di Bangladesh digunakan. Model XGBoost menghasilkan akurasi 87,19% dan Gradient Boosting 87,44%, dengan cross-validation 5-fold yang menunjukkan kestabilan tinggi. Pada kompetisi kedua, dataset PHQ-9 dari Kaggle dengan 1.030 responden digunakan, di mana XGBoost mencapai akurasi 86,41% dan Gradient Boosting 85,92%. Kedua model menerapkan pipeline preprocessing mencakup encoding fitur kategorikal dan normalisasi MinMaxScaler. Analisis feature importance menunjukkan bahwa indikator perasaan tertekan dan kelelahan merupakan faktor paling dominan dalam prediksi depresi. Hasil penelitian membuktikan bahwa XGBoost dan Gradient Boosting merupakan algoritma yang andal untuk klasifikasi tingkat depresi mahasiswa dan berpotensi dikembangkan sebagai alat deteksi dini kesehatan mental di lingkungan perguruan tinggi.

Item Type:	Technical Report (Pro-Step Report)
Creators:	Dafi Alvaro, Muhammad (00000091435)
Contributors:	Evelin Johan, Monika (0327059501)
Keywords:	XGBoost, Gradient Boosting, PHQ-9, Tingkat Depresi, Machine Learning
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 Sep 2026 14:56
URI:	https://kc.umn.ac.id/id/eprint/49431

Actions (login required)

View Item