PERBANDINGAN PERFORMA KLASIFIKASI KESEHATAN MENTAL MAHASISWA MENGGUNAKAN ALGORITMA RANDOM FOREST DAN SUPPORT VECTOR MACHINE

Fyrdausa, Amalia (2025) PERBANDINGAN PERFORMA KLASIFIKASI KESEHATAN MENTAL MAHASISWA MENGGUNAKAN ALGORITMA RANDOM FOREST DAN SUPPORT VECTOR MACHINE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (637kB)
	Text (BAB I) BAB I.pdf Download (231kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (834kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (948kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (88kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (417kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.3933.zip Restricted to Repository staff only Download (1MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (646kB)

Abstract

Kesejahteraan mental adalah aspek krusial yang mendukung potensi individu dan interaksi sosial, terutama di perguruan tinggi. Kesehatan mental mahasiswa menjadi isu penting dengan meningkatnya kasus depresi, kecemasan, dan stres. Deteksi dini masalah ini sangat penting untuk mencegah dampak negatif, namun metode konvensional sering tidak efisien. Penelitian ini bertujuan untuk membandingkan performa algoritma Random Forest dan Support Vector Machine (SVM) dalam klasifikasi kesehatan mental mahasiswa menggunakan pendekatan Machine Learning. Dataset yang digunakan mencakup gejala terkait depresi, kecemasan, dan stres. Pendekatan dalam penelitian ini mencakup pengumpulan data dari dataset yang relevan, penerapan teknik preprocessing data untuk memastikan kualitas data sebelum pelatihan model. Optimisasi algoritma dilakukan melalui teknik Hyperparameter Tuning menggunakan GridSearchCV untuk mencapai parameter terbaik. Evaluasi performa model dilakukan menggunakan confusion matrix dan classification report untuk memberikan analisis menyeluruh mengenai keunggulan masing-masing algoritma. Hasil penelitian menunjukkan bahwa Support Vector Machine (SVM) memberikan performa yang lebih baik dibandingkan dengan Random Forest setelah dilakukan hyperparameter tuning. Pada ketiga target klasifikasi, pada SVM didapatkan nilai akurasi 96.9231% untuk Anxiety, 91.0256% untuk Stress, dan 87.6923% untuk Depression, sedangkan Random Forest menghasilkan akurasi sebesar 91.0256% untuk Anxiety, 90.5128% untuk Stress, dan 82.0513% untuk Depression.

Actions (login required)

View Item