Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Paradigma: Jurnal Filsafat, Sains, Teknologi, dan Sosial Budaya
Fauzi R
Unknown Affiliation
Humanities Computer Science & IT Education Languange, Linguistic, Communication & Media Social Sciences

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Kinerja Algoritma Tree, Naive Bayes, dan Random Forest dalam Klasifikasi Tingkat Risiko Kesehatan Mental Mahasiswa Berdasarkan Instrumen DASS-21 Fauzi R; Munawar
Paradigma: Jurnal Filsafat, Sains, Teknologi, dan Sosial Budaya Vol. 32 No. 1 (2026): Paradigma: Jurnal Filsafat, Sains, Teknologi, dan Sosial Budaya
Publisher : Universitas Insan Budi Utomo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33503/paradigma.v32i1.3739

Abstract

Kesehatan mental mahasiswa merupakan isu yang semakin kritis di lingkungan perguruan tinggi, namun proses identifikasi tingkat risiko masih sering dilakukan secara manual dan subjektif sehingga kurang efisien dan rawan kesalahan. Penelitian ini bertujuan membandingkan kinerja algoritma Decision Tree, Naive Bayes, dan Random Forest dalam mengklasifikasikan tingkat risiko kesehatan mental mahasiswa Fakultas Ilmu Komputer Universitas Esa Unggul berdasarkan instrumen DASS-21. Data primer dikumpulkan melalui kuesioner daring terhadap 272 mahasiswa aktif semester akhir, kemudian diolah melalui penskoran baku DASS-21, penanganan ketidakseimbangan kelas menggunakan SMOTE, ekstraksi fitur turunan, dan pembagian dataset 70:30 untuk pelatihan dan pengujian. Optimasi hyperparameter pada Decision Tree dan Random Forest dilakukan menggunakan Grid Search Cross-Validation, sedangkan evaluasi kinerja menggunakan metrik Akurasi, Precision, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa Decision Tree dan Random Forest sama-sama mencapai akurasi 98,78%, jauh melampaui Naive Bayes yang hanya 52,44% akibat pelanggaran asumsi independensi antar fitur. Decision Tree ditetapkan sebagai model terbaik dengan Precision 98,92%, Best CV Score 99,34%, serta interpretabilitas tinggi berupa aturan IF-THEN yang dapat langsung diterapkan dalam praktik skrining. Analisis feature importance mengidentifikasi Skor_Anxiety sebagai fitur paling dominan (19,73%), mengkonfirmasi peran sentral dimensi kecemasan dalam klasifikasi risiko kesehatan mental mahasiswa.
Co-Authors MUNAWAR