<![CDATA[Depresi di kalangan mahasiswa telah menjadi permasalahan kesehatan mental global yang serius dan berdampak signifikan terhadap kinerja akademik serta kesejahteraan secara keseluruhan. Berbagai faktor seperti tekanan akademik, tekanan finansial, pola tidur, kebiasaan makan, dan hubungan sosial berkontribusi terhadap meningkatnya prevalensi gangguan kesehatan mental di lingkungan kampus. Meskipun perhatian terhadap isu ini semakin berkembang, penelitian terdahulu jarang membandingkan pendekatan data mining berbasis klasterisasi secara spesifik dalam konteks depresi mahasiswa di perguruan tinggi Indonesia. Penelitian ini mengevaluasi kinerja algoritma Fuzzy C-Means (FCM) dan K-Means dalam mengelompokkan mahasiswa berdasarkan faktor-faktor yang berkaitan dengan depresi, menggunakan dataset yang mencakup fitur usia, IPK, kepuasan belajar, durasi tidur, pola makan, riwayat keinginan bunuh diri, tekanan keuangan, riwayat penyakit mental keluarga, dan tingkat depresi. Evaluasi kinerja dilakukan menggunakan Silhouette Score, Davies-Bouldin Index (DBI), dan Sum of Squared Errors (SSE). Hasil menunjukkan bahwa K-Means menghasilkan klaster lebih tegas dengan Silhouette Score 0,18 dan DBI 1,89, serta perbedaan skor depresi signifikan antara Cluster 0 (0,79) dan Cluster 1 (0,23). FCM menghasilkan klaster yang lebih tumpang tindih dengan FPC 0,50 dan Silhouette Score 0,15, yang lebih mencerminkan sifat ambigu dari gejala psikologis. Penelitian ini berkontribusi pada pengembangan kerangka deteksi dini berbasis data untuk depresi mahasiswa.]]>
