Article Per Year (5 Year)
p-Index From 2021 - 2026
1.203
P-Index
This Author published in this journals
All Journal Jurnal Algoritma Tanjungpura International Journal on Dynamics Economics, Social Sciences, and Agribusiness (TIJDESSA) JRIIN :Jurnal Riset Informatika dan Inovasi WATHAN: Jurnal Ilmu Sosial dan Humaniora JIMMI: Jurnal Ilmiah Mahasiswa Multidisiplin Insight of Biology
Pratama, Farhan
Unknown Affiliation
Religion Agriculture, Biological Sciences & Forestry Humanities Biochemistry, Genetics & Molecular Biology Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Environmental Science Immunology & microbiology Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Social Sciences Other

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Algoritma

 1 
Perbandingan Kinerja Xgboost Dan Lightgbm Dalam Klasifikasi Depresi Pada Mahasiswa Berdasarkan Faktor Demografi Dan Akademik Pratama, Farhan; Ali, Edwar; Rahmaddeni; Agustin, Wirta
Jurnal Algoritma Vol 22 No 2 (2025): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.22-2.2439

Abstract

Depresi merupakan salah satu gangguan mental yang umum dialami mahasiswa, sehingga berdampak signifikan terhadap kesejahteraan psikologis dan performa akademik mereka. faktor-faktor seperti jenis kelamin, usia, tekanan finansial, tekanan belajar, kepuasan studi, dan waktu belajar yang tidak proporsional diketahui berkontribusi dalam memengaruhi kondisi tersebut. penelitian ini bertujuan untuk membandingkan kinerja algoritma XGBoost dan LightGBM dalam mengklasifikasikan risiko depresi pada mahasiswa, serta mengembangkan model melalui teknik tuning parameter menggunakan RandomizedSearchCV untuk meningkatkan akurasi prediksi. dataset yang digunakan berasal dari platform Kaggle yang terdiri dari 502 baris data. evaluasi performa dilakukan menggunakan metrik akurasi, precision, recall, f1-score, dan AUC-ROC, pada skenario pembagian data 80:20 dan 70:30, baik dengan parameter default maupun setelah tuning. hasil penelitian menunjukkan bahwa model XGBoost dengan tuning pada pembagian data 80:20 memberikan performa terbaik dengan akurasi 82,18%, precision 85,11%, recall 78,43%, f1-score 81,63%, dan AUC-ROC sebesar 0,8973. terbaik kemudian diimplementasikan dalam bentuk aplikasi web menggunakan Streamlit, guna memberikan prediksi risiko depresi secara otomatis dan interaktif, sehingga memudahkan pengguna non-teknis dalam mendeteksi kondisi tersebut secara praktis.
Co-Authors Aditya Putra, Aditya Almanda, Angga DENI SETIAWAN Desepta Isna Ulumi Dwi Nyoto, Rudi Edwar Ali Firmansyah, Aidil Hafiz Muhardi Irfandi Irfandi, Irfandi Juna, Awan Maulidin Marwan, T Marwan, Teuku Muliadi Oktarianda, Sabdia Rahmaddeni Rahmaddeni Rangkuti, Muhammad Yunus Rohman Rohman Rohman Saifullah, Faruq Saputra, Irka satrio, Ibnu Sholva, Yus Syahdan, Muhammad Agil Tursina Wirta Agustin Zulkarnen