<![CDATA[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.]]>
Copyrights © 2025
