<![CDATA[Penelitian ini membahas pengembangan dan integrasi sistem klasifikasi tingkat stres mahasiswa berbasis teks menggunakan pendekatan Natural Language Processing (NLP) dan Machine Learning (ML) yang diimplementasikan pada aplikasi mobile. Tingkat stres mahasiswa merupakan permasalahan penting dalam dunia pendidikan tinggi karena berdampak langsung terhadap prestasi akademik dan kesehatan mental. Sistem yang diusulkan mengolah teks bebas yang ditulis oleh mahasiswa untuk memprediksi tingkat stres ke dalam tiga kategori, yaitu rendah, sedang, dan tinggi. Tahapan penelitian meliputi pengumpulan data teks, pra-pemrosesan menggunakan teknik NLP seperti case folding, tokenisasi, stopword removal, dan stemming, serta ekstraksi fitur menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF). Beberapa algoritma machine learning, yaitu Logistic Regression, Naive Bayes, Random Forest, dan Support Vector Machine, diuji untuk memperoleh model terbaik. Hasil evaluasi menunjukkan bahwa model Logistic Regression dengan fitur TF-IDF memberikan performa terbaik dengan akurasi sebesar 88,33% dan F1-score sebesar 0,88. Model terpilih kemudian diintegrasikan ke dalam backend Python dan dihubungkan dengan aplikasi mobile berbasis Flutter melalui Application Programming Interface (API). Integrasi ini memungkinkan proses klasifikasi tingkat stres dilakukan secara real-time dan mudah diakses oleh mahasiswa. Penelitian ini menunjukkan bahwa integrasi NLP dan ML dalam aplikasi mobile dapat menjadi solusi inovatif untuk deteksi dini stres mahasiswa serta berpotensi mendukung upaya pencegahan masalah kesehatan mental di lingkungan perguruan tinggi. ]]>
Copyrights © 2026
