<![CDATA[Depresi pada mahasiswa merupakan salah satu masalah kesehatan mental yang berdampak signifikan terhadap kualitas pendidikan dan produktivitas. Penelitian ini bertujuan untuk mengklasifikasikan depresi berdasarkan faktor gaya hidup menggunakan metode tree-based machine learning, yaitu Decision Tree, Random Forest, XGBoost, dan LightGBM. Data yang digunakan adalah Depression Student Dataset dengan 502 sampel yang mencakup atribut demografis, akademik, dan gaya hidup. Proses penelitian meliputi preprocessing data, pembagian data latih dan uji, pembangunan model, serta evaluasi menggunakan metrik akurasi, sensitivitas, dan spesifisitas. Hasil pengujian menunjukkan bahwa XGBoost memberikan performa terbaik dengan akurasi 94%, sensitivitas 100%, dan spesifisitas 87%, diikuti oleh LightGBM dengan akurasi 92%. Temuan ini menegaskan bahwa algoritma berbasis boosting lebih unggul dibandingkan metode pohon tunggal maupun bagging, sehingga dapat dimanfaatkan sebagai alat bantu deteksi dini depresi pada mahasiswa. Penelitian ini berkontribusi pada pengembangan model prediktif berbasis data yang mendukung pencapaian Sustainable Development Goals (SDG) terkait pendidikan berkualitas dan pekerjaan layak.]]>
Copyrights © 2026
