<![CDATA[Penelitian ini mengeksplorasi segmentasi kesehatan mental pada mahasiswa dengan menerapkan algoritma K-Means Clustering untuk menemukan pola risiko yang didasarkan pada indikator psikologis dan faktor akademis. Langkah-langkah penelitian mencakup pra-pemrosesan data, pengubahan variabel kategorikal, pengukuran fitur, serta penentuan jumlah klaster optimal melalui Metode Elbow, Skor Silhouette, dan Indeks Davies-Bouldin dengan menggunakan dataset “Student Mental Health” yang diperoleh dari Kaggle. Proses pengelompokan menghasilkan enam klaster yang memiliki Skor Silhouette 0.8707 dan DBI 0.315, menunjukkan adanya struktur klaster yang padat dan terpisah dengan baik. Analisis yang dilakukan mengungkapkan bahwa klaster-klaster tersebut dapat dikelompokkan ulang ke dalam tiga segmen utama, yaitu Baik, Moderat, dan Perlu Perhatian, yang menggambarkan perbedaan kondisi kesehatan mental di kalangan mahasiswa. Hasil ini menunjukkan bahwa teknik data mining memberikan kontribusi signifikan dalam menawarkan representasi kuantitatif terkait kondisi psikologis mahasiswa, serta dapat membantu dalam merancang intervensi kesehatan mental yang lebih terfokus di institusi pendidikan tinggi]]>
Copyrights © 2026
