Knowledge Discovery untuk Identifikasi Atribut Dominan Depresi Mahasiswa Menggunakan Random Forest: Knowledge Discovery for Identifying Dominant Attributes of Student Depression Using Random Forest

Nur Salwa Fadia Akmar (Universitas Sriwijaya)
Gerri Asa Saputra (Universitas Sriwijaya)
M. Suandi (Universitas Sriwijaya)
Muhammad Yusuf (Universitas Sriwijaya)
Alsella Meiriza (Universitas Sriwijaya)
Ken Ditha Tania (Universitas Sriwijaya)
Ahmad Rifai (Universitas Sriwijaya)

Malcom: Indonesian Journal of Machine Learning and Computer Science
Vol. 6 No. 3 (2026): MALCOM July 2026

Depresi merupakan gangguan kesehatan mental yang umum dialami Mahasiswa dan dipengaruhi oleh faktor sosial, akademik, serta psikologis. Penelitian ini bertujuan untuk mengidentifikasi atribut dominan depresi pada Mahasiswa menggunakan pendekatan data mining dalam kerangka Knowledge Discovery in Databases (KDD). Kebaruan penelitian ini terletak pada integrasi seleksi fitur Weight by Information Gain dan klasifikasi Random Forest untuk mengukur kontribusi atribut secara kuantitatif. Dataset Student Mental Health yang digunakan berjumlah 101 data, dengan distribusi kelas yang tidak seimbang. Hasil menunjukkan bahwa Marital Status merupakan atribut yang paling dominan, diikuti oleh Treatment, Anxiety, dan Panic Attack. Model menghasilkan akurasi sebesar 80,36%. Penelitian ini menunjukkan bahwa pendekatan yang digunakan tidak hanya mampu melakukan klasifikasi, tetapi juga mampu mengidentifikasi faktor dominan depresi pada Mahasiswa secara objektif.