<![CDATA[Depresi adalah suatu kondisi gangguan mental yang perlu mendapatkan perhatian serius, terutama di kalangan mahasiswa yang menghadapi tekanan akademik dan sosial. Prevalensi depresi pada mahasiswa mencapai angka yang mengkhawatirkan, dengan deteksi dini dan intervensi yang akurat menjadi krusial. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja empat algoritma machine learning (Random Forest, Logistic Regression, Support Vector Machine, dan Extreme Gradient Boosting) dalam memprediksi depresi mahasiswa di Sekolah Tinggi Ilmu Kesehatan Panti Rapih Yogyakarta. Menggunakan dataset kuesioner PHQ-9 dari 679 mahasiswa, data dipra-proses termasuk penanganan ketidakseimbangan kelas menggunakan SMOTE pada data pelatihan. Evaluasi model dilakukan dengan Stratified K-Fold Cross Validation dan metrik seperti akurasi, presisi, recall, F1-Score serta ROC AUC. Hasil menunjukkan bahwa semua model memiliki kinerja prediktif yang sangat tinggi (akurasi > 92%). Support Vector Machine menunjukkan kinerja terbaik secara keseluruhan dengan akurasi 94,30%, F1-Score 94,40% dan ROC AUC 98,57%. Random Forest unggul dalam recall sebesar 96,12% sementara Extreme Gradient Boosting mencapai presisi tertinggi (93,51%). Penelitian ini mengidentifikasi Support Vector Machine sebagai algoritma paling seimbang untuk prediksi depresi mahasiswa, menawarkan potensi sebagai alat skrining awal yang objektif dan efisien. ]]>
Copyrights © 2026
