<![CDATA[Depresi merupakan salah satu masalah kesehatan mental yang banyak dialami mahasiswa dan dapat memengaruhi kualitas hidup serta prestasi akademik. Identifikasi awal terhadap mahasiswa yang berisiko mengalami depresi penting dilakukan untuk mendukung upaya pencegahan dan penanganan yang lebih tepat. Penelitian ini bertujuan mengimplementasikan algoritma Random Forest untuk mengklasifikasikan tingkat depresi mahasiswa, mengevaluasi kinerja model, serta mengidentifikasi fitur yang paling berkontribusi terhadap prediksi depresi. Penelitian menggunakan pendekatan kuantitatif eksperimental dengan data yang diperoleh dari 153 mahasiswa Universitas Prima Indonesia Medan melalui kuesioner daring. Model Random Forest dibangun menggunakan parameter terbaik hasil Grid Search, yaitu n_estimators = 50 dan max_depth = 10. Data dibagi menggunakan metode stratified split dengan rasio 80:20 dan dievaluasi menggunakan confusion matrix, kurva ROC, serta validasi silang 5-lipat. Hasil penelitian menunjukkan bahwa model Random Forest memperoleh akurasi 93,55%, presisi 85,71%, recall 85,71%, F1-score 85,71%, dan AUC 87,80%, yang menunjukkan kemampuan klasifikasi yang baik pada dataset penelitian. Analisis feature importance menunjukkan bahwa kondisi kesehatan, IPK, dan biaya per bulan merupakan fitur dengan kontribusi terbesar dalam prediksi depresi mahasiswa. Hasil penelitian menunjukkan potensi Random Forest sebagai pendekatan komputasional untuk membantu identifikasi awal mahasiswa yang berisiko mengalami depresi. Namun, temuan ini masih terbatas pada dataset dari satu universitas dan belum melalui validasi klinis menggunakan instrumen psikologis standar.]]>
Copyrights © 2026
