KLASIFIKASI MENTAL HEALTH ISSUE PADA MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR

Faziz Ammarrafi Aryamada (Informatika, STMIK Amikom Surakarta)
Tommy Dwi Putra (Informatika, STMIK Amikom Surakarta)

Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026

Masalah kesehatan mental yang semakin meningkat di kalangan mahasiswa menjadi semakin mengkhawatirkan. Jika tidak ditangani, masalah ini dapat berdampak buruk pada kinerja akademis, hubungan sosial, dan kualitas hidup secara umum. Penelitian ini mengklasifikasikan masalah kesehatan mental mahasiswa menggunakan algoritma K-Nearest Neighbor (KNN). Dataset yang digunakan berasal dari Kaggle, yang terdiri dari berbagai atribut seperti tingkat stres, kecemasan, depresi, dan faktor-faktor lain yang dapat mempengaruhi kesehatan mental. Dalam penelitian ini, data yang digunakan diproses dan dianalisis menggunakan perangkat lunak RapidMiner, yang memudahkan penerapan algoritma KNN. Hasil penelitian ini membuktikan bahwa algoritma KNN dapat menjadi cara yang efisien untuk mengklasifikasikan masalah kesehatan mental dengan tingkat akurasi yang tinggi dalam memprediksi hasil berdasarkan atribut yang diberikan. Temuan ini menyarankan bahwa deteksi dan klasifikasi dini masalah kesehatan mental dapat memungkinkan intervensi tepat waktu untuk meningkatkan kesejahteraan mental dan kualitas hidup mahasiswa. Hasil klasifikasi menggunakan KNN akurasi terbaik adalah 100%