<![CDATA[Tingkat stres yang tinggi di kalangan mahasiswa menjadi isu penting yang memerlukan solusi deteksi dini berbasis teknologi. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan performa tiga algoritma machine learning Logistic Regression, Random Forest, dan Gradient Boosting dalam mengklasifikasikan tingkat stres mahasiswa berdasarkan data kuesioner DASS-21. Penelitian menggunakan pendekatan kuantitatif dengan data yang dikumpulkan melalui survei daring. Data diproses melalui tahapan normalisasi dan transformasi fitur sebelum diterapkan pada masing-masing model. Evaluasi performa dilakukan menggunakan metrik akurasi, presisi, dan F1-score. Hasil analisis menunjukkan bahwa mayoritas mahasiswa (59%) berada pada tingkat stres sedang hingga sangat parah. Dari sisi performa, Logistic Regression menunjukkan kinerja paling baik dengan akurasi sebesar 60%, mengungguli Random Forest (45%) dan Gradient Boosting (30%). Hasil confusion matrix memperkuat temuan ini, menunjukkan bahwa model linear lebih mampu membedakan antar kelas dalam dataset kecil. Studi ini menegaskan bahwa Logistic Regression adalah pilihan paling efektif untuk klasifikasi stres dalam konteks data terbatas, serta menunjukkan potensi penerapan machine learning dalam sistem deteksi dini kondisi mental mahasiswa di lingkungan akademik]]>
Copyrights © 2026
