Klasifikasi Tingkat Depresi Mahasiswa Menggunakan Algoritma Decision Tree C4.5
DOI:
https://doi.org/10.70609/jusifor.v5i1.8831Kata Kunci:
Depresi Mahasiswa, Klasifikasi, Pohon Keputusan, C4.5Abstrak
Depresi pada mahasiswa menjadi salah satu masalah yang semakin sering terjadi akibat tekanan akademik, kondisi emosional, dan pola hidup yang kurang seimbang. Kondisi ini sering kali tidak terdeteksi sejak awal sehingga diperlukan metode yang dapat membantu proses identifikasi tingkat depresi mahasiswa. Penelitian ini menggunakan metode Pohon Keputusan C4.5 untuk mengklasifikasikan tingkat depresi mahasiswa berdasarkan beberapa variabel, seperti kualitas tidur, beban belajar, usia, dan prestasi akademik. Data yang diperoleh dianalisis untuk mengetahui faktor yang paling berpengaruh dalam proses klasifikasi. Hasil penelitian menunjukkan bahwa kualitas tidur dan beban belajar menjadi faktor yang paling berpengaruh dalam menentukan tingkat depresi mahasiswa. Model yang dihasilkan mampu mengelompokkan data dengan tingkat akurasi yang cukup baik sesuai karakteristik masing-masing kelas. Metode C4.5 dapat digunakan sebagai pendukung deteksi dini depresi mahasiswa karena mampu menunjukkan hubungan antarvariabel secara lebih jelas dan mudah dipahami. Penelitian ini masih dapat dikembangkan lebih lanjut melalui peningkatan kualitas data dan penyesuaian metode agar hasil klasifikasi menjadi lebih optimal.
Referensi
[1] J. Sanjari and D. P. Nurlita, “Konsep Kesehatan Mental Perspektif Imam Al-Ghazali Dalam Kitab Ihya Ulumuddin.”
[2] C. Nisa and M. I. Rosyadi, “Prediksi Kesehatan Mental Mahasiswa Universitas Yudharta Pasuruan Dengan Klasifikasi Decision Tree,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 3S1, Oct. 2025, doi: 10.23960/jitet.v13i3S1.7925.
[3] Kemenkes, “Menjaga Kesehatan Mental Mahasiswa Baru.”
[4] A. Al Rivaldi, J. Soedarto, K. Tembalang, K. Semarang, and J. Tengah, “Analisis Faktor Penyebab Stres pada Mahasiswa dan Dampaknya terhadap Kesehatan Mental,” Jurnal Inovasi Riset Ilmu Kesehatan, no. 4, pp. 11–18, 2024, doi: 10.55606/detector.v2i3.4378.
[5] D. R. Amana, W. Wilson, and E. Hermawati, “Hubungan tingkat aktivitas fisik dengan tingkat depresi pada mahasiswa tahun kedua Program Studi Kedokteran Fakultas Kedokteran Universitas Tanjungpura,” Jurnal Cerebellum, vol. 6, no. 4, p. 94, Jul. 2021, doi: 10.26418/jc.v6i4.47800.
[6] D. S.F, Rosmaini, and D. N.P, “Health &Medical Journal,” 2021.
[7] A. Z. Bintang and A. M. Mandagi, “Kejadian Depresi Pada Remaja Menurut Dukungan Sosial D Kabupaten Jember,” 2021, [Online]. Available: http://cmhp.lenterakaji.org/index.php/cmhp
[8] E. F. S.Kedang, Rr. L. Nurina, and D. T. Manafe, “Analisis Faktor Resiko Yang Mempengaruhi Kejadian DepresiPada Mahasiswa Fakultas Kedokteran Universitas Nusa Cendana”.
[9] T. S. Pratama and A. A. Soebroto, “Sistem Pakar untuk Deteksi Dini Tingkat Depresi Mahasiswa menggunakan Metode Support Vector Machine (Studi Kasus: Fakultas Ilmu Komputer Universitas Brawijaya),” 2022. [Online]. Available: http://j-ptiik.ub.ac.id
[10] F. Aziz, P. Ishak, and S. Abasa, “Klasifikasi Depresi Menggunakan Support Vector Machine: Pendekatan Berbasis Data Text Mining,” Journal Pharmacy and Aplication of Computer Sciences, vol. 2, no. 2, pp. 33–38, 2024.
[11] K. Rahayu, V. Fitria, D. Septhya, R. Rahmaddeni, and L. Efrizoni, “Klasifikasi Teks untuk Mendeteksi Depresi dan Kecemasan pada Pengguna Twitter Berbasis Machine Learning,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 2, pp. 108–114, Sep. 2023, doi: 10.57152/malcom.v3i2.780.
[12] D. Septiani, U. Enri, and Nina Sulistiyowati, “Diagnosa Tingkat Depresi Mahasiswa Selama Masa Pandemi Covid-19 Menggunakan Algoritma Random Forest,” Dec. 2021.
[13] S. Abrori and Z. Fatah, “Implementasi Metode Decission Tree Dalam Mengklasifikasi Depresi Menggunakan Rapidminer,” Journal of Students‘ Research in Computer Science, vol. 5, no. 2, pp. 123–132, Nov. 2024, doi: 10.31599/vgf7xb32.
[14] I. Haziq, G. Akbar, N. Daffa, P. R. Firdaus, M. Sidik Aljabar, and Rudianto, “Klasifikasi Depresi pada Siswa Menggunakan Neural Network dan Random Forest,” vol. 7, no. 2, pp. 188–198, 2025, [Online]. Available: https://restikom.nusaputra.ac.id
[15] U. Al Faruq, M. Ainun Naja Fauzi, I. Fatayasya, E. Daniati, and A. Ristyawan, “Prediksi Data Kelulusan Mahasiswa Dengan Metode Decision Tree Menggunakan Rapidminer,” Online, 2023.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Moza Adhelia, Giescha Ramadhani Wiwenar, Hasbi Shohibil Wafa
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
