Analisis Kesehatan Mental untuk Mencegah Gangguan Mental pada Mahasiswa Menggunakan Algoritma K-Nearest Neighbor (K-NN) dan Random Forest
Mental Health Analysis to Prevent Mental Disorders in Students Using The K-Nearest Neighbor (K-NN) Algorithm and Random Forest Algorithm
Keywords:
Gangguan Mental, Kesehatan Mental, K-NN, Random ForestAbstract
Pada era modern, gangguan mental menjadi masalah kesehatan global. Organisasi Kesehatan Dunia (WHO) memperkirakan bahwa satu dari empat orang di seluruh dunia mengalami gangguan mental atau neurologis. Gangguan sering terjadi pada pelajar yang salah satunya adalah mahasiswa. Kesehatan mental mahasiswa, yang akan menjadi generasi penerus bangsa, sangat penting untuk keberhasilan mereka di bidang akademis ataupun non akademis dan peran mereka di masyarakat di masa depan. Dengan menggunakan algoritma K-Nearest Neighbor (K-NN) dan Randon Forest, penelitian ini bertujuan untuk menganalisis kesehatan mental untuk mencegah gangguan mental pada siswa. Dataset "Student mental health.csv" digunakan, yang diambil dari situs web Kaggle yang mencakup berbagai variabel terkait kesehatan siswa. Proses yang digunakan termasuk analisis data eksploratif, preprocessing data, modeling data menggunakan algoritma K-Nearest Neighbor (K-NN) dan Random Forest , dan akhirnya evaluasi. Hasil menunjukkan bahwa K-NN memiliki akurasi sebesar 90% pada splitting data 80:20, sedangkan Random Forest memiliki akurasi sebesar 85% pada splitting data yang sama. Namun, pada splitting data 70:30, kinerja K-NN turun menjadi 83%, sebanding dengan akurasi Random Forest 83% pada splitting data yang sama. Penelitian ini menyimpulkan bahwa, dalam beberapa kasus, algoritma K-NN menunjukkan akurasi yang sedikit lebih baik, sementara Random Forest menunjukkan kinerja yang lebih konsisten dalam berbagai pembagian data.
References
M. Sumathi and D. B., “Prediction of Mental Health Problems Among Children Using Machine Learning Techniques,” Int. J. Adv. Comput. Sci. Appl., vol. 7, no. 1, pp. 552–557, 2016, doi: 10.14569/ijacsa.2016.070176.
Z. Tanjung and S. Amelia, “Menumbuhkan Kepercayaan Diri Siswa,” JRTI (Jurnal Ris. Tindakan Indones., vol. 2, no. 2, pp. 2–6, 2017, doi: 10.29210/3003205000.
R. Maringka and K. Kusnawi, “Exploratory Data Analysis Faktor Pengaruh Kesehatan Mental di Tempat Kerja,” CogITo Smart J., vol. 7, no. 2, pp. 215–226, 2021, doi: 10.31154/cogito.v7i2.312.215-226.
N. S. Mohd Shafiee and S. Mutalib, “Prediction of Mental Health Problems among Higher Education Student Using Machine Learning,” Int. J. Educ. Manag. Eng., vol. 10, no. 6, pp. 1–9, 2020, doi: 10.5815/ijeme.2020.06.01.
D. O. Aluh, A. Abba, and A. B. Afosi, “Prevalence and correlates of depression, anxiety and stress among undergraduate pharmacy students in Nigeria,” Pharm. Educ., vol. 20, pp. 236–248, 2020, doi: 10.46542/pe.2020.201.236248.
M. Atas, W. Urban, D. A. N. Rural, and K. Jember, “Kesehatan mental pada remaja di lingkungan sekolah menengah atas wilayah urban dan rural kabupaten jember,” vol. 11, no. 3, pp. 537–544, 2023.
R. A. Rahman, K. Omar, S. A. M. Noah, M. S. N. M. Danuri, and M. A. Al-Garadi, “Application of machine learning methods in mental health detection: A systematic review,” IEEE Access, vol. 8, pp. 183952–183964, 2020, doi: 10.1109/ACCESS.2020.3029154.
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 Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 2, pp. 108–114, 2023, doi: 10.57152/malcom.v3i2.780.
A. Oktaviana, D. P. Wijaya, A. Pramuntadi, and D. Heksaputra, “Prediction of Type 2 Diabetes Mellitus Using The K-Nearest Neighbor ( K-NN ) Algorithm Prediksi Penyakit Diabetes Melitus Tipe 2 Menggunakan Algoritma K-Nearest Neighbor ( K-NN ),” vol. 4, no. July, pp. 812–818, 2024.
P. Josso, A. Hall, C. Williams, T. Le Bas, P. Lusty, and B. Murton, “Application of random-forest machine learning algorithm for mineral predictive mapping of Fe-Mn crusts in the World Ocean,” Ore Geol. Rev., vol. 162, no. June, p. 105671, 2023, doi: 10.1016/j.oregeorev.2023.105671.
F. Pratama, Z. Hadryan Nst, Z. Khairi, and L. Efrizoni, “Perbandingan Algoritma Random Forest Dan K-Nearest Neighbor Dalam Klasifikasi Kesehatan Mental Mahasiswa,” J. Ilm. Betrik, vol. 15, no. 1, pp. 31–37, 2024.
A. Samad, S. TAZE, and M. Kürsad UÇAR, “Enhancing Milk Quality Detection with Machine Learning: A Comparative Analysis of KNN and Distance-Weighted KNN Algorithms,” Int. J. Innov. Sci. Res. Technol., vol. 9, no. 3, pp. 2021–2029, 2024, doi: 10.38124/ijisrt/ijisrt24mar2123.
J. Fisher, S. Allen, G. Yetman, and L. Pistolesi, “Assessing the influence of landscape conservation and protected areas on social wellbeing using random forest machine learning,” Sci. Rep., vol. 14, no. 1, pp. 1–16, 2024, doi: 10.1038/s41598-024-61924-4.
J. Ehiabhi and H. Wang, “A Systematic Review of Machine Learning Models in Mental Health Analysis Based on Multi-Channel Multi-Modal Biometric Signals,” BioMedInformatics, vol. 3, no. 1, pp. 193–219, 2023, doi: 10.3390/biomedinformatics3010014.
N. Fathirachman Mahing, A. Lazuardi Gunawan, A. Foresta Azhar Zen, F. Abdurrachman Bachtiar, and S. Agung Wicaksono, “Klasifikasi Tingkat Stress dari Data Berbentuk Teks dengan Menggunakan Algoritma Support Vector Machine (SVM) dan Random Forest,” J. Teknol. Inf. dan Ilmu Komput., vol. 10, no. 7, pp. 1527–1536, 2023, doi: 10.25126/jtiik.1078010.
M. Dwidiyanti, D. R. Sawitri, B. Munif, A. Fitri, D. Yuli, and A. Information, “ORIGINAL ARTICLE THE HAPPY SPIRITUAL INTERVENTION FOR OVERCOMING INTOLERANCE OF UNCERTAINTY AMONG FAMILIES OF PATIENTS WITH MENTAL DISORDERS,” vol. 19, no. 2, pp. 72–77, 2024, doi: 10.20884/1.jks.2024.19.2.11032.
T. Solang and A. Nugroho, “Analisis Kesehatan Mental Mahasiswa Universitas Kristen Satya Wacana Menggunakan Metode Clustering Algoritma K-Means,” J. TEKINKOM, vol. 6, no. 1, pp. 8–15, 2023, doi: 10.37600/tekinkom.v6i1.641.
Sopiatul Ulum, R. F. Alifa, P. Rizkika, and C. Rozikin, “Perbandingan Performa Algoritma KNN dan SVM dalam Klasifikasi Kelayakan Air Minum,” Gener. J., vol. 7, no. 2, pp. 141–146, 2023, doi: 10.29407/gj.v7i2.20270.
K. B. Simarmata, K. D. Hartomo, and K. D. Hartomo, “Analisa Rekomendasi Fitur Persetujuan Pinjaman Perusahaan Financial Technology Menggunakan Metode Random Forest,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 9, no. 3, pp. 2055–2070, 2022, doi: 10.35957/jatisi.v9i3.2258.
L. Savitri and R. Nursalim, “Klasifikasi Kualitas Air Minum menggunakan Penerapan Algoritma Machine Learning dengan Pendekatan Supervised Learning,” Diophantine J. Math. Its Appl., vol. 2, no. 01, pp. 30–36, 2023, doi: 10.33369/diophantine.v2i01.28260.
M. Fadli and R. A. Saputra, “Klasifikasi Dan Evaluasi Performa Model Random Forest Untuk Prediksi Stroke,” JT J. Tek., vol. 12, no. 2, pp. 72–80, 2023, [Online]. Available: http://jurnal.umt.ac.id/index.php/jt/index
M. Rijal, F. Aziz, and S. Abasa, “Prediksi Depresi: Inovasi Terkini Dalam Kesehatan Mental Melalui Metode Machine Learning,” J. Pharm. Appl. Comput. Sci., vol. 2, no. 1, pp. 9–14, 2024, doi: 10.59823/jopacs.v2i1.47.
