Perbandingan Kinerja Algoritma Machine Learning Dalam Prediksi Kesehatan Mental Dan Burnout Mahasiswa
DOI:
https://doi.org/10.48144/suryainformatika.v16i1.2420Keywords:
Machine Learning, Mental Health Prediction, Student Burnout, Classification Algorithms, Imbalanced DataAbstract
Penelitian ini bertujuan untuk membandingkan kinerja beberapa algoritma machine learning dalam memprediksi tingkat kesehatan mental dan burnout mahasiswa, yang diklasifikasikan ke dalam tiga kategori, yaitu Low, Medium, dan High. Algoritma yang diuji meliputi Decision Tree, Logistic Regression, Naive Bayes, Support Vector Machine (SVM), dan Random Forest. Evaluasi dilakukan menggunakan metrik Accuracy, Precision, Recall, dan F1-Score pada dataset berjumlah 200.000 data. Hasil penelitian menunjukkan bahwa Logistic Regression memiliki performa terbaik secara keseluruhan dengan nilai akurasi sebesar 0,8720 dan F1-Score sebesar 0,8677, diikuti oleh Random Forest dengan akurasi 0,8708. Decision Tree dan SVM juga menunjukkan performa yang kompetitif dengan akurasi masing-masing sebesar 0,8646 dan 0,8684, sementara Naive Bayes memiliki performa terendah dengan akurasi 0,8503. Namun demikian, seluruh model mengalami kesulitan dalam memprediksi kelas High, yang ditunjukkan oleh nilai recall yang relatif rendah, terutama pada SVM yang gagal mendeteksi kelas tersebut. Hal ini mengindikasikan adanya ketidakseimbangan data yang signifikan, di mana kelas Low mendominasi dataset. Secara keseluruhan, Logistic Regression dan Random Forest dapat direkomendasikan sebagai model terbaik untuk prediksi kesehatan mental mahasiswa dalam studi ini. Namun, diperlukan strategi penanganan data tidak seimbang, seperti resampling atau cost-sensitive learning, untuk meningkatkan performa prediksi pada kelas minoritas, khususnya kategori High.
References
H. A. Harefa, “Ketika Pelayanan Menjadi Rutinitas: Menyelami Kebosanan Mahasiswa Teologi Dalam Menghadapi Tantangan Spiritual,” LOKO KADA TUO J. Teol. Kontekst. dan oikumenis, vol. 2, no. 1, pp. 29–41, Mar. 2025, doi: 10.70418/4xen4b29.
V. Agustin, “Kompetensi Lulusan Sarjana St rata 1 (S1) Psikologi dalam Menghadapi Dunia Kerja Pada Mahasiswa Perguruan Tinggi ‘X,’” Calyptra J. Ilm. Mhs. Univ. Surabaya, vol. 1, no. 1, pp. 1–34, 2012, [Online]. Available: https://journal.ubaya.ac.id/index.php/jimus/article/view/41/24
T. Meriana, “Fenomena Kesehatan Mental Mahasiswa Di Tahun 2025: Urgensi Help-Seeking Behavior Sebagai Strategi Adaptif,” Syntax Idea, vol. 7, no. 9, pp. 1102–1112, Sep. 2025, doi: 10.46799/syntaxidea.v7i9.13548.
I. Yusran, S. Selviani, and S. Kahar, “PENGARUH FAKTOR-FAKTOR EKSTERNAL BURNOUT AKADEMIK ATAU INTENSITAS MEDIA SOSIAL,” Al-Isyraq J. Bimbingan, Penyuluhan, dan Konseling Islam, vol. 8, no. 3, pp. 1127–1146, 2025, doi: https://doi.org/10.59027/alisyraq.v8i3.1204.
G. Tri Prayogo Yusuf, Psikologi Kesehatan Mental Teori dan Aplikasi untuk Mahasiswa Indonesia, Pertama. Sumatera Barat: PT. Serasi Media Teknologi, 2026. [Online]. Available: https://www.researchgate.net/profile/Gilang-Tri-Prayogo-Yusuf/publication/400225614_Psikologi_Kesehatan_Mental_Teori_dan_Aplikasi_untuk_Mahasiswa_Indonesia_2026/links/69b51cb9a5bf176ab54ff2d1/Psikologi-Kesehatan-Mental-Teori-dan-Aplikasi-untuk-Mahasiswa-I
Dian Zahwa Oktaviani and Marsofiyati Marsofiyati, “Pengaruh Beban Tugas Akademik dan Dukungan Sosial Terhadap Tingkat Burnout Mahasiswa Pendidikan Administrasi Perkantoran,” Harmon. Pendidik. J. Ilmu Pendidik., vol. 2, no. 1, pp. 322–336, Dec. 2024, doi: 10.62383/hardik.v2i1.1102.
P. Abel Andreas, S. Fajar Firmansyah, and H. Hendra Pradana, “Studi Fenomenologi Burnout pada Mahasiswa yang Kuliah dan Bekerja,” Psycho Aksara J. Penelit. Psikol., vol. 3, no. 2, pp. 154–178, 2025, doi: 10.28926/pyschoaksara.v3i2.1726.
M. Ali, S. Ali, Q. Abbas, Z. Abbas, and S. W. Lee, “Artificial intelligence for mental health: A narrative review of applications, challenges, and future directions in digital health,” Digit. Heal., vol. 11, May 2025, doi: 10.1177/20552076251395548.
M. N. Makki, Hubungan Antara Academic Bunrout Dengan Kualitas Tidur Pada Mahasiswa Di Program Studi Pendidikan Dokter Uin Maulana Malik Ibrahim, vol. 2, no. 11. 2023.
J. Parhusip, J. Feranita, M. P. Mentari, T. Apriliani, and A. M. Jessend, “Implementasi Algoritma K-Means Clustering Untuk Segmentasi Tingkat Kesehatan Mental Mahasiswa Berdasarkan Faktor Stress dan Akademik,” J. Media Inform., vol. 7, no. 1 SE-, pp. 449–458, Feb. 2026, doi: 10.55338/jumin.v7i1.7856.
A. Arum Sari and H. Permatasari, “Prediksi Risiko Kesehatan Mental Berdasarkan Pola Penggunaan Perangkat Digital Menggunakan Algoritma Logistic Regression,” Pros. SEMNASA, vol. 3, pp. 151–161, 2026, [Online]. Available: https://ojs.amikomsolo.ac.id/index.php/semnasa/article/view/999/314
J. J. Hidayat, C. Setyowati, M. D. I. Amin, K. Bimasakti, and A. P. Werdana, “Deep Learning-based Sentiment Analysis of Public Comments on Military Education Using RoBERTa Algorithm and Rule-Based Hybird Parameters,” J. Media Comput. Sci., vol. 4, no. 2 SE-Articles, Jul. 2025, doi: 10.37676/jmcs.v4i2.8769.
J. R. Quinlan, “Learning decision tree classifiers,” ACM Comput. Surv., vol. 28, no. 1, pp. 71–72, Mar. 1996, doi: 10.1145/234313.234346.
B. de Ville, “Decision trees,” WIREs Comput. Stat., vol. 5, no. 6, pp. 448–455, Nov. 2013, doi: 10.1002/wics.1278.
A. H. Anshor and A. T. Zy, “Implementasi Metode Decision Tree pada Sistem Prediksi Status Kualitas Produk Minuman A,” J. Ilm. Inform. Glob., vol. 15, no. 1, pp. 17–22, Apr. 2024, doi: 10.36982/jiig.v15i1.3778.
C. N. Syahputri and M. S. Hasibuan, “OPTIMASI KLASIFIKASI DECISION TREE DENGAN TEKNIK PRUNING UNTUK MENGURANGI OVERFITTING,” JSiI (Jurnal Sist. Informasi), vol. 11, no. 2, pp. 87–96, Sep. 2024, doi: 10.30656/jsii.v11i2.9161.
A. Riansah, O. Nurdiawan, and R. Herdiana, “PENERAPAN ALGORITMA RANDOM FOREST DAN DECISION TREE UNTUK MENINGKATKAN AKURASI KLASIFIKASI PENJUALAN PADA TOKO BANGUNAN,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 3, pp. 4242–4249, May 2025, doi: 10.36040/jati.v9i3.13622.
A. Putra Argadinata, D. Abdul Fatah, and H. Sukri, “KLASIFIKASI KUALITAS BUAH APEL MENGGUNAKAN METODE RANDOM FOREST,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 2, pp. 2016–2022, Mar. 2025, doi: 10.36040/jati.v9i2.12854.
E. Rilvani, R. Hidayat, and F. Rizaldi, “LITERATURE REVIEW: PERBANDINGAN ALGORITMA ID3 DAN CART DALAM DATA MINING,” Kohesi J. Sains dan Teknol., vol. 10, no. 1 SE-Articles, pp. 1–10, 2025, doi: 10.2238/bd21vh46.
A. Ermillian and K. Nugroho, “Perancangan Model Deteksi Potensi Siswa Putus Sekolah Menggunakan Metode Logistic Regression Dan Decision Tree,” J. Inform. J. Pengemb. IT, vol. 9, no. 3, pp. 281–295, Dec. 2024, doi: 10.30591/jpit.v9i3.8007.
E. Y. Boateng and D. A. Abaye, “A Review of the Logistic Regression Model with Emphasis on Medical Research,” J. Data Anal. Inf. Process., vol. 07, no. 04, pp. 190–207, 2019, doi: 10.4236/jdaip.2019.74012.
M. Afriansyah, Joni Saputra, V. Y. P. Ardhana, and Yuan Sa’adati, “ALGORITMA NAIVE BAYES YANG EFISIEN UNTUK KLASIFIKASI BUAH PISANG RAJA BERDASARKAN FITUR WARNA,” J. Inf. Syst. Manag. Digit. Bus., vol. 1, no. 2, pp. 236–248, Jan. 2024, doi: 10.59407/jismdb.v1i2.438.
I. Rafi Alfiandi, Gunawan, M. Rizki Fadhil, and R. Samsinar, “Analisis Performa Convolutional Neural Network (CNN) dan Naive Bayes dalam Face Recognition: Akurasi dan Kompleksitas,” Pros. Semin. Nas. Hukum, Bisnis, Sains dan Teknol., vol. 5, no. 1 SE-Articles, pp. 284–294, [Online]. Available: https://www.ojs.udb.ac.id/HUBISINTEK/article/view/4758
J. Rusman, B. Z. Haryati, and A. Michael, “Optimisasi Hiperparameter Tuning pada Metode Support Vector Machine untuk Klasifikasi Tingkat Kematangan Buah Kopi,” J. Komput. dan Inform., vol. 11, no. 2, pp. 195–202, Oct. 2023, doi: 10.35508/jicon.v11i2.12571.
M. R. Saputra and P. Parjito, “ANALISIS SENTIMEN TWITTER TERHADAP KONFLIK DI PAPUA MENGGUNAKAN PERBANDINGAN NAIVE BAYES DAN SVM,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 10, no. 2, pp. 1197–1208, Mar. 2025, doi: 10.29100/jipi.v10i2.6180.
C. V. Angkoso, K. Asror, A. Kusumaningsih, and A. K. Nugroho, “Optimasi Algoritma Support Vector Machine Berbasis Kernel Radial Basis Function (RBF) Menggunakan Metode Particle Swarm Optimization Untuk Analisis Sentimen,” J. Teknol. Inf. dan Ilmu Komput., vol. 12, no. 3, pp. 705–718, Jun. 2025, doi: 10.25126/jtiik.2025129317.
J. J. Hidayat, C. Setyowati, and A. P. Werdana, “Perancangan Sistem Prediksi Penyakit pada Tanaman Padi Berbasis Image Processing Menggunakan Algoritma VGG-16 Transfer Learning dan K-Means Segmentation,” J. Pract. Comput. Sci., vol. 5, no. 1, pp. 1–15, May 2025, doi: 10.37366/jpcs.v5i1.5759.
M. D. I. Amin, J. J. Hidayat, C. Setyowati, E. K. Fitri, A. N. Anggraini, and A. P. Werdana, “Implementasi Model LSTM Untuk Peramalan Curah Hujan Di Bekasi Dengan Pemanfaatan Data Cuaca BMKG,” J. Teknol. Inf. Digit., vol. 1, no. 2, pp. 90–99, [Online]. Available: https://jurnal.ipdig.id/index.php/jtid/article/view/200
Muhamad Febiansyah, J. Jondri, and Indwiarti, “Prediksi Retweet Berdasarkan Konten Dan PenggunaDengan Metode Classifier Selection,” Log. J. Penelit. Inform., vol. 3, no. 1, Sep. 2025, doi: 10.25124/logic.v3i1.9744.
M. A. Rahman Wahid, A. Nugroho, and A. Halim Anshor, “Prediksi Penyakit Kanker Paru-Paru Dengan Algoritma Regresi Linier,” Bull. Inf. Technol., vol. 4, no. 1, pp. 63–74, Mar. 2023, doi: 10.47065/bit.v4i1.501.
A. T. Sasongko and M. Ivan Fanany, “Indonesia Toll Road Vehicle Classification Using Transfer Learning with Pre-trained Resnet Models,” in 2019 International Seminar on Research of Information Technology and Intelligent Systems (ISRITI), IEEE, Dec. 2019, pp. 373–378. doi: 10.1109/ISRITI48646.2019.9034590.
