IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBORS (KNN) DALAM KLASIFIKASI DEPRESI PADA MAHASISWA

Enjelita, Marsela (2025) IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBORS (KNN) DALAM KLASIFIKASI DEPRESI PADA MAHASISWA. Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (251kB)
	Text BAB II.pdf Restricted to Registered users only Download (630kB)
	Text BAB III.pdf Restricted to Registered users only Download (412kB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text BAB V.pdf Download (16kB)
	Text DAFTAR PUSTAKA.pdf Download (268kB)

Abstract

Kesehatan mental merupakan aspek penting dalam kehidupan, terutama bagi mahasiswa yang rentan mengalami tekanan akademik, sosial, dan pribadi. Depresi yang tidak terdeteksi dan tidak ditangani sejak dini dapat berdampak serius terhadap kualitas hidup mahasiswa. Penelitian ini bertujuan untuk mengimplementasikan algoritma K-Nearest Neighbors (KNN) dalam klasifikasi depresi pada mahasiswa dengan menggunakan dataset “Student Depression Dataset” dari Kaggle. Metodologi penelitian meliputi tahap pra-pemrosesan data (imputasi, encoding, scaling), seleksi fitur menggunakan SelectKBest, serta evaluasi model menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model KNN tanpa seleksi fitur menghasilkan akurasi sebesar 82.91% dengan nilai recall pada kelas depresi mencapai 89%, sedangkan model dengan seleksi 8 fitur terbaik memperoleh akurasi sebesar 83.59% dan recall 88% pada kelas depresi. Pemilihan nilai k optimal dilakukan melalui 5-fold crossvalidation, di mana k = 38 memberikan hasil terbaik tanpa seleksi fitur, dan k = 29 terbaik dengan seleksi fitur. Penelitian ini membuktikan bahwa algoritma KNN dapat digunakan secara efektif untuk mendeteksi potensi depresi pada mahasiswa, dan dapat menjadi alat bantu dalam upaya deteksi dini gangguan kesehatan mental di lingkungan pendidikan tinggi.

Actions (login required)

View Item