ANALISIS PREDIKSI TINGKAT DEPRESI PADA SISWA DENGAN PENDEKATAN REGRESI LINIER
Keywords:
Depression, Students, Linear regressionAbstract
Abstrak: Depresi pada siswa telah menjadi isu kesehatan mental yang semakin penting di kalangan populasi pelajar. Peningkatan tekanan akademis, perubahan sosial, dan tantangan perkembangan individu menjadi faktor-faktor utama yang berkontribusi pada prevalensi depresi yang meningkat di kalangan siswa. Dampaknya meluas dari aspek kesejahteraan mental hingga mempengaruhi prestasi akademis dan pengembangan pribadi. Pemahaman mendalam terhadap faktor risiko, gejala, serta dampak depresi pada siswa menjadi kunci dalam upaya pencegahan dan intervensi dini. Sekolah, orang tua, dan profesional kesehatan mental memegang peran penting dalam menciptakan lingkungan pendidikan yang mendukung, serta mengurangi stigma seputar masalah kesehatan mental. Pemanfaatan teknologi juga menjadi aspek penting dalam deteksi dini dan manajemen depresi pada siswa. Lingkungan pendidikan yang mendukung, program kesejahteraan mental di sekolah, dan peningkatan kesadaran terhadap masalah kesehatan mental dapat membantu mengurangi stigma seputar depresi di kalangan siswa. Teknologi juga berperan signifikan, dengan adanya aplikasi kesehatan mental dan sumber daya daring yang dapat memberikan bantuan dan dukungan kepada siswa yang membutuhkannya. Prediksi yang dilakukan ini menggunakan metode regresi dimana dalam metode regresi terdapat 7 metode lagi meliputi (1) Linear Regression, (2) Support Vector Regression – Linear, (3) Support Vector Regression – RBF, (4) Decision Tree Regression, (5) Random Forest Regressor, (6) Gradient Boosting Regression, (7) NLP Regressor yang diterapkan dalam penelitian ini. Berdasarkan 7 metode regresi tersebut akan dilakukan seleksi dalam memilih metode terbaik dengan nilai akurasi paling bagus yang digunakan dalam proses pengolahan deploy untukprediksi tingkat depresi pada siswa. Dari hasil akurasi 90:10, 80:20, 70:30, dan 60:40 bahwa metode yang bagus digunakan adalah metode Decision Tree Regression.
Abstract: Depression in students has become an increasingly important mental health issue among the student population. Increased academic pressure, social changes, and individual developmental challenges are major factors contributing to the increasing prevalence of depression among students. The impact extends from aspects of mental wellbeing to influencing academic achievement and personal development. An in-depth understanding of the risk factors, symptoms and impact of depression on students is key in prevention and early intervention efforts. Schools, parents and mental health professionals play an important role in creating a supportive educational environment and reducing the stigma around mental health problems. The use of technology is also an important aspect in early detection and management of depression in students. A supportive educational environment, mental wellbeing programs in schools, and increased awareness of mental health issues can help reduce the stigma surrounding depression among students. Technology also plays a significant role, with mental health apps and online resources providing help and support to students who need it. The predictions made use the regression method where in the regression method there are 7 more methods including (1) Linear Regression, (2) Support Vector Regression – Linear, (3) Support Vector Regression – RBF, (4) Decision Tree Regression, (5) Random Forest Regressor, (6) Gradient Boosting Regression, (7) NLP Regressor applied in this research. Based on the 7 regression methods, a selection will be carried out to choose the best method with the best accuracy value to be used in the deploy processing process to predict the level of depression in students. From the accuracy results of 90:10, 80:20, 70:30, and 60:40, it is clear that a good method to use is the Decision Tree Regression method.
Downloads
References
D. Dari and J. Kelamin, “Kepekaan humor dengan depresi pada remaja ditinjau dari jenis kelamin,” vol. 010.
N. F. Aryanti, “Perpustakaan Unika 7.,” vol. 12, no. 1, pp. 99–127, 1996, [Online]. Available: http://repository.unika.ac.id/5091/1/01.40.0159 Novita Febru Aryanti COVER.pdf
E. Prayitno, N. Tarigan, W. Sukmawaty, and U. Mauidzoh, “2 3 4 1,” Kebangkitan Umkm Pascapandemi Covid-19, vol. 2, no. 4, pp. 4787–4794, 2022, [Online]. Available: https://www.bajangjournal.com/index.php/J-ABDI/article/view/3641/2684
A. D. Novitasari, S. Limantara, D. Marisa, and R. Panghiyangani, “Literature Review: Hubungan Tingkat Depresi Dengan Kualitas Hidup Pada Pasien Pcos,” Homeostasis, vol. 4, no. 2, pp. 411–416, 2021, [Online]. Available: http://ppjp.ulm.ac.id/journals/index.php/hms/article/view/4032
A. Van Fadhila et al., “Implementasi Metode Machine Learning Untuk Mendeteksi Tingkat Stres Manusia Berdasarkan Kualitas Tidur,” Semin. Nas. Mhs. Ilmu Komput. dan Apl., vol. 4, no. 1, pp. 130–143, 2023.
Y. Dewi, R. Relaksana, and A. Y. M. Siregar, “Analisis Faktor Socioeconomic Status (Ses) Terhadap Kesehatan Mental: Gejala Depresi Di Indonesia,” J. Ekon. Kesehat. Indones., vol. 5, no. 2, pp. 29–40, 2021, doi: 10.7454/eki.v5i2.4125.
U. Memenuhi, S. Syarat, G. Meraih, G. Sarjana, and N. I. Muzdalifah, “HUBUNGAN ANT ARA RELIGIUSITAS DENGAN DEPRESI PADA SISW A SMU BATIK 2 SURAKARTA,” 2003.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Maya Widyanti
![Creative Commons License](http://i.creativecommons.org/l/by-sa/4.0/88x31.png)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.