Knowledge Discovery untuk Identifikasi Atribut Dominan Depresi Mahasiswa Menggunakan Random Forest: Knowledge Discovery for Identifying Dominant Attributes of Student Depression Using Random Forest

Nur Salwa Fadia Akmar; Gerri Asa Saputra; M. Suandi; Muhammad Yusuf; Alsella Meiriza; Ken Ditha Tania; Ahmad Rifai

doi:10.57152/malcom.v6i3.2684

Authors

Nur Salwa Fadia Akmar Universitas Sriwijaya
Gerri Asa Saputra Universitas Sriwijaya
M. Suandi Universitas Sriwijaya
Muhammad Yusuf Universitas Sriwijaya
Alsella Meiriza Universitas Sriwijaya
Ken Ditha Tania Universitas Sriwijaya
Ahmad Rifai Universitas Sriwijaya

DOI:

https://doi.org/10.57152/malcom.v6i3.2684

Keywords:

Data Mining, Depresi Mahasiswa, Knowledge Discovery in Databases, Random Forest

Abstract

Depresi merupakan gangguan kesehatan mental yang umum dialami Mahasiswa dan dipengaruhi oleh faktor sosial, akademik, serta psikologis. Penelitian ini bertujuan untuk mengidentifikasi atribut dominan depresi pada Mahasiswa menggunakan pendekatan data mining dalam kerangka Knowledge Discovery in Databases (KDD). Kebaruan penelitian ini terletak pada integrasi seleksi fitur Weight by Information Gain dan klasifikasi Random Forest untuk mengukur kontribusi atribut secara kuantitatif. Dataset Student Mental Health yang digunakan berjumlah 101 data, dengan distribusi kelas yang tidak seimbang. Hasil menunjukkan bahwa Marital Status merupakan atribut yang paling dominan, diikuti oleh Treatment, Anxiety, dan Panic Attack. Model menghasilkan akurasi sebesar 80,36%. Penelitian ini menunjukkan bahwa pendekatan yang digunakan tidak hanya mampu melakukan klasifikasi, tetapi juga mampu mengidentifikasi faktor dominan depresi pada Mahasiswa secara objektif.

Downloads

Download data is not yet available.

References

N. N. M. I. AA Zubairi, “The Impact of Between Depression, Anxiety, And Stress on Academic Performance among University Students,” Jurnal Pendidikan Bitara UPSI, no. 18, pp. 22–29, May 2025, doi: 10.37134/bitara.vol17.1.3.2025.

I. Lazulfa, Z. Atsna, and N. Angelia, “Analisis Hubungan Stress Akademik Dengan Gejala Depresi Dan Ide Bunuh Diri Pada Mahasiswa,” Journal of Telenursing (JOTING), vol. 7, no. 3, p. 2025, doi: 10.31539/joting.v7i3.15445.

J. Parhusip, J. Feranita, M. Pradana Mentari, T. Apriliani, and A. Marcello Jessend, “Implementasi Algoritma K-Means Clustering Untuk Segmentasi Tingkat Kesehatan Mental Mahasiswa Berdasarkan Faktor Stress dan Akademik,” 2026.

E. O. Ali, M. Agustin, and R. Sari, “Implementasi Algoritma Decision Tree Dengan Fitur Seleksi Weight By Information Gain,” Multinetics, vol. 9, no. 2, pp. 118–126, 2024, doi: 10.32722/multinetics.v9i2.5715.

A. D. W. M. Sidik, I. Himawan Kusumah, A. Suryana, Edwinanto, M. Artiyasa, and A. Pradiftha Junfithrana, “Gambaran Umum Metode Klasifikasi Data Mining,” FIDELITY?: Jurnal Teknik Elektro, vol. 2, no. 2, pp. 34–38, 2020, doi: 10.52005/fidelity.v2i2.111.

A. F. N. MASRURIYAH, M. MARDIAH, M. D. ANANDA, and K. N. MALIK, “Pendekatan Unsupervised learning dalam Segmentasi Kesehatan: Perbandingan K-Means dan DBSCAN,” MIND Journal, vol. 10, no. 1, pp. 99–113, Jun. 2025, doi: 10.26760/mindjournal.v10i1.99-113.

B. Nurhakim, I. Septiani, K. Anam, and D. Pratama, “Penarapan Algoritma K-Means Clustering Dalam Menganalisis Resiko Penyakit Stroke,” 2024.

P. Ayuningtiyas, K. Ditha Tania, and W. Kurnia Sari, “Sentiment-Based Knowledge Discovery pada Aplikasi iPusnas Menggunakan Metode Machine Learning dan Deep Learning,” 2025. [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC

U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, “Knowledge Discovery and Data Mining: Towards a Unifying Framework,” 1996. [Online]. Available: www.aaai.org

Z. N. Syarif, “Teknois?: Jurnal Ilmiah Teknologi Informasi dan Sains [1] Penerapan Information Gain dan Algoritma K-Means Untuk Klasterisasi Kedisiplinan Pegawai Menggunakan Rapidminer,” vol. 13, no. 1, pp. 1–12, 2023, doi: 10.36350/jbs.v13i1.

M. R. Nahjan, N. Heryana, and A. Voutama, “Implementasi Rapidminer Dengan Metode Clustering K-Means Untuk Analisa Penjualan Pada Toko Oj Cell,” 2023.

A. Budianita, “Information Gain Berbasis Algoritma Naive Bayes Classifier Pada Pemodelan Prediksi Kelulusan,” Jurnal Ilmiah Intech?: Information Technology Journal of UMUS, vol. 5, no. 1, pp. 1–10, May 2023, doi: 10.46772/intech.v5i1.1116.

D. Athallah Ubaid and M. Ichsan Farel Rachmad, “Klasifikasi Risiko Strok Menggunakan Algoritma Random Forest dengan Teknik Knowledge Discovery in Database,” Journal Computer Science, vol. 4, no. 1, 2025, [Online]. Available: https://www.kaggle.com/datasets/mahatiratushe

N. Supriani, S. W. Ningrum, and A. G. Nugraheni, “Technology and Informatics Insight Journal Penerapan Algoritma Naive Bayes dalam Machine Learning Untuk Klasifikasi Faktor-Faktor yang Mempengaruhi Kesehatan Mental Siswa”, [Online]. Available: https://jurnal.universitasputrabangsa.ac.id/index.php/tiij

S. Zacksavira, C. Anggraeni, B. Sebayang, J. Imanuel, and G. B. Sibarani, “Copyright @ Implementasi Algoritma Decision Tree untuk Deteksi Depresi Pada Pelajar”.

J. Sarita, I. Lu’luatuz Zainiyah, I. Maylani, and P. Setyawati, “Pengaruh Kesehatan Mental Terhadap Stress Akademik Pada Mahasiswa Di Universitas X Dengan Menggunakan Metode Algoritma Decision Tree J48.”

A. Y. Pratama, I. S. Maulana, F. K. Sari, S. D. Tiara, and I. Darmawan, “Prediksi Risiko Depresi pada Mahasiswa Menggunakan Algoritma Random Forest Berdasarkan Data Akademik dan Gaya Hidup,” JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer, vol. 4, no. 1, pp. 1–10, Dec. 2025, doi: 10.53624/jsitik.v4i1.696.

A. Rahmat, M. Syafiih, and M. Faid, “Implementasi Klasifikasi Potensi Penyakit Jantung Dengan MENGGUNAKAN METODE C4.5 BERBASIS WEBSITE ( STUDI KASUS KAGGLE.COM ),” Infotech, vol. 1861, no. 9, pp. 393–400, 2023.

F. N. Hidayat and S. Sugiyono, “Analisis Sentimen Masyarakat Terhadap Perekrutan Pppk Pada Twitter Dengan Metode Naive Bayes Dan Support Vector Machine,” Jurnal Sains dan Teknologi, vol. 5, no. 2, pp. 665–672, Dec. 2023, doi: 10.55338/saintek.v5i2.1359.

L. N. Darussalam, R. Kurniawan, Y. A. Wijaya, and T. Suprapti, “Algoritma Naive Bayes Untuk Meningkatkan Model Klasifikasi Penerima Program Indonesia Pintar Di Sdn 2 Purwawinangun,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 1, pp. 2830–7062, doi: 10.23960/jitet.v13i1.5882.

M. M. Mutoffar et al., “KLASIFIKASI KUALITAS AIR SUMUR MENGGUNAKAN ALGORITMA RANDOM FOREST,” vol. 04, 2022.

A. N. Yuliarina and H. Hendry, “Comparison Of Prediction Analysis Of Gofood Service Users Using The Knn &Amp; Naive Bayes Algorithm With Rapidminer Software,” Jurnal Teknik Informatika (Jutif), vol. 3, no. 4, pp. 847–856, Aug. 2022, doi: 10.20884/1.jutif.2022.3.4.294.

E. Sufarnap and S. Sudarto, “Seleksi Fitur Information Gain Dalam Meningkatkan Kinerja Naïve Bayes Dalam Prediksi Performa Mahasiswa,” Digital Transformation Technology, vol. 4, no. 2, pp. 1285–1295, Feb. 2025, doi: 10.47709/digitech.v4i2.5525.

M. Nurul Hamidah, R. Febrifyaning Tias, and R. Fahrial Zainal, “Analisis Komparatif Metode K-Nearest Neighbors Dan Random Forest Untuk Rekomendasi Pemilihan Pesantren Berdasarkan Profil Minat Siswa (siswa xxx tingkat SD dan SMP) A Comparative Analysis of K-Nearest Neighbors and Random Forest Methods for Recommendations on Selecting Islamic Boarding Schools Based on Student Interest Profiles (primary and middle school students at xxx).”

A. Muttaqin, U. K. Abdurrahman Wahid Pekalongan, and M. Hanif, “Pengaruh Stres Akademik Terhadap Tingkat Kecemasan dan Depresi Mahasiswa Perguruan Tinggi.”