Analisis Klaster Terhadap Tingkat Depresi Mahasiswa Menggunakan Algoritma K-Means

Abstract

Tingkat depresi pada mahasiswa merupakan permasalahan kesehatan mental yang semakin
penting diperhatikan. Tekanan akademik, stres finansial, dan gaya hidup menjadi faktor-faktor
utama yang memengaruhi kondisi psikologis mahasiswa. Penelitian ini bertujuan untuk
mengelompokkan mahasiswa berdasarkan tingkat risiko depresi menggunakan algoritma K
Means. Data diperoleh dari dataset "Student Depression Dataset" yang mencakup 27.901 entri
dengan 18 atribut. Proses analisis meliputi preprocessing data (label encoding, imputasi, dan
normalisasi), reduksi dimensi menggunakan Principal Component Analysis (PCA), serta
klasterisasi dengan K-Means. Evaluasi jumlah klaster dilakukan dengan metode Elbow. Hasil
analisis menunjukkan pembentukan tiga klaster utama dengan karakteristik psikososial yang
berbeda. Visualisasi dua dimensi dengan PCA memperjelas perbedaan antar klaster. Penelitian
ini menunjukkan bahwa pendekatan data mining dapat digunakan sebagai alat bantu deteksi dini
risiko depresi mahasiswa dan mendukung pengambilan keputusan dalam penyediaan layanan
kesehatan mental kampus. Hasil penelitian menunjukkan terbentuknya tiga klaster utama,
masing-masing dengan karakteristik psikososial yang berbeda, yang memberikan wawasan
penting untuk pengembangan layanan intervensi kesehatan mental di lingkungan kampus.