the Data Tingkat Stress mahasiswa

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.