Analisis Komparatif Algoritma Machine Learning untuk Klasifikasi Tingkat Stres Mahasiswa Berdasarkan Data Kuesioner DASS-21
Keywords:
Machine Learning, Tingkat Stres, MahasiswaAbstract
Tingkat stres yang tinggi di kalangan mahasiswa menjadi isu penting yang memerlukan solusi deteksi dini berbasis teknologi. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan performa tiga algoritma machine learning Logistic Regression, Random Forest, dan Gradient Boosting dalam mengklasifikasikan tingkat stres mahasiswa berdasarkan data kuesioner DASS-21. Penelitian menggunakan pendekatan kuantitatif dengan data yang dikumpulkan melalui survei daring. Data diproses melalui tahapan normalisasi dan transformasi fitur sebelum diterapkan pada masing-masing model. Evaluasi performa dilakukan menggunakan metrik akurasi, presisi, dan F1-score. Hasil analisis menunjukkan bahwa mayoritas mahasiswa (59%) berada pada tingkat stres sedang hingga sangat parah. Dari sisi performa, Logistic Regression menunjukkan kinerja paling baik dengan akurasi sebesar 60%, mengungguli Random Forest (45%) dan Gradient Boosting (30%). Hasil confusion matrix memperkuat temuan ini, menunjukkan bahwa model linear lebih mampu membedakan antar kelas dalam dataset kecil. Studi ini menegaskan bahwa Logistic Regression adalah pilihan paling efektif untuk klasifikasi stres dalam konteks data terbatas, serta menunjukkan potensi penerapan machine learning dalam sistem deteksi dini kondisi mental mahasiswa di lingkungan akademik
References
Anissa, A. I., & Qoiriah, A. (2025). Prediksi tingkat stres berdasarkan pola hidup menggunakan machine learning. Journal of Informatics and Computer Science (JINACS), 292-300.
Duangchaemkarn, Khanita, Patiphan Khammarew, and Supavadee Aramvith. 2024. “Machine Learning-Based Classification of Mental Health State Using the DASS-21 Profile.” 16th Biomedical Engineering International Conference, BMEiCON 2024. doi:10.1109/BMEiCON64021.2024.10896316.
Hakim, A. A. A., Saputra, R. A., & Statiswaty, S. Deteksi Dini Gejala Stres pada Mahasiswa Berdasarkan Faktor-Faktor Penyebabnya Menggunakan Metode Logistic Regression. IJAI (Indonesian Journal of Applied Informatics), 8(2), 131-141.
Hapsari, A., Nursuwanda, A. S., Zuhriyah, H., & Vresdian, D. J. (2024). Klasifikasi Kesehatan Mental Mahasiswa Model TMAS dengan Algoritma Decision Tree, Logistic Regression, dan Random Forest. INTEK: Jurnal Informatika dan Teknologi Informasi, 7(2), 55-64.
Hasan, M. J., Das, A., Matubber, J., Shifat, S. H., & Morol, M. K. (2024, October). Enhanced Classification of Anxiety, Depression, and Stress Levels: A Comparative Analysis of DASS21 Questionnaire Data Augmentation and Classification Algorithms. In Proceedings of the 3rd International Conference on Computing Advancements (pp. 435-442).
Juwariyah, Siti, Alfajri Hulvi, Nor Riduan, and Kusrini Kusrini. 2024. “Mengukur Faktor Demografi Psikologis: Memprediksi Depresi, Kecemasan, Dan Stres Dengan Menggunakan Machine Learning.” Komputika : Jurnal Sistem Komputer 13(2):149–56. doi:10.34010/komputika.v13i2.11793.
Malik, Shahid Shabeer, and Aneeque Khan. 2023. “Anxiety, Depression and Stress Prediction among College Students Using Machine Learning Algorithms.” in 2023 2nd International Conference on Electrical, Electronics, Information and Communication Technologies, ICEEICT 2023. Institute of Electrical and Electronics Engineers Inc.
Nur, Ainindzi, Meiza Pudjianto, and Erwin Yudi Hidayat. n.d. “Perbandingan Prediksi Depresi Mahasiswa Dengan Linear Regression, Random Forest, Dan Gradient Boosting.” Pendrikan Kidul, Kec. Semarang Tengah 207. https://doi.org/10.31598.
Priya, Anu, Shruti Garg, and Neha Prerna Tigga. 2020. “Predicting Anxiety, Depression and Stress in Modern Life Using Machine Learning Algorithms.” Pp. 1258–67 in Procedia Computer Science. Vol. 167. Elsevier B.V.
Rahman, Atta Ur, Sagheer Abbas, Mohammed Gollapalli, Rashad Ahmed, Shabib Aftab, Munir Ahmad, Muhammad Adnan Khan, and Amir Mosavi. 2022. “Rainfall Prediction System Using Machine Learning Fusion for Smart Cities.” Sensors 22(9). doi:10.3390/s22093504.
Tigga, Neha Prerna, and Shruti Garg. 2022. “Prediction of Global Psychological Stress and Coping Induced by the COVID-19 Outbreak: A Machine Learning Study.” ALPHA PSYCHIATRY 23(4):193–202. doi:10.5152/alphapsychiatry.2022.21797.
Utami, S. P. Klasifikasi kesehatan mental usia Remaja menggunakan algoritma decision Tree dan naïve bayes (Bachelor's thesis, Fakultas Sains dan Teknologi UIN Syarif HIdayatullah Jakarta).
World Health Organization. (2022). Mental health and COVID-19:Early evidence of the pandemic’s impact.
Yesudas, Antony, Pramod Pathak, Paul Stynes, and Musfira Jilani. n.d. A Machine Learning Framework to Predict Depression, Anxiety and Stress MSc Research Project Master of Science in Data Analytics.
Zahra, R. I., & Kalifia, A. D. (2025). Prediction Of Student Stress Levels Based on Random Forest and The Dass-21 Questionnaire. bit-Tech, 8(2), 2113-2124.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Satria Kamal Fikhriyadi, Maya Suhayati, Deris Santika
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
