Analisis Kinerja Model Machine Learning dalam Deteksi Risiko Depresi pada Pelajar

Abstrak

Depresi merupakan salah satu masalah kesehatan mental yang paling sering terjadi di seluruh dunia dan menjadi penyebab utama dalam kecacatan global. Deteksi dini depresi diperlukan untuk membantu mengidentifikasi pelajar yang memiliki risiko depresi sehingga penanganan dapat dilakukan lebih cepat dan tepat waktu. Penelitian ini mengusulkan deteksi depresi pada pelajar menggunakan model XGBoost dengan fokus untuk meningkatkan metrik recall. Metrik recall dipilih karena pada deteksi depresi, kesalahan false negative dapat menyebabkan pelajar yang mengalami depresi tidak terdeteksi oleh sistem. Peningkatan kinerja dilakukan dengan optimasi hyperparameter dengan bayesian optimization untuk medapatkan kombinasi hyperparameter yang optimal. Evaluasi model dilakukan menggunakan beberapa metrik yaitu recall sebagai indikator utama, precision, f1-score, accuracy. Berdasarkan pengujian, metode yang diusulkan mampu meningkatkan nilai recall dibandingkan model dasar XGBoost maupun model pembanding lainnya. Hasil evaluasi metrik yang dihasilkan adalah recall sebesar 0,9059 dengan precision 0,8322, f1-score 0,8675 dan accuracy 0,8385. Dengan demikian, model yang dihasilkan memiliki potensi digunakan untuk sistem deteksi dini depresi pada pelajar yang lebih responsif.

Identifier

• DOI: https://doi.org/10.52661/jict.v8i1.512
• OpenAlex: https://openalex.org/W7166345040