Pembangunan Model Prediksi Depresi Pelajar Berdasarkan Faktor Lingkungan dan Akademis

Depresi merupakan salah satu masalah kesehatan mental yang membutuhkan perhatian serius karena dampaknya yang signifikan terhadap kehidupan individu. Dalam artikel ini, kami mengembangkan model prediksi depresi menggunakan algoritma Logistic Regression yang dioptimalkan dengan metode hyperparameter tuning berbasis GridSearchCV. Penelitian ini memanfaatkan dataset dengan berbagai fitur seperti tekanan akademik, durasi tidur, kebiasaan makan, dan tingkat kepuasan belajar. Data terlebih dahulu dinormalisasi menggunakan StandardScaler untuk meningkatkan performa model, karena Logistic Regression sensitif terhadap skala data. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 84,206%, dengan nilai precision, recall, dan F1-score yang konsisten untuk kedua kelas (Not-Depressed dan Depressed). Optimasi parameter, seperti penalti regulasi dan nilai regularisasi, berhasil meningkatkan akurasi dibandingkan model baseline tanpa tuning. Studi ini menunjukkan bahwa Logistic Regression, meskipun sederhana, dapat menjadi alat yang efektif untuk mendeteksi risiko depresi jika dioptimalkan dengan teknik yang tepat. Selain itu, penggunaan GridSearchCV memungkinkan pencarian parameter yang lebih optimal, meningkatkan kemampuan model untuk generalisasi. Model ini memiliki potensi untuk digunakan dalam sistem deteksi dini, khususnya di lingkungan pendidikan atau pekerjaan, guna mendukung intervensi dini terhadap individu yang berisiko. Penelitian ini membuka peluang untuk eksplorasi lebih lanjut, seperti penambahan fitur lain, penggunaan algoritma pembelajaran mesin yang lebih kompleks, dan integrasi dengan sistem kesehatan mental untuk meningkatkan akurasi dan memberikan hasil yang lebih dapat diandalkan.