Pembangunan Model Prediksi Depresi Pelajar Berdasarkan Faktor Lingkungan dan Akademis
Dalam penelitian ini, kami berhasil membangun model prediksi depresi menggunakan algoritma Logistic Regression yang dioptimalkan dengan metode GridSearchCV. Pendekatan ini memungkinkan kami untuk menemukan kombinasi parameter terbaik, seperti penalti, regularisasi, dan jumlah iterasi maksimum, yang memberikan performa model paling optimal. Berdasarkan evaluasi, model ini mencapai akurasi sebesar 84,206% pada data uji, dengan nilai precision, recall, dan F1-score yang seimbang, terutama untuk kelas Depressed yang menjadi fokus utama. Hal ini menunjukkan bahwa model dapat mengenali individu yang berisiko depresi dengan cukup baik, sekaligus meminimalkan kesalahan prediksi. Adapun proses normalisasi data menggunakan StandardScaler juga berperan penting dalam meningkatkan performa Logistic Regression, terutama karena fitur-fitur yang digunakan memiliki skala yang berbeda. Dengan optimasi melalui GridSearchCV, kami mampu meningkatkan akurasi model dibandingkan baseline Logistic Regression tanpa tuning parameter. Saran yang diajukan oleh kami antara lain adalah integrasi fitur tambahan seperti faktor lingkungan atau data psikologis, untuk meningkatkan akurasi prediksi. Lalu eksperimen dengan algoritma lain yang lebih kompleks untuk membandingkan performa. Serta validasi yang lebih luas guna memastikan model dapat diaplikasikan secara general.
Jan 3, 2025
