Jurnal Ilmiah Intech : Information Technology Journal of UMUS Vol.
No.
November 2025, pp.
Prediksi Tingkat Risiko Depresi Pada Mahasiswa
Menggunakan Algoritma K-Nearest Neighbor
Predicting Depression Risk Levels in College Students Using the K-Nearest Neighbor
Algorithm
1,2,3
Attagantari*1.
Arief Hidayat2.
Akhmad Pandhu Wijaya3 Program Studi Informatika.
Fakultas Teknik.
Universitas Wahid Hasyim.
Indonesia e-mail: *121103041043@unwahas.
id, 2rifmillenia@gmail.
com, 3pandhudsn@unwahas.
Abstrak Mahasiswa sering mengalami tekanan dari aspek akademik, sosial, dan pribadi yang dapat menyebabkan gangguan mental seperti depresi.
Jika tidak ditangani, kondisi ini berisiko mengganggu pencapaian akademik, relasi sosial, hingga memicu tindakan ekstrem.
Penelitian ini bertujuan untuk merancang dan mengembangkan sebuah sistem guna memprediksi tingkat risiko depresi pada mahasiswa menggunakan algoritma klasifikasi K-Nearest Neighbor (KNN).
Data dikumpulkan dari 300 mahasiswa melalui kuesioner dengan skala Likert.
Sistem dikembangkan menggunakan Python untuk tahap pra-pemrosesan.
Proses analisis mencakup seleksi data, pembersihan, transformasi, klasifikasi dengan KNN, dan evaluasi kinerja menggunakan confusion Dari pengujian terhadap 60 data uji, diperoleh akurasi 85%, presisi 90%, dan recall 83%.
Sistem ini berpotensi digunakan sebagai alat bantu deteksi dini bagi mahasiswa dan institusi Kata Kunci: Depresi.
Mahasiswa.
K-Nearest Neighbor.
Klasifikasi.
Data Mining Abstract College students often experience academic, social, and personal stress that can lead to mental health issues such as depression.
If left untreated, this condition can disrupt academic achievement and social relationships, and even trigger extreme behavior.
This study aims to design and develop a system to predict the risk of depression in college students using the K-Nearest Neighbor (KNN) classification Data were collected from 300 students through a Likert-scale questionnaire.
The system was developed using Python for pre-processing.
The analysis process included data selection, cleaning, transformation, classification with KNN, and performance evaluation using a confusion matrix.
Testing of 60 test data sets yielded 85% accuracy, 90% precision, and 83% recall.
This system has the potential to be used as an early detection tool for students and educational institutions.
Keywords : Depression.
Students.
K-Nearest Neighbor.
Classification.
Data Mining PENDAHULUAN Mahasiswa menghadapi masalah kesehatan mental yang semakin meningkat, terutama mereka yang menghadapi tekanan akademis, sosial, dan pribadi yang kompleks.
Tekanan tersebut kerap menjadi pemicu munculnya masalah kesehatan mental seperti depresi.
Jika tidak segera ditangani secara tepat, kondisi ini berpotensi berdampak negatif terhadap pencapaian akademik, kondisi fisik, serta interaksi sosial mahasiswa.
Mahasiswa mengalami peningkatan depresi dalam beberapa tahun terakhir.
Kondisi ini membutuhkan tindakan pencegahan dan deteksi dini yang lebih baik.
Salah satu masalah kesehatan mental yang paling sering dialami oleh remaja dan dewasa muda adalah depresi.
Salah satu tipe masalah kesehatan mental yang dikenal sebagai depresi adalah yang ditandai dengan hilangnya minat dan motivasi untuk beraktivitas, munculnya pikiran negatif, perasaan sedih yang berkepanjangan, dan kesulitan Informasi Artikel:
Submitted: bulan 20xx.
Accepted: bulan 20xx.
Published: Mei / November 20xx ISSN: 2685-4902 .
edia onlin.
Website: http://jurnal.
id/index.
php/intech ISSN: 2685-4902 .
Dalam beberapa kasus, kondisi ini bahkan dapat menyebabkan bunuh diri.
Sekitar 300 juta orang, atau 3,76% dari populasi global, mengalami depresi.
World Health Organization (WHO) memperkirakan bahwa dalam 15 tahun mendatang, depresi akan menjadi salah satu faktor utama penyebab kematian.
Depresi memiliki dampak yang signifikan terhadap kualitas hidup, yang mencakup penurunan prestasi, penurunan kreativitas, dan penurunan produktivitas di tempat kerja.
Akibatnya, orang kesulitan untuk menikmati aktivitas yang biasanya menyenangkan(Purwanto.
Sri, and Tamad 2.
Salah satu cara untuk mengidentifikasi risiko depresi secara cepat dan tepat adalah dengan memanfaatkan teknologi berbasis kecerdasan buatan, khususnya algoritma klasifikasi.
Dalam studi ini, pendekatan yang digunakan adalah metode kuantitatif berbasis data mining, dengan memanfaatkan algoritma K-Nearest Neighbor (KNN) sebagai teknik klasifikasi utama untuk mengidentifikasi seseorang yang memiliki kemungkinan gejala depresi(Abimanyu.
Bahtiar, and Adi Sarwoko 2.
K-Nearest Neighbors (KNN) merupakan salah satu cara yang termasuk dalam metode pengelompokan pada penambangan data dan juga menjadi salah satu metode yang potensial dalam mengklasifikasi data berdasarkan kemiripan atau kedekatan nilainilai atribut pada dataset(Sudarsono and Lestari 2.
Penelitian ini bertujuan untuk menciptakan sebuah sistem analisis risiko depresi pada mahasiswa menggunakan algoritma KNN, yang dapat membantu dalam deteksi dini.
Diharapkan, sistem ini mampu menyajikan informasi yang akurat sebagai alat diagnose diri bagi mahasiswa, dosen, serta pihak kampus dalam mendukung upaya pencegahan dan penanganan depresi(Utami 2.
Pada penelitian ini, saya menggunakan bahasa pemrograman python yang merupakan bahasa pemrograman berbasis objek yang dapat diinteraksi secara interaktif.
Bahasa pemrograman Python dirancang khusus untuk memudahkan programmer dalam membuat program dengan efisiensi waktu, kemudahan pengembangan, dan kompatibilitas dengan sistem.
Python dapat digunakan untuk membuat 16 aplikasi mandiri atau pemrograman skrip(Triono.
Budi, and Abdillah 2.
METODE PENELITIAN
Penelitian ini menerapkan metode kuantitatif menggunakan pendekatan klasifikasi berbasis data mining.
Proses dimulai dengan studi pustaka dan diskusi dengan domain expert untuk menyusun kuesioner sebagai instrumen pengumpulan data.
Data dikumpulkan dari 300 responden mahasiswa menggunakan skala Likert 4 poin, kemudian dilabeli menjadi tiga kelas risiko depresi: normal, ringan, dan berat.
Gambar 2.
1 Alur Metode Penelitian 1 Teknik Pengolahan Data Jurnal Ilmiah Intech : Information Technology Journal of UMUS : first_page Ae end_page ISSN: 2685-4902 .
Tahapan pengolahan data mencakup:
A Seleksi data : Memiih data relavan dari kuesioner.
A Preprocessing : Membersihkan data duplikat dan tidak konsisten.
A Transformasi Data : Mengubah data menjadi bentuk numerik, termasuk konversi jenis kelamin.
A Klasifikasi : Data analisis memakai algoritma K-Nearest Neighbor (KNN) dengan tetangga terdekat menggunakan parameter K=3 dan perhitungan jarak menggunakan Euclidean Distance.
A Evaluasi : Modul diperiksa dengan Matriks Kebingungan dengan metrik akurasi, presisi, dan recall.
2 Implementasi Sistem Sistem dibangun menggunakan Python .
ntuk preprocessin.
dan PHP CodeIgniter 3 .
ntuk antarmuka we.
Dari 302 data, dilakukan pembagian data mencapai 80% 80% digunakan sebagai data latih dan 20% sebagai data uji.
Pengujian model dilakukan dengan validasi menggunakan confusion matrix.
Sistem mampu mencapai performa klasifikasi yang baik dengan akurasi 84%, presisi 88%, dan recall 82%.
HASIL DAN PEMBAHASAN
Deskripsi Dataset Penelitian ini memanfaatkan data hasil kuesioner dari 300 responden yang merupakan mahasiswa aktif dengan rentang usia 19 Ae 24 tahun.
Kuesioner terdiri dari 10 indikator risiko depresi, seperti masalah keuangan, hubungan social, perasaan putus asa, hingga tingkat kepanikan dan mudah tersinggung.
Setiap indicator dinilai menggunakan skala likert 4 poin .
, sehingga total skor maksimum per responden adalah 30 poin.
Metode Pelabelan Label kategori risiko depresi ditentukan berdasarkan total skor kuesioner tiap Tiga kategori yang digunakan dalam klasifikasi adalah :
Normal : Skor rendah, tidak menunjukkan gejala depresi signifikan.
Ringan : Skor sedang, menunjukkan gejala awal depresi.
Berat : Skor tinggi, mengindikasikan gejala depresi yang cukup serius dan Proses pelabelan ini dilakukan secara manual berdasarkan referensi dari domain expert di bidang kesehatan mental dan literatur sebelumnya.
Proses Transformasi Penelitian ini memerlukan transformasi dikarenakan masih ada beberapa data string yang nantinya tidak bisa diptroses oleh sistem.
Data tersebut adalah kolom jenis kelamin.
Jenis kelamin laki-laki diubah menjadi angka 1 dan jenis kelamin perempuan diubah dalam angka 2.
Proses Klasifikasi Klasifikasi dilakukan dengan menghitung jarak Euclidean antara data uji dan data latih.
Hasil dari 3 tetangga terdekat menentukan label klasifikasi Berdasarkan mayoritas.
Proses ini dilakukan secara otomatis dalam sistem.
Berikut Rumus menghitung Jarak Euclidean :
ISSN: 2685-4902 .
Dengan penjelasan :
X : Nilai data latih Y : Nilai data uji N : Jumlah Fitur Contoh Klasifikasi :
A Data uji dengan skor tertentu dihitung jaraknya terhadap data latih A Tiga data terdekat dianalisis A Mayoritas label diantara tiga tetangga menentukan prediksi akhir Implementasi Algoritma KNN Metode klasifikasi yang digunakan adalah K-Nearest Neighbor (KNN), dengan parameter K = 3.
KNN bekerja dengan menghitung jarak Euclidean antara data uji dan data latih unutk menentukan kategori berdasarkan mayoritas tetangga terdekat.
Dataset dibagi menjadi :
80% .
sebagai data training 20% .
sebagai data testing Hasil Evaluasi Model Evaluasi model disini menggunakan confusion matrix.
Berikut merupakan persamaan yang dipakai untuk menentukan nilai akurasi, presisi, dan recall.
A Akurasi = A Presisi = A Recall = Aktual Berat Aktual Normal Aktual Ringan Prediksi Berat Prediksi Normal Prediksi Ringan Evaluasi confusion matrix terhadap 60 data uji menghasilkan :
A Akurasi : 85% : Menunjukkan bahwa model mampu mengklasifikasikan data dengan benar pada sebagian besar kasus.
A Presisi : 90% : Menandakan bahwa sebagian besar prediksi kategori positif .
isalnya depresi bera.
adalah benar A Recall : 83% : mengindikasikan bahwa model berhasil mendeteksi sebagian besar kasus nyata yang termasuk dalam kategori tersebut.
Hasil ini menunjukkan bahwa pendekatan KNN mempunyai performa yang cukup bagus dan efektif dalam mengklasifikasikan tingkatan risiko depresi pada mahasiswa, meskipun model sederhana dan berbasis kedekatan jarak.
Implementasi Sistem Dalam penelitian ini, implementasi alat uji metode K-Nearest Neighbor (K-NN) digunakan untuk mengklasifikasikan sebanyak 300 data.
Data tersebut terbagi menjadi dua Jurnal Ilmiah Intech : Information Technology Journal of UMUS ISSN: 2685-4902 .
sejumlah 240 data dipakai sebagai data training dan 60 data digunakan sebagai data testing.
Berikut ini adalah tampilan dari sistem yang sudah dikembangkan oleh penulis.
Gambar 3.
1 Tampilan Menu Dashboard Pada gambar 3.
1 merupakan halaman dashboard yang berisi tentang penjelasan gejala dan factor risiko depresi Sesuai dengan tema sistem tersebut yang memprediksi tingkat risiko Gambar 3.
2 Tampilan Menu Data Training Pada gambar 3.
2 merupakan halaman data training untuk mengupload dataset yang akan diproses dan diprediksi dengan upload file berupa xlsx.
Gambar 3.
3 Tampilan Menu Menampilkan Data Training Pada gambar 3.
3 merupakan halaman isi dari data training, isinya menampilkan dataset yang akan diklasifikasikan didalam sistem tersebut.
ISSN: 2685-4902 .
Gambar 3.
4 Tampilan Menu Tambah Data Baru Pada gambar 3.
4 merupakan menu data training yang berisi halaman tambah data baru.
Jika ada data baru yang akan ikut di prediksi maka bisa mengisikan terlebih dahulu pada halaman tambah data baru.
Gambar 3.
5 Tampilan Menu Prediksi Data Individu Pada gambar 3.
5 merupakan halaman prediksi data individu yang digunakan untuk memprediksi risiko depresi Berdasarkan tetangga terdekat .
Gambar 3.
6 Tampilan Halaman Isi Prediksi Data Individu Pada gambar 3.
6 merupakan halaman isi prediksi data individu yang berisi kolom untuk diisi, kemudian jika sudah terisi semua maka klik tombol prediksi.
Jurnal Ilmiah Intech : Information Technology Journal of UMUS ISSN: 2685-4902 .
Gambar 3.
7 Tampilan Halaman Hasil Prediksi Data Individu Pada gambar 3.
7 merupakan halaman hasil prediksi data individu yang berisi prediksi hasil jarak tetangga terdekat, dengan Berdasarkan nilai K.
Gambar 3.
8 Tampilan Menu Prediksi Data Batch Pada gambar 3.
8 merupakan halaman prediksi data batch yang berfungsi untuk memproses label prediksi, dengan mengupload file dataset terlebih dahulu.
Gambar 3.
9 Tampilan Halaman Hasil Prediksi Data Uji Pada gambar 3.
9 merupakan halaman prediksi data uji yang menampilkan label baru/ label prediksi.
ISSN: 2685-4902 .
Gambar 3.
10 Tampilan Menu Evaluasi Model Pada gambar 3.
10 merupakan halaman Evaluasi Model, yang berfungsi untuk menghitung confusion matrix yaitu akurasi model, presisi, recall.
Gambar 3.
11 Tampilan Halaman Unggah Dataset Pada gambar 3.
11 merupakan halaman uggah dataset pada menu evaluasi model yang nantinya akan diproses confusion matrix.
Gambar 3.
12 Tampilan halaman statistic dataset Pada gambar 3.
12 merupakan halaman statistic dataset yang berada pada menu evaluasi model, gunanya untuk melihat statistic dataset yang akan diproses.
Jurnal Ilmiah Intech : Information Technology Journal of UMUS ISSN: 2685-4902 .
Gambar 3.
13 Tampilan Halaman Pemilihan Kolom Target Pada gambar 3.
13 merupakan halaman pemilihan kolom target pada memu evaluasi model, pada menu ini anda di wajibkan untuk memilih label untuk di hitung confusion Gambar 3.
14 Tampilan Halaman Hasil Confusion Matrix Pada gambar 3.
14 merupakan halaman hasil confusion matrixnya pada menu evaluasi model, yang menampilkan akurasi model, presisi, recall.
Gambar 3.
15 Tampilan Halaman Grafik Confusion Matrix Pada gambar 3.
15 merupakan halaman grafik confusion matrix pada menu evaluasi model, yang gunanya untuk melihat hasil jumlah prediksi berat, prediksi normal, prediksi Pembahasan Nilai akurasi yang tinggi .
%) menandakan bahwa sistem dapat menjadi alat bantu yang andal dalam mendeteksi tingkat risiko depresi.
Presisi sebesar 90% pemting dalam konteks ini karena kesalahan dalam mengklasifikasikan seseorang sebagai Autidak depresiAy padahal ISSN: 2685-4902 .
sebenarnya berisiko, dapat berdampak serius.
Nilai recall 83% juga menunjukkan sensitivitas yang cukup baik, namun masih ada ruang untuk perbaikan agar kasus yang benar-benar berisiko tidak terlewat.
Dengan hasil tersebut, sistem ini berpotensi digunakan sebagai alat prediksi individu atau alat skrining awal oleh pihak kampus, konselor, atau pusat layanan mahasiswa.
Penggunaan sistem berbasis KNN ini memungkinkan deteksi dini depresi secara efisien, terutama untuk populasi besar, dan dapat diarahkan ke tindakan lanjutan seperti konseling atau pemeriksaan profesional.
KESIMPULAN
Berdasarkan hasil penelitian dan analisis dari yang telah dilakukan, dapat disimpulkan bahwa algoritma K-Nearest Neighbor (KNN) mampu digunakan secara efektif untuk memprediksi tingkat risiko depresi pada mahasiswa berdasarkan data kuesioner.
Dengan pembagian data latih dan data uji sebesar 80:20, model yang dibangun menghasilkan tingkat akurasi sebesar 85%, yang menunjukkan bahwa jumlah dan kualitas data latih memberikan kontribusi signifikan terhadap performa klasifikasi.
Hasil ini juga memperlihatkan bahwa algoritma KNN memiliki potensi sebagai alat bantu dalam proses skrining awal kondisi psikologis mahasiswa.
Implementasi sistem ini di lingkungan kampus diharapkan dapat membantu dalam mendeteksi gejala depresi sejak dini, sehingga mahasiswa yang berisiko dapat segera memperoleh perhatian dan penanganan yang lebih lanjut.
SARAN (OPTIONAL)
Adapun saran yang disampaikan pada penelitian ini sebagai berikut :
Penelitian selanjutnya disarankan untuk membandingkan algoritma K-Nearest Neighbor dengan metode klasifikasi lainnya berbasis probabilitas seperti Decision Tree.
Support Vector Machine (SVM), atau Random Forest untuk memperoleh hasil akurasi yang lebih Sistem klasifikasi yang dikembangkan dapat ditingkatkan menjadi aplikasi berbasis web atau mobile yang lebih ramah pengguna dan efisien dalam penggunaan memori serta penyimpanan, sehingga dapat digunakan secara lebih luas oleh institusi pendidikan.
DAFTAR PUSTAKA