PREDIKSI TINGKAT DEPRESI MAHASISWA MENGGUNAKAN MODEL HYBRID XGBOOST DAN SVM BERDASARKAN PHQ-9, IPK, TAHUN AKADEMIK, DAN USIA

Abstract

Kesehatan mental mahasiswa menjadi perhatian penting karena tekanan akademik dan sosial yang tinggi dapat memicu gejala depresi. Penelitian ini bertujuan membangun model klasifikasi tingkat depresi berdasarkan kuesioner PHQ-9 dan data demografis seperti usia, IPK, dan tahun akademik. Tiga pendekatan digunakan: Support Vector Machine (SVM), Extreme Gradient Boosting (XGBoost), dan model hybrid. Tahapan penelitian mencakup preprocessing data (imputasi, encoding, normalisasi), pelatihan model, dan evaluasi dengan akurasi, precision, recall, F1-score, dan AUC. Model hybrid dibentuk dengan menggunakan output probabilitas XGBoost sebagai input pelatihan model SVM. Hasil evaluasi menunjukkan SVM memiliki akurasi tertinggi sebesar 96%, diikuti hybrid 93,5% dan XGBoost 93%. Namun, pada pengujian data uji individual, model hybrid menunjukkan prediksi yang lebih tepat dibanding SVM. Seluruh model diimplementasikan dalam antarmuka berbasis web agar hasil klasifikasi mudah diakses oleh pengguna. Penelitian ini menunjukkan bahwa baik model tunggal maupun hybrid memiliki potensi besar dalam mengklasifikasikan tingkat depresi secara non-diagnostik. SVM unggul dalam klasifikasi makro, XGBoost efektif untuk pola fitur kompleks, dan pendekatan hybrid menawarkan solusi prediksi yang lebih stabil dan adaptif terhadap variasi data mahasiswa.