View/Open

Author
Alwi, Arfan Solin

Date Published
16 Jul 2026

Advisor
Martin Clinton Tosima Manullang, S.T., M.T., Ph.D.,

Subject
Teknik Informatika

Publisher

Kesehatan mental mahasiswa menjadi perhatian yang semakin mendesak di lingkungan pendidikan tinggi. Penelitian ini bertujuan merancang model prediksi tingkat stres mahasiswa berdasarkan data aktivitas harian dengan pendekatan regresi Machine Learning klasik. Data primer dikumpulkan melalui kuesioner daring dari mahasiswa aktif Institut Teknologi Sumatera, dengan skor Perceived Stress Scale (PSS-10) sebagai variabel target kontinu. Sebanyak 137 respons terkumpul dan tersisa 118 data valid setelah tahap pembersihan. Mengikuti kerangka kerja CRISP-DM, dilakukan rekayasa fitur untuk membentuk variabel turunan seperti durasi tidur, rasio beban akademik, intensitas digital, dan indeks tekanan finansial. Empat algoritma, yaitu Random Forest, Support Vector Regression, LightGBM, dan XGBoost, diimplementasikan dan dibandingkan menggunakan metrik MAE, RMSE, dan R². Hasil menunjukkan Random Forest dipilih sebagai model dengan performa relatif terbaik, unggul tipis pada MAE dan RMSE dibandingkan SVR serta memiliki keunggulan feature importance bawaan, dengan R² sebesar 0.02 pada validasi silang dan 0.04 pada data uji. Nilai ini mengindikasikan kemampuan model yang masih terbatas, sehingga model lebih tepat diposisikan sebagai indikator analitis awal, bukan alat prediksi berpresisi tinggi. Analisis feature importance menempatkan durasi tidur, intensitas digital, dan rasio beban akademik sebagai faktor paling berpengaruh, dengan kategori gaya hidup memberikan kontribusi terbesar. Temuan ini sebagian dikonfirmasi oleh uji korelasi Spearman dan uji Kruskal-Wallis. Secara keseluruhan, penelitian ini memberikan kontribusi eksploratif mengenai faktor-faktor yang berkaitan dengan stres mahasiswa serta menjadi dasar bagi pengembangan sistem peringatan dini yang masih memerlukan validasi pada dataset berskala lebih besar.

URI
https://repo.itera.ac.id/depan/submission/SB2607160010

Keyword
stres mahasiswa machine learning regresi PSS-10 feature importance