PEMODELAN PREDIKSI KESEHATAN MENTAL MAHASISWA DI

LINGKUNGAN MULTIKULTURAL MENGGUNAKAN ALGORITMA

DECISION TREE J48

1st Haidir Ahmad
Jurusan Teknik Elektro
Universitas Negeri Malang
Malang 65145, Jawa Timur,
Indonesia
haidirhr532@gmail.com
2nd Ilham Ari Elbaith Zaeni
Jurusan Teknik Elektro
Universitas Negeri Malang
Malang 65145, Jawa Timur,
Indonesia
ilham.ari.ft@um.ac.id
3rd Muhammad Iqbal Akbar
Jurusan Teknik Elektro
Universitas Negeri Malang
Malang 65145, Jawa Timur,
Indonesia
iqbal.akbar.ft@um.ac.id

Abstract— Kesehatan mental masih menjadi hal yang tabu untuk dibicarakan masyarakat. Era
perkembangan teknologi saat ini membimbing manusia mencari tingkat kepuasan sesuai ekspektasi
sukses yang umum dibahas di sosial media, maupun di lingkungan sosialnya. Gejala stres atau
penurunan kesehatan mental pada mahasiswa dikategorikan berat. Dikuatkan dengan data bahwa
50.000 orang Indonesia melakukan aksi bunuh diri setiap tahunnya. Didominasi dengan rentan usia
16-30 tahun. Tekanan pada mahasiswa di lingkungan multikultural juga dapat dipengaruhi dengan
perbedaan cara berbahasa, gaya berpakaian, makanan, relasi interpersonal, iklim, waktu belajar, dan
berbagai hal lainnya. Hasil dari penelitian diharapkan dapat memberikan indikasi secara dini tentang
kesehatan mental pada mahasiswa. Penelitian ini menggunakan teknik Data Mining dan Machine
Learning untuk membuat pemodelan prediksi kesehatan mental mahasiswa dilingkungan
multikultural. Dataset yang digunakan berasal dari penelitian M.H. Nguyen dan kawan-kawan dengan
judul “A Dataset of Students’ Mental Health and Help-Seeking Behaviors in a Multicultural
Environment”. Dataset tersebut berisi 268 catatan depresi, tekanan akulturasi, hubungan sosial, dan
perilaku mencari bantuan yang dilakukan mahasiswa internasional maupun domestik di Universitas
Internasional Jepang. Dengan menggunakan algoritma Decision Tree j48 dan Information Gain sebagai
seleksi atribut, dilakukan pemodelan prediksi hal-hal yang memengaruhi kesehatan mental mahasiswa
internasional dan domestik. Penelitian ini menghasilkan performa dengan rata-rata accuracy 84.96%
dan evaluasi menggunakan MAPE (Mean Absolute Percentage Error) dengan rata-rata keseluruhan
15,04%. Adapun variabel yang sangat memengaruhi Kesehatan mental mahasiswa di lingkungan
multikultural adalah variabel ‘ToDep’. Variabel ‘ToDep’ adalah nilai kondisi emosional siswa yang
diukur berdasarkan nilai kuesioner PHQ-9 berdasarkan penelitian M.H. Nguyen dkk.

Keywords— Kesehatan Mental, Depresi, Information Gain, Algoritma Decision Tree, Model Prediksi
Kesehatan Mental

I. PENDAHULUAN interpersonal, iklim, waktu belajar, dan

Kesehatan mental adalah suatu kondisi
manusia yang memungkinkan perkembangan
fisik, intelektual, dan emosional yang optimal
[1]. Dikalangan masyarakat umum kesehatan
mental masih menjadi hal yang tabu untuk
dibicarakan masyarakat. Padahal tidak
terselesaikan suatu masalah yang dihadapi
seseorang dapat menyebabkan penyakit
psikologis. Penyakit psikologis juga tidak
membedakan suku, ras, agama maupun status
sosial ekonomi masyarakat modern [2].
Gejala stres atau penurunan kesehatan
mental pada mahasiswa, terutama mahasiswa
di lingkungan multikultural bisa dikategorikan
berat. Hal ini dikuatkan dengan data bahwa
50.000 orang Indonesia melakukan aksi bunuh
diri setiap tahunnya. Perihalnya, angka bunuh
diri yang tinggi pada penduduk usia muda
yakni 16-30 tahun [3]. Tekanan pada
mahasiswa di lingkungan multikultural juga
dapat dipengaruhi dengan perbedaan cara
berbahasa, gaya berpakaian, makanan, relasi
berbagai hal lainnya [4]. Hal ini menunjukkan
betapa pentingnya kesehatan mental di
kalangan mahasiswa.
Penelitian dari Estiane [5] dengan judul
“Pengaruh Dukungan Sosial Sahabat Terhadap
Penyesuaian Sosial Mahasiswa Baru di
Lingkungan Perguruan Tinggi”. Hasil yang
diperoleh adalah terdapat pengaruh dukungan
sosial sahabat terhadap penyesuaian sosial
mahasiswa baru di lingkungan perguruan tinggi
sebesar 4.8%. 95.2% lainnya merupakan
faktor-faktor yang memengaruhi penyesuaian
sosial terhadap lingkungan perguruan tinggi
yang tidak diteliti oleh penulis. Hal ini
menunjukkan penyesuaian mahasiswa baru di
lingkungan perguruan tinggi tidak hanya
dipengaruhi oleh dukungan sosial sahabat saja.
Khusaeri dan kawan-kawan [6] melakukan
penelitian dengan judul “Algoritma C4.5 untuk
Pemodelan Daerah Rawan Banjir Studi Kasus
Kabupaten Karawang Jawa Barat”. Dataset
dibagi dengan metode 10-Fold Cross
Validation menggunakan perangkat lunak tertinggi dari pengujian K-Fold Cross
WEKA 3.8.1 dengan modul j48 (Decision Tree Validation adalah 92.12%. Pola prediksi
C4.5). Tingkat akurasi yang dihasilkan menggunakan Algoritma J48 dinyatakan
menggunakan Algoritma C4.5 adalah 84.395%. berhasil karena hasil akurasi yang didapatkan
Algoritma C4.5 menghasilkan 12 aturan. dengan waktu 0,01 detik.
Beberapa contoh aturan yang didapatkan yaitu Berdasarkan penelitian terdahulu,
“Jika rata-rata curah hujan lebih dari 23.2424 Kesehatan mental menjadi pembahasan yang
maka tidak berpotensi banjir”, “Jika rata-rata penting saat ini terutama di kalangan
curah hujan kurang dari 23.2424 dan mahasiswa. Oleh karena itu, pada penelitian ini
ketinggian lebih dari 24 maka tidak berpotensi
dibangun pemodelan prediksi Kesehatan
banjir”, dan “Jika rata-rata curah hujan kurang
dari 23.2424, ketinggian kurang dari sama mental mahasiswa di lingkungan multikultural
dengan 24, rata-rata curah hujan lebih dari dengan Teknik machine learning. Pada
20.39 dan ketinggian kurang dari sama dengan pemodelan prediksi menggunakan algoritma
13.2 maka berpotensi banjir”. Decision Tree J48 berdasarkan tiga skenario
Penelitian oleh Kaunang dan kawan-kawan hasil yaitu apakah mahasiswa dilaporkan
[7] dengan judul “Pemodelan Sistem Prediksi memiliki gejala depresi (Dep), Jenis-jenis
Tanaman Pangan Menggunakan Algoritma gangguan depresi (DepType), dan tingkat
Decision Tree”. Menggunakan algoritma keparahan gangguan depresi (DepSev). Dataset
Decision Tree J48, penelitian ini membantu yang akan digunakan berasal dari penelitian
memberikan pertimbangan dalam pengambilan Nguyen dan kawan-kawan [9] yang telah
keputusan bagi para pemangku kepentingan di memuat kumpulan data atau dataset yang
bidang pertanian. Atribut yang digunakan membahas kesehatan mental (depresi, stres
dalam proses klasifikasi meliputi suhu (°C) akulturasi, keterhubungan sosial, dan ide bunuh
rata-rata per tahun, kelembaban rata-rata (%), diri) mahasiswa di Universitas Internasional
curah hujan (mm), lama penyinaran (jam), dan Jepang, dan perilaku mencari bantuan di
hasil produksi (ton) sebagai atribut kelas. lingkungan multikultural. Dengan adanya
Akurasi yang didapatkan pada masing-masing penelitian ini, diharapkan memberikan
tanaman pangan yaitu Jagung 62,5%, Kacang kesadaran dan indikasi Kesehatan mental
Tanah 71,6%, Padi 72,5%, dan Ubi Jalar secara dini pada kalangan mahasiswa dan
62,5%. Akurasi yang didapat berbeda bagi tiap mengedukasi masyarakat agar serta-merta
jenis tanaman pangan. Atribut-atribut yang mengurangi populasi angka bunuh diri.
ditampilkan merupakan atribut yang paling
memengaruhi prediksi masing-masing jenis
tanaman pangan. Dalam hal ini yang paling
memengaruhi dari keempat jenis tanaman
pangan tersebut adalah suhu.
Penelitian oleh Pramono dan kawan-kawan
[8] dengan judul “Analisis Minyak
Transformasi Daya Berdasarkan Dissolved Gas
Analysis (DGA) Menggunakan Data mining
Dengan Algoritma J48”. Algoritma J48
digunakan dalam penelitian ini, dikarenakan
algoritma tersebut dapat menghasilkan
hubungan antara masukan hasil pengukuran II. METODE PENELITIAN
DGA dengan keluaran berupa jenis gangguan
yang dihasilkan. Akurasi yang dihasilkan Metode yang dilakukan dalam penelitian
menggunakan data pengukuran minyak ini terdiri atas lima tahap sebagai berikut:
transformator dari berbagai macam perusahaan
rentan tahun 1972 sampai dengan 1992 sebagai
data Testing. Pengujian algoritma J48
dilakukan dengan metode K-Fold Cross
Validation yang bertujuan mendapatkan rata-
rata keberhasilan dan dapat diketahui nilai rata-
rata keberhasilan dari suatu sistem dengan cara
pengujian berulang. Pengujian dilakukan
berulang sehingga didapatkan rata-rata akurasi
sebesar 87.24%, sedangkan nilai akurasi

Nama
Atribut
Dep
DepType
DepSev
Gambar 1. Diagram Metode Penelitian
Berdasarkan Gambar 1 di atas, berikut
dijelaskan secara lebih detail mengenai
langkah – langkah pada penelitian ini.
A. Dataset
Data penelitian didapatkan dari penelitian
sebelumnya. Penelitian dari M.H. Nguyen dan
kawan-kawan dengan judul “A Dataset of
Students’ Mental Health and Help-Seeking
Behaviors in a Multicultural Environment”.
Dataset menyajikan data komprehensif kondisi
kesehatan mental (stres akulturasi,
keterhubungan sosial, dan ide bunuh diri)
mahasiswa internasional dan domestik dari
Universitas Internasional di Jepang.
Teknik pengumpulan data pada dataset ini
menggunakan metode kuesioner. Kuesioner
yang digunakan dirancang menggunakan 4
pengukuran standar: Kuesioner Kesehatan
Pasien (PHQ-9), Skala Stres Akulturatif untuk
Siswa Internasional (ASSIS), Skala
Keterhubungan Sosial (SCS), dan Kuesioner
Pencarian Bantuan Kesehatan Umum (GHSQ).
Survei dilakukan secara ketat dengan deklarasi
Helsinki dari World Medical Association
(WMA) dan diizinkan oleh Dewan Komite Etis
Ritsumeikan Asia Pasific University (APU)
setelah tinjauan internal. Survei didistribusikan
dari Oktober hingga Desember 2018.
Pendistribusian kuesioner dilakukan dengan
menggunakan Google form. Total respons dari
mahasiswa Internasional Jepang adalah 40,05%
(268/669).
Dataset juga dibagi menjadi 3 kelompok
utama yaitu: (1) informasi sosio-demografis
(religius), (2) kondisi kesehatan mental
(depresi, ide bunuh diri, stres akulturasi,
keterhubungan sosial), (3) perilaku mencari
bantuan.
Dalam penelitian pemodelan prediksi
Kesehatan mental ini berdasarkan tiga skenario
hasil yaitu apakah mahasiswa dilaporkan
memiliki gejala depresi (Dep), Jenis-jenis
gangguan depresi (DepType), dan tingkat
keparahan gangguan depresi (DepSev).
Attribute label ini dapat dilihat pada Tabel I.
TABEL I. ATTRIBUTE LABEL
Penjelasan Nilai
Apakah siswa melaporkan mengalami gejala Yes
depresi No
Jenis gangguan depresi: Gangguan depresi mayor Major
(Mayor), Gangguan depresi lainnya (Other), dan Other
tidak ada gangguan depresi (No) No
Min
Tingkat keparahan gangguan depresi: Depresi
Mild
minimal (Min), Depresi ringan (Mild), Depresi
Mod
sedang (Mod), Depresi sedang (ModSev), Depresi
ModSev
berat (Sev)
Sev
B. Data Preprocessing
Preprocessing data adalah salah satu
langkah dalam pembuatan model machine
learning yang dilakukan untuk mengolah data
mentah menjadi data yang baik untuk
digunakan oleh model machine learning yang
dibuat. Teknik preprocessing yang digunakan
pada penelitian ini adalah data cleaning dan
attribute selection (Information Gain).
Dataset yang telah terkumpul akan diolah
dengan tahap data cleaning. Proses ini adalah
menghilangkan kelompok data “Perilaku
Mencari Bantuan”, atribut yang menampilkan
2 nilai yang sama (data kategorikal), dan
missing value atau data yang tidak memiliki
nilai.
Attribute selection pada penelitian
menggunakan teknik Information Gain.
Tujuan utama teknik ini digunakan adalah
untuk memilih atribut terbaik yang memiliki
korelasi dengan kesehatan mental. Pemilihan
atribut akan menggunakan threshold (>0,
0.001, 0,01, 0,1), dimana atribut yang memiliki
nilai Information Gain diatas threshold akan
digunakan dalam pembangunan model
prediksi. Pemilihan threshold ini digunakan
karena hasil dari Information Gain masing-
masing atribut memiliki rentan nilai 0 hingga
1, sehingga akan menghasilkan pembagian
atribut yang setara. Information Gain
menggunakan pembobotan atribut kontinu
yang didekretkan menggunakan maksimal
entropi. Untuk menghitung Entropi
menggunakan persamaan (1). setelah
mendapatkan nilai entropi, maka perhitungan
Information Gain dapat dilakukan dengan
menggunakan persamaan (2).
 n
Gain( S , A)
Entropy ( S ) =∑ − pi∗log 2 pi GainRatio ( S , A ) =
i=1
SplitInfo( S , A )
(1) (4)
n Keterangan:
|Si|
Gain ( S , A )=Entropi ( S )−∑ ∗Entropi ( S )  S = Himpunan kasus
i=1 |S|  |Si| = Jumlah kasus pada partisi
(2) ke-i
 |S| = Jumlah kasus dalam S
Keterangan:  A = Atribut
 S = Himpunan kasus  n = Jumlah partisi atribut A
 |Si| = Jumlah kasus pada partisi
ke-i D. K-fold Cross Validation
 |S| = Jumlah kasus dalam S K-fold Cross Validation adalah teknik yang
 pi = Proporsi dari Si terhadap digunakan dalam memvalidasi suatu model
S yang dibuat dalam proses prediksi atau
 A = Atribut klasifikasi dari suatu dataset. Dataset yang akan
 n = Jumlah partisi atribut A digunakan dibagi menjadi 2 himpunan data.
Himpunan data yang digunakan untuk
C. Algoritma J48 melakukan validasi model disebut dengan data
Algoritma J48 adalah implementasi dari uji, sedangkan himpunan data yang digunakan
algoritma C4.5 berbasis Java pada aplikasi untuk pembuatan model disebut data latih.
WEKA. Algoritma J48 sendiri merupakan Metode K-Fold Cross Validation dilakukan
metode untuk membuat Decision Tree dengan mengambil data uji sebagai validasi
berdasarkan Training data yang telah dari model yang dibuat dari data latih, hal ini
disediakan [10]. Secara umum algoritma j48 dilakukan sebanyak nilai K yang ditentukan.
untuk membangun Decision Tree adalah Umumnya nilai K ditentukan dengan nilai 10,
sebagai berikut [11]: seperti ilustrasi pada Gambar 2.

1. Pilih atribut sebagai akar

(berdasarkan Gain Ratio)
2. Buat cabang untuk tiap-tiap nilai
3. Bagi kasus dalam cabang
4. Mengulangi proses untuk setiap
cabang sampai semua kasus pada
cabang memiliki kelas yang sama.
Untuk pemilihan atribut sebagai node pada
Decision Tree, diambil berdasarkan nilai Gain
Ratio tertinggi dari atribut-atribut yang ada.
Untuk menghitung Gain Ratio diperlukan Gain
untuk mengetahui efektivitas suatu atribut
dengan menggunakan persamaan (2). Selain Gambar 2. Cara Kerja K-fold Cross Validation
Gain, Split Information juga diperlukan dalam E. Confusion Matrix
menghitung Gain Ratio, dimana didapatkan
dengan persamaan (3). Sedangkan untuk Confusion Matrix adalah metode
mengetahui Gain Ratio menggunakan rumus perhitungan evaluasi dan validasi dalam data
persamaan (4). mining berbentuk tabel. Tabel Confusion
Matrix sendiri terdiri dari kelas positif dan
n
Si Si negatif, serta nilai accuracy, recall, dan
S plitInfo ( S , A ) =∑ ∗log 2 presision. Model Confusion Matrix dapat
i=1 S S dilihat pada Tabel II.
(3) TABEL II. CONFUSION MATRIX
Prediksi Model
+ -
Nilai + True Positif (TP) False Negative (FN)
Aktual - False Positif (FP) True Negative (TN)
Keterangan: III. HASIL DAN PEMBAHASAN
 True Positives = jumlah record
Hasil penelitian
A.
positif yang diklasifikasikan sebagai
positif Dalam penelitian pemodelan prediksi
 False Positives = jumlah record Kesehatan mental ini menggunakan algoritma
negatif yang diklasifikasikan sebagai Decision Tree J48 berdasarkan tiga skenario
positif hasil yaitu apakah mahasiswa dilaporkan
 False Negatives = jumlah record memiliki gejala depresi (Dep), Jenis-jenis
negatif yang diklasifikasikan sebagai gangguan depresi (DepType), dan tingkat
negatif
keparahan gangguan depresi (DepSev).
 True Negatives = jumlah record
Eksperimen ini dilakukan dengan
positif yang diklasifikasikan sebagai
negatif menggunakan bantuan software WEKA 3.9.4.
3 dataset tersebut dilakukan seleksi atribut
Berdasarkan penjelasan tersebut, dapat menggunakan metode Information Gain
dilakukan perhitungan accuracy (5), precision dengan threshold (>0, >0.001, >0.01, dan
(6), dan recall (7) dengan rumus sebagai >0.1). Hasil dari eksperimen akan ditampilkan
berikut:
dengan model ukur matriks yaitu accuracy,
precision, dan recall. Hasil ini dapat dilihat
TP+TN
Accuarcy= x 100pada
% Tabel III, IV, dan V.
TP+TN + FP+ FN
TABEL III. ACCURACY
(5)
Informatin Gain (Threshold) Algoritma
Label
TP >0 >0.001 >0.01 >0.1 J48
Precision= x 100 % Dep 81.82% 82.64% 80.58% 79.34% 78.93%
TP+ FP DepType 75.21% 75.21% 73.97% 75.62% 71.07%
(6) DepSev 100% 100% 100% 100% 100%

TP TABEL IV. PRECISION

Recall= x 100 % Informatin Gain (Threshold)
TP+ FN Label
Algoritma
>0 >0.001 >0.01 >0.1 J48
(7) Dep 82.00% 83.90% 81.00% 80.20% 82.10%
DepType 81.10% 81.10% 79.80% 79.00% 80.00%
F. Mean Absolute Percentage Error (MAPE)
DepSev 100% 100% 100% 100% 100%
Mean Absolute Presentage Error atau TABEL V. RECALL
biasa dikenal dengan MAPE adalah metode Informatin Gain (Threshold) Algoritma
evaluasi yang sering digunakan untuk Label
>0 >0.001 >0.01 >0.1 J48
mengetahui kesalahan prediksi suatu metode
Dep 90.70% 89.40% 90.10% 88.70% 84.80%
[12]. MAPE didapat dengan menghitung rata-
DepType 88.10% 88.10% 88.70% 92.10% 82.10%
rata kesalahan prediksi pada metode dalam
DepSev 100% 100% 100% 100% 100%
bentuk persentase sehingga memudahkan
untuk dipahami. Dikarenakan menghitung Dapat dilihat dari tabel diatas, akurasi pada
rata-rata kesalahan, prediksi dengan nilai label accuracy, precision, dan recall pada
MAPE terkecil adalah metode prediksi yang label DepSev memiliki nilai yang sempurna.
baik. Untuk mendapatkan nilai MAPE dapat Sedangkan pada label Dep dan DepType
menggunakan persamaan (8). memiliki hasil yang berbeda-beda. Nilai
accuracy, precision, dan recall dari atribut

| |
n
yi − ŷi Dep dan DepType memiliki nilai yang tinggi
MAPE= ∑ ŷi
∗100 % jika menggunakan Information Gain, hal ini
i=1 menunjukkan metode Information Gain dapat
mempengaruhi performa dari model tersebut.
(8)
B. Pembahasan
Keterangan:
 n = Jumlah data Dapat dilihat pada pembahasan subbab
sebelumnya dimana label DepSev memiliki
 y = Nilai aktual
hasil yang sempurna dari segi accuracy,
 ŷ = Nilai prediksi
precision, dan recall. Model prediksi dari
algoritma J48 tidak hanya menghasilkan model
dari Confusion Matrix saja, algoritma ini juga keputusan untuk label DepSev dapat dilihat
menghasilkan pohon keputusan. pohon pada Gambar 3.

Gambar 3. Pohon keputusan dengan Label DepSev

Pada pohon keputusan diatas, label DepSev
hanya memiliki satu atribut yang paling
mempengaruhi model keputusan yaitu
‘ToDep’. Label DepSev dengan ataupun tanpa
menggunakan attribute selection,
menghasilkan pohon keputusan yang sama, hal
ini dikarenakan software WEKA telah
menggunakan teknik pruning tree
(pemangkasan pohon) dimana atribut yang
tidak perlu digunakan dapat dipangkas
sehingga menghasilkan pohon keputusan yang
lebih pendek.
C. Evaluasi (MAPE)
Evaluasi kinerja model prediksi seperti
yang telah dibahas pada bab sebelumnya, akan
menggunakan metode evaluasi MAPE (Mean
Absolute Percentage Error) untuk mengetahui
tingkat kesalahan prediksi. Adapun hasil dari
evaluasi MAPE dari masing-masing dari
model dapat dilihat pada Tabel VI.

TABEL VI. HASIL EVALUASI MAPE

Information Gain Hasil Prediksi

Atribut Label Total Nilai Asli MAPE
(Threshold) (Tepat)
>0 198 18.18%
>0.001 200 17.35%
Dep >0.01 242 195 19.42%
>0.1 192 20.66%
Non IG 191 21.07%
>0 182 24.79%
>0.001 182 24.79%
DepType >0.01 242 179 26.03%
>0.1 183 24.38%
Non IG 172 28.92%
>0 242 0%
>0.001 242 0%
DepSev >0.01 242 242 0%
>0.1 242 0%
Non IG 242 0%
 Semakin kecil nilai MAPE maka semakin tepat
keakuratan prediksi. Hal ini dapat dilihat pada tabel diatas
nilai MAPE dengan rentan <10% menunjukkan model
sangat akurat, sedangkan untuk 10%-20% sudah
menunjukkan model yang baik, 20%-50% menunjukkan
hasil yang wajar dan >50% menunjukkan hasil yang tidak
akurat [13]. Adapun hasil dari nilai MAPE keseluruhan
skenario terdapat pada persamaan berikut.
Hasil MAPE dari Label ‘Dep’ dan ‘DepType’ memiliki
nilai terbaik pada saat menggunakan Information Gain.
Untuk Label Dep memiliki performa terbaik dengan
threshold (>0.001), sedangkan untuk Label DepType
memiliki performa terbaik dengan threshold (>0.1). Hal ini
menunjukkan performa dari penerapan Algoritma J48 pada
dataset ini, dapat ditingkatkan menggunakan seleksi atribut
Information Gain.
Dapat dilihat pada tabel diatas, nilai MAPE di Label
‘DepSev’ lebih rendah daripada nilai MAPE di Label ‘Dep’
yang hanya mengategorikan apakah ada depresi atau tidak
dikarenakan atribut ToDep memiliki persebaran data atau
nilai yang tepat pada hasil dari Label DepSev. Sehingga
pada pohon keputusan Label DepSev dilakukan
pemangkasan dan hanya menggunakan satu atribut dengan 4
level. Hal ini dapat terlihat pada Gambar 3.
Adapun jika dilihat dari hasil MAPE label ‘Dep’ dan
‘DepType’ memiliki performa nilai yang baik dan cukup
wajar, karena memiliki rentan nilai 18%-30%. Sedangkan
hasil MAPE dari keseluruhan skenario memiliki nilai baik
dengan nilai 15,04%.
IV. KESIMPULAN DAN SARAN
Berdasarkan hasil analisis penelitian yang telah dilakukan
dapat disimpulkan bahwa Algoritma J48 dapat diterapkan
pada Pemodelan Prediksi Kesehatan Mental Mahasiswa di
Lingkungan Multikultural dan memiliki Performa yang
cukup baik dengan rata-rata akurasi 84.96%. Evaluasi
menggunakan MAPE memiliki nilai yang baik dengan rata-
rata keseluruhan 15,04%. Sehingga penerapan Algoritma J48
menggunakan seleksi atribut Information Gain dapat
meningkatkan performa prediksi dan hasil dari evaluasi
menggunkana MAPE.
Variabel yang sangat berpengaruh pada Kesehatan mental
Mahasiswa di Lingkungan Multikultiral adalah ‘ToDep’. Hal
ini dikarenakan ‘ToDep’ memiliki persebaran data atau nilai
yang tepat pada hasil dari Label DepSev, sehingga atribut ini
menjadi satu-satunya node yang digunakan dalam pohon
keputusan dengan Label DepSev. ‘ToDep’ juga terpilih
sebagai node akar pada pohon keputusan Label ‘Dep’ dan
‘DepType’ di semua skenario. Variabel ‘ToDep’ adalah nilai
kondisi emosional siswa yang diukur berdasarkan nilai
kuesioner PHQ-9.
Sedangkan saran-saran yang masih perlu dikerjakan
untuk penelitian selanjutnya adalah:
1. Dapat digunakan dataset yang sama dengan skenario
yang berbeda dalam membangun eksperimen penelitian.
2. Pada penelitian selanjutnya juga dapat dilakukan dengan
menggunakan model algoritma prediksi yang berbeda.
REFERENSI
[1] B. Choresyo, S. A. Nulhaqim, and H. Wibowo, “Kesadaran
Masyarakat Terhadap Penyakit Mental,” Pros. Penelit. dan
Pengabdi. Kpd. Masy., vol. 2, no. 3, pp. 381–387, 2015, doi:
10.24198/jppm.v2i3.13587.
[2] U. Nihaya, “Konsep Seni Qosidah Burdah Imam Al-Bushiri sebagai
Alternatif Menumbuhkan Kesehatan Mental,” J. Ilmu Dakwah, vol.
34, no. 1, pp. 295–308, 2014.
[3] W. Nugroho, “Pemuda, Bunuh Diri dan Resiliensi: Penguatan
Resiliensi sebagai Pereduksi Angka Bunuh Diri di Kalangan Pemuda
Indonesia,” J. Stud. Pemuda, vol. I, no. 1, pp. 31–45, 2012.
[4] P. G. Handayani and V. Yuca, “Fenomena Culture Shock Pada
Mahasiswa Perantauan Tingkat 1 Universitas Negeri Padang,” J.
Konseling dan Pendidik., vol. 6, no. 3, p. 198, 2018, doi:
10.29210/129000.
[5] U. Estiane, “Pengaruh Dukungan Sosial Sahabat Terhadap
Penyesuaian Sosial Mahasiswa Baru di Lingkungan Perguruan
Tinggi,” vol. 4, no. 1, 2015.
[6] A. Khusaeri et al., “Algoritma C4.5 Untuk Pemodelan Daerah
Rawan Banjir Studi Kasus Kabupaten Karawang Jawa Barat,” Ilk. J.
Ilm., vol. 9, no. 2, pp. 132–136, 2017, doi:
10.33096/ilkom.v9i2.128.132-136.
[7] F. J. Kaunang, R. Rotikan, and G. S. Tulung, “Pemodelan Sistem
Prediksi Tanaman Pangan Menggunakan Algoritma Decision Tree,”
CogITo Smart J., vol. 4, no. 1, p. 213, 2018, doi:
10.31154/cogito.v4i1.115.213-218.
[8] A. Pramono, M. Haddin, and D. Nugroho, “Analisis Minyak
Transformator Daya Berdasarkan Dissolved Gas Analysis (DGA)
Menggunakan Data Mining Dengan Algoritma J48,” Telematika, vol.
9, no. 2, p. 78, 2016, doi: 10.35671/telematika.v9i2.457.
[9] M. Nguyen, M. Ho, Q. T. Nguyen, and Q.-H. Vuong, “A Dataset of
Students’ Mental Health and Help-Seeking Behaviors in a
Multicultural Environment,” no. December 2018, pp. 1–16, 2019.
[10] H. Widayu, S. D. Nasution, N. Silalahi, and Mesran, “Data Mining
untuk Memprediksi Jenis Transaksi Nasabah pada Koperasi Simpan
Pinjam dengan Algoritma C4.5,” vol. 1, no. 2, pp. 32–37, 2017.
[11] D. Iskandar and Y. K. Suprapto, “Perbandingan Akurasi Klasifikasi
Tingkat Kemiskinan antara Algoritma C4.5 dan Naive Bayes,” J.
Ilm. NERO, vol. 2, no. 1, pp. 37–43, 2015, doi:
10.21107/NERO.V2I1.42.
[12] S. Nooriansyah, C. Fatichah, and K. Sambodho, “Analisis Kinerja
Metode Artificial Neural Network Dan Support Vector Regression
Untuk Prediksi Significant Wave Height,” SCAN - J. Teknol. Inf. dan
Komun., vol. 13, no. 1, 2018, doi: 10.33005/scan.v13i1.1054.
[13] F. F. Utama, B. Warsito, and S. Sugito, “Model Feed Fordward
Neural Network (FFNN) dengan Algoritma Particle Swarm sebagai
Optimasi Bobot (Studi Kasus : Harga Daging Sapi dari Bank Dunia
Periode Januari 2007 – Desember 2018),” J. Gaussian, vol. 8, no. 1,
pp. 117–126, 2019, doi: 10.14710/j.gauss.v8i1.26626.