PREDIKSI KONDISI DEPRESI MAHASISWA MENGGUNAKAN MODEL KLASIFIKASI CATBOOST PADA AKTIVITAS FISIK, POLA TIDUR, INTERAKSI DIGITAL UNTUK DETEKSI DINI DAN INTERVENSI

ALAMSYAH DWI PUTRA, . (2025) PREDIKSI KONDISI DEPRESI MAHASISWA MENGGUNAKAN MODEL KLASIFIKASI CATBOOST PADA AKTIVITAS FISIK, POLA TIDUR, INTERAKSI DIGITAL UNTUK DETEKSI DINI DAN INTERVENSI. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text COVER.pdf Download (534kB)
	Text BAB I.pdf Download (128kB)
	Text BAB II.pdf Restricted to Registered users only Download (539kB) | Request a copy
	Text BAB III.pdf Restricted to Registered users only Download (934kB) | Request a copy
	Text BAB IV.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB V.pdf Restricted to Registered users only Download (54kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Download (182kB)
	Text Lampiran.pdf Restricted to Registered users only Download (1MB) | Request a copy

Abstract

Depresi merupakan gangguan kesehatan mental yang kerap dialami mahasiswa dan sering luput terdeteksi, sehingga berdampak pada prestasi akademik, kualitas hidup, dan relasi sosial. Penelitian ini mengembangkan sistem prediksi depresi berbasis data perilaku harian yang mencakup aktivitas fisik, pola tidur, dan interaksi digital. Data berasal dari NetHealth Project dan dianalisis menggunakan kerangka CRISP–DM melalui tahapan pemahaman data, persiapan, pemodelan, evaluasi, dan Deployment. Ketidakseimbangan kelas diatasi dengan SMOTE, sementara algoritma CatBoost dipilih sebagai model utama dan dibandingkan dengan LightGBM serta XGBoost. Hasil menunjukkan mahasiswa depresi cenderung memiliki aktivitas fisik rendah, pola tidur ekstrem, dan lingkaran sosial digital yang lebih sempit dibanding non depresi. Model CatBoost memberikan kinerja terbaik dengan recall 82% dan AUC 0,80, memenuhi kebutuhan deteksi dini agar kasus depresi tidak terlewat. Prototipe sistem kemudian diimplementasikan sebagai aplikasi web berbasis Streamlit yang menyediakan fitur prediksi risiko dan edukasi kesehatan mental. Temuan ini menegaskan bahwa integrasi machine learning dan data perilaku harian dapat menjadi sarana skrining awal dan intervensi untuk pencegahan depresi pada mahasiswa. ***** Depression is a mental health disorder frequently experienced by university students and often goes undetected, thereby affecting academic performance, quality of life, and social relationships. This study develops a depression prediction system based on daily behavioral data covering physical activity, sleep patterns, and digital interactions. Data were obtained from the NetHealth Project and analyzed using the CRISP–DM framework through stages of data understanding, preparation, modeling, evaluation, and Deployment. Class imbalance was addressed using SMOTE, while the CatBoost algorithm was selected as the primary model and compared with LightGBM and XGBoost. The results show that students with depression tend to have lower physical activity, more extreme sleep patterns, and narrower digital social circles compared to non-depressed peers. CatBoost achieved the best performance with a recall of 82% and an AUC of 0.80, meeting the requirement for early detection so that depression cases are not overlooked. The final model was implemented as a web-based prototype using Streamlit, offering features for risk prediction and mental health education. These findings demonstrate that integrating machine learning with daily behavioral data can serve as an effective early screening and intervention tool for preventing depression among university students.

Item Type:	Thesis (Sarjana)
Additional Information:	1) . Murien Nugraheni, , S.T., M.Cs. ; 2) . Ali Idrus, M.Kom.
Subjects:	Filsafat, Psikologi & Agama > Psikologi, Ilmu Jiwa Pendidikan > Bimbingan dan Konseling Pendidikan > Teori, Penelitian Pendidikan Pendidikan > Psikologi Pendidikan Sains > Matematika Sains > Matematika > Ilmu Komputer Sains > Matematika > Software, Sistem Informasi Komputer Sains > Statistika Teknologi dan Ilmu Terapan > Teknologi (umum) Teknologi dan Ilmu Terapan > Teknologi (umum) > Teknologi Pendidikan Teknologi dan Ilmu Terapan > Teknik Komputer
Divisions:	FT > S1 Sistem dan Teknologi Informasi
Depositing User:	Alamsyah Dwi Putra .
Date Deposited:	23 Jan 2026 03:25
Last Modified:	23 Jan 2026 03:25
URI:	http://repository.unj.ac.id/id/eprint/63409

Actions (login required)

View Item