Klasifikasi Depresi pada Pelajar menggunakan Algoritma Naive Bayes dengan Chi-Square Feature Selection

Abstract

Depresi merupakan salah satu gangguan mental yang umum dialami oleh pelajar secara global. Depresi pada pelajar berdampak negatif terhadap aspek akademik maupun kehidupan sosial mereka. Deteksi dini terhadap depresi yang dialami oleh pelajar sangat diperlukan agar mendapat penanganan yang tepat dan cepat. Sementara pendekatan konvensional masih memiliki keterbatasan dalam mendiagnosis secara cepat dan akurat. Penggunaan metode Naive bayes dalam penelitian ini untuk klasifikasi depresi karena merupakan salah satu metode dalam machine learning. Penelitian ini dilakukan dengan tujuan untuk mengetahui performa model algoritma Naive bayes dengan Chi-square feature selection dalam mengklasifikasi depresi pada pelajar. Data yang digunakan sebanyak 502 data dengan 11 indikator penentu depresi pada pelajar. Hasil dari penelitian ini adalah kinerja model yang diukur menggunakan metrik akurasi, presisi, recall, dan F1-Score. Dari hasil pengujian yang dilakukan menunjukkan bahwa kombinasi Naive bayes dengan Chi-square feature selection mampu menghasilkan model klasifikasi yang baik dalam mendeteksi gejala depresi pada pelajar dengan peningkatan akurasi dari 81% menjadi 97% pada penggunaan rasio 80%, 90%, dan 100% fitur chi-square menghasilkan performa terbaik.