Perbandingan Kinerja Algoritma Machine Learning dalam Klasifikasi Depresi Mahasiswa

Depresi merupakan salah satu permasalahan kesehatan mental yang banyak dialami oleh mahasiswa dan memerlukan pendekatan klasifikasi yang akurat serta berbasis data. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Random Forest dan Multilayer Perceptron with Stochastic Gradient Descent (MLP–SGD) dalam klasifikasi depresi mahasiswa menggunakan data sekunder Student Depression Dataset dari Kaggle sebanyak 27.901 baris serta data primer berbasis kuesioner Patient Health Questionnaire-9 (PHQ-9) dari 120 responden. Kedua model diuji pada kondisi base- line dan dioptimasi menggunakan GridSearchCV dengan tahapan pra-pemrosesan meliputi pember- sihan data, transformasi fitur kategorikal, normalisasi fitur numerik, serta pembagian data secara stratified dengan rasio 80:20.Hasil evaluasi menunjukkan bahwa MLP–SGD dengan konfigurasi hy- perparameter optimal memberikan kinerja yang konsisten lebih unggul dibandingkan Random For- est, dengan nilai accuracy sebesar 0,8366, F1-score sebesar 0,8345, dan AUC-ROC sebesar 0,9137 pada data sekunder, serta accuracy sebesar 83%, F1-score sebesar 0,83, dan AUC-ROC sebesar 0,9 pada data primer. Hasil ini menunjukkan bahwa MLP–SGD memiliki kemampuan generalisasi dan diskriminasi kelas yang lebih baik dalam klasifikasi depresi mahasiswa.