Depresi adalah gangguan kesehatan mental umum yang dapat mempengaruhi orang-orang dari segala usia dan dari semua lapisan masyarakat. Deteksi dan intervensi dini sangat penting untuk mengelola depresi dan mencegah konsekuensi negatifnya. Dalam beberapa tahun terakhir, algoritma pembelajaran mesin telah digunakan untuk mendeteksi tingkat depresi pada individu. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Support Vector Machine (SVM) dan Decision Tree dalam mendeteksi tingkat depresi pada mahasiswa.Kumpulan data yang digunakan dalam penelitian ini dikumpulkan dari 787 mahasiswa di Universitas Lahore dan memasukkan 19 variabel yang berkaitan dengan gejala depresi, gaya hidup, dan demografi. Algoritma Chi-Square digunakan untuk pemilihan fitur dan algoritma Decision Tree dan SVM digunakan untuk pemodelan. Studi tersebut menemukan bahwa kedua algoritme tersebut sangat akurat dalam mendeteksi depresi pada mahasiswa, dengan model SVM memiliki tingkat akurasi 95% lebih tinggi daripada model pohon keputusan. Penulis telah menyajikan data dan tabel secara visual yang menunjukkan akurasi dan ukuran evaluasi model. Studi menyimpulkan bahwa model SVM sangat akurat dalam mendeteksi tingkat depresi pada mahasiswa dan dapat digunakan sebagai alat yang dapat diandalkan untuk deteksi dini dan intervensi. Hasil penelitian ini memiliki implikasi penting bagi psikolog untuk mengambil tindakan. Algoritma pembelajaran mesin dapat digunakan untuk mendeteksi tingkat depresi individu, yang pada gilirannya dapat membantu deteksi dini dan intervensi. Ini dapat mengarah pada manajemen depresi yang lebih baik dan hasil kesehatan mental yang lebih baik. Namun, penelitian lebih lanjut diperlukan untuk memvalidasi hasil penelitian ini dan untuk mengeksplorasi potensi algoritma pembelajaran mesin dalam mendeteksi tingkat depresi pada populasi lain.
Copyrights © 2023