Identifikasi Tingkat Stres Mahasiswa Menggunakan Algoritma XGBoost dengan Data Psikologis, Fisik, Akademik, dan Lingkungan

Abstrak

Stres merupakan permasalahan kesehatan yang banyak dialami mahasiswa akibat tuntutan akademik, psikologis, fisik, dan lingkungan yang saling berkaitan dan bersifat multidimensi, sehingga pendekatan identifikasi konvensional dinilai kurang memadai untuk mengungkap pola yang kompleks. Penelitian ini menerapkan algoritma Extreme Gradient Boosting (XGBoost) untuk mengidentifikasi tingkat stres mahasiswa berdasarkan StressLevelDataset, mengetahui kinerja algoritma tersebut, serta mengidentifikasi faktor yang paling berpengaruh dalam proses klasifikasi. Model dibangun melalui dua tahap, yaitu model baseline dengan parameter bawaan dan model hasil hyperparameter tuning menggunakan Grid Search. Hasil penelitian menunjukkan bahwa model XGBoost hasil tuning yang dievaluasi menggunakan Stratified 10-Fold Cross-Validation memperoleh akurasi 88,91%, presisi 88,95%, recall 88,92%, dan F1-score 88,93%, meningkat dibandingkan model baseline (akurasi 87,27%). Analisis feature importance mengungkap bahwa blood_pressure, sleep_quality, dan safety merupakan tiga variabel paling berpengaruh berdasarkan nilai gain, dengan blood_pressure sebagai faktor paling dominan (±45,6%). Hasil ini menunjukkan bahwa algoritma XGBoost efektif dan dapat diandalkan untuk mengidentifikasi tingkat stres mahasiswa secara objektif berbasis data