Klasifikasi Depresi Menggunakan Regresi Logistik Dan K-Nearest Neighbor Berdasarkan Faktor Demografis Dan Kesehatan
DOI:
https://doi.org/10.31849/v5ea2d45Keywords:
Depresi, Regresi Logistik, K-Nearest Neighbor, Klasifikasi, Kesehatan MentalAbstract
Depresi merupakan gangguan kesehatan mental yang berdampak besar terhadap kualitas hidup dan masih memiliki prevalensi tinggi di Indonesia, sementara upaya deteksi dini sering terkendala oleh keterbatasan alat skrining yang praktis dan akurat. Penelitian ini bertujuan untuk mengembangkan model klasifikasi depresi berbasis variabel demografis dan kesehatan dengan menggunakan algoritma Regresi Logistik dan K-Nearest Neighbor (KNN), serta membandingkan kinerjanya dalam memprediksi gejala depresi. Penelitian dilakukan secara eksperimental menggunakan dataset publik berjumlah 413.768 entri dari Kaggle yang telah melalui tahap preprocessing, analisis matriks korelasi, pelatihan model, dan evaluasi menggunakan metrik akurasi dan confusion matrix. Hasil menunjukkan bahwa regresi logistik memperoleh akurasi sebesar 73,16% pada data pelatihan dan 72,72% pada data pengujian, sedangkan KNN hanya mencapai 66,98%. Analisis korelasi juga mengidentifikasi hubungan bermakna antara status pekerjaan dengan pendapatan serta antara usia dengan tingkat aktivitas fisik sebagai prediktor penting depresi. Dapat disimpulkan bahwa regresi logistik lebih unggul dibandingkan KNN untuk klasifikasi depresi pada dataset ini, sehingga berpotensi diimplementasikan dalam sistem skrining dini depresi. Penelitian lanjutan disarankan menambahkan variabel psikososial dan algoritma lain guna meningkatkan performa model.
References
[1] S. Sulidah, T. A. Sugiyatmi, F. Efendi, I. A. Susanti, and A. Bushy, “Determinant factors related to stress, resilience, and depression among health workers during the COVID-19 pandemic in Indonesia,” Electron. J. Gen. Med., vol. 21, no. 2, 2024, doi: 10.29333/ejgm/14484.
[2] H. Idris and F. Tuzzahra, “Factors associated with depressive symptoms among adolescents in Indonesia: A cross-sectional study of results from the Indonesia Family Life Survey,” Malaysian Fam. Physician, vol. 18, pp. 1–9, 2023, doi: 10.51866/oa.265.
[3] I. Y. Suryaputri, R. Mubasyiroh, S. Idaiani, and L. Indrawati, “Determinants of Depression in Indonesian Youth: Findings from a Community-based Survey,” J. Prev. Med. Public Heal., vol. 55, no. 1, pp. 88–97, 2022, doi: 10.3961/JPMPH.21.113.
[4] Y. S. Handajani, E. Schröder-Butterfill, E. Hogervorst, Y. Turana, and A. Hengky, “Depression among Older Adults in Indonesia: Prevalence, Role of Chronic Conditions and Other Associated Factors,” Clin. Pract. Epidemiol. Ment. Heal., vol. 18, no. 1, pp. 1–10, 2022, doi: 10.2174/17450179-v18-e2207010.
[5] Ismail Setiawan, I. Fatah Yasin, and Y. Tri Desianti, “Komparasi Kinerja Algoritma Random Forest, Decision Tree, Naı̈ve Bayes, dan KNN dalam Prediksi Tingkat Depresi Mahasiswa menggunakan Student Depression Dataset,” J. Ilmu Komput. dan Teknol., vol. 6, no. 1, pp. 47–58, 2025, doi: 10.35960/ikomti.v6i1.1756.
[6] P. W. Simarmata and P. T. Prasetyaningrum, “Development of a Student Depression Prediction Model Based on Machine Learning with Algorithm Performance Evaluation,” J. Inf. Syst. Informatics, vol. 7, no. 2, pp. 1283–1305, 2025, doi: 10.51519/journalisi.v7i2.1087.
[7] A. E. Satriatama et al., “Analisis Klaster Data Pasien Diabetes untuk Identifikasi Pola dan Karakteristik Pasien,” J. Teknol. Dan Sist. Inf. Bisnis, vol. 5, no. 3, pp. 172–182, 2023, doi: 10.47233/jteksis.v5i3.828.
[8] F. R. Suprihati, “Analisis Klasifikasi SMS Spam Menggunakan Logistic Regression,” J. Sist. Cerdas, vol. 4, no. 3, pp. 155–160, 2021, doi: 10.37396/jsc.v4i3.166.
[9] R. Nurhidayat and K. E. Dewi, “Penerapan Algoritma K-Nearest Neighbor Dan Fitur Ekstraksi N-Gram Dalam Analisis Sentimen Berbasis Aspek,” Komputa J. Ilm. Komput. dan Inform., vol. 12, no. 1, pp. 91–100, 2023, doi: 10.34010/komputa.v12i1.9458.
[10] L. Barrass et al., “The association between socioeconomic position and depression or suicidal ideation in low- and middle-income countries in Southeast Asia: a systematic review and meta-analysis,” BMC Public Health, vol. 24, no. 1, 2024, doi: 10.1186/s12889-024-20986-9.
[11] M. Arizal and I. D. G. K. Wisana, “Mental Health Effects on Job Retention in Indonesia,” J. Dev. Econ., vol. 8, no. 1, pp. 1–20, 2023, doi: 10.20473/jde.v8i1.37445.
[12] R. W. Basrowi et al., “Exploring Mental Health Issues and Priorities in Indonesia Through Qualitative Expert Consensus,” Clin. Pract. Epidemiol. Ment. Heal., vol. 20, no. 1, pp. 1–9, 2024, doi: 10.2174/0117450179331951241022175443.
