Integrasi Model Klasifikasi Tingkat Stress Mahasiswa Berbasis Natural Language Processing

Irfandi Rusdiansyah; Ridwan Pangestu; Devina Azalia; Muhammad Faiz Zhafran; Ferdy Saputra; Fachri Amsury

doi:10.31004/riggs.v4i4.4388

Authors

Irfandi Rusdiansyah Universitas Bina Sarana Informatika
Ridwan Pangestu Universitas Bina Sarana Informatika
Devina Azalia Universitas Bina Sarana Informatika
Muhammad Faiz Zhafran Universitas Bina Sarana Informatika
Ferdy Saputra Universitas Bina Sarana Informatika
Fachri Amsury Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.31004/riggs.v4i4.4388

Keywords:

Natural Language Processing, Machine Learning, Klasifikasi Stress, Aplikasi Flutter, Python, Mahasiswa

Abstract

Penelitian ini membahas pengembangan dan integrasi sistem klasifikasi tingkat stres mahasiswa berbasis teks menggunakan pendekatan Natural Language Processing (NLP) dan Machine Learning (ML) yang diimplementasikan pada aplikasi mobile. Tingkat stres mahasiswa merupakan permasalahan penting dalam dunia pendidikan tinggi karena berdampak langsung terhadap prestasi akademik dan kesehatan mental. Sistem yang diusulkan mengolah teks bebas yang ditulis oleh mahasiswa untuk memprediksi tingkat stres ke dalam tiga kategori, yaitu rendah, sedang, dan tinggi. Tahapan penelitian meliputi pengumpulan data teks, pra-pemrosesan menggunakan teknik NLP seperti case folding, tokenisasi, stopword removal, dan stemming, serta ekstraksi fitur menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF). Beberapa algoritma machine learning, yaitu Logistic Regression, Naive Bayes, Random Forest, dan Support Vector Machine, diuji untuk memperoleh model terbaik. Hasil evaluasi menunjukkan bahwa model Logistic Regression dengan fitur TF-IDF memberikan performa terbaik dengan akurasi sebesar 88,33% dan F1-score sebesar 0,88. Model terpilih kemudian diintegrasikan ke dalam backend Python dan dihubungkan dengan aplikasi mobile berbasis Flutter melalui Application Programming Interface (API). Integrasi ini memungkinkan proses klasifikasi tingkat stres dilakukan secara real-time dan mudah diakses oleh mahasiswa. Penelitian ini menunjukkan bahwa integrasi NLP dan ML dalam aplikasi mobile dapat menjadi solusi inovatif untuk deteksi dini stres mahasiswa serta berpotensi mendukung upaya pencegahan masalah kesehatan mental di lingkungan perguruan tinggi.

Downloads

Download data is not yet available.

References

R. Misra and M. McKean, “College students’ academic stress and its relation to their anxiety, time management, and leisure satisfaction,” American Journal of Health Studies, vol. 16, no. 1, pp. 41–51, 2000.

R. Beiter, R. Nash, D. McCrady, A. Rhoades, S. Linscomb, B. Clarahan, and D. Sammut, “The prevalence and correlates of depression, anxiety, and stress in a sample of college students,” Journal of Affective Disorders, vol. 173, pp. 90–96, 2015.

C. Son, S. Hegde, E. Smith, A. Wang, and C. Sasangohar, “Effects of COVID-19 on college students’ mental health in the United States: Interview survey study,” Journal of Medical Internet Research, vol. 22, no. 9, p. e21279, 2020.

Y. R. Tausczik and J. W. Pennebaker, “The psychological meaning of words: LIWC and computerized text analysis methods,” Journal of Language and Social Psychology, vol. 29, no. 1, pp. 24–54, 2010.

M. R. Sudrajat and M. Zakariyah, “Penerapan Natural Language Processing dan Machine Learning untuk Prediksi Stress Siswa SMA Berdasarkan Analisis Stress,” BITS, vol. 6, no. 3, pp. 1527–1536, 2024.

M. D. Deshmukh, S. Patil, and V. Thakare, “Stress detection in students using machine learning techniques,” International Journal of Advanced Computer Science and Applications (IJACSA), vol. 12, no. 3, pp. 145–152, 2021.

H. Patel and P. Parmar, “Stress level identification in university students using data mining techniques,” International Journal of Innovative Technology and Exploring Engineering (IJITEE), vol. 8, no. 6, pp. 560–564, 2019.

T. Shankar and S. Dutta, “Student stress detection using machine learning and sentiment analysis,” International Journal of Engineering Research & Technology (IJERT), vol. 9, no. 4, pp. 450–455, 2020.

I. Alvarez, J. Camacho, and M. Ruiz, “Automatic stress classification from text using TF-IDF and logistic regression,” Journal of Information Systems and Technology Research, vol. 14, no. 2, pp. 101–110, 2022.

N. Al-qaysi, M. R. Arshad, and H. M. Al-qaysi, “Text-based emotion detection using machine learning: A systematic review,” IEEE Access, vol. 8, pp. 113915–113937, 2020.

S. Lee and J. Lee, “Prediction of stress levels using machine learning algorithms and social media data,” Applied Sciences, vol. 9, no. 20, p. 4088, 2019.

A. Kumar and N. Garg, “Sentiment analysis using NLP on social media for mental health monitoring,” International Journal of Computer Applications, vol. 178, no. 7, pp. 12–18, 2019.

N. F. Rachmani, M. B. Santoso, and R. Hidayat, “Analisis tingkat stres mahasiswa selama pembelajaran daring,” Jurnal Psikologi Pendidikan, vol. 12, no. 2, pp. 87–96, 2021.

A. Nugroho and R. Sari, “Klasifikasi tingkat stres mahasiswa menggunakan Naive Bayes dan TF-IDF,” JTIIK, vol. 7, no. 1, pp. 33–40, 2022.

F. A. Prasetyo, A. Susanto, and A. Darmawan, “Implementasi Natural Language Processing untuk klasifikasi emosi pada teks berbahasa Indonesia,” Jurnal Sistem Informasi, vol. 17, no. 1, pp. 23–32, 2021.

W. A. Putri, R. D. Salma, and A. Widodo, “Stres akademik pada mahasiswa selama pandemi COVID-19,” Jurnal Kesehatan Masyarakat, vol. 9, no. 3, pp. 178–184, 2021.

P. Widodo and E. Nurhayati, “Tingkat stres mahasiswa selama pembelajaran daring di masa pandemi,” Jurnal Pendidikan dan Pengajaran, vol. 51, no. 2, pp. 90–100, 2021.

M. R. Sudrajat, M. Zakariyah, and T. Shankar, “Analisis stres siswa berbasis NLP dan ML,” IJACSA, vol. 12, no. 4, pp. 210–218, 2024.

H. Patel, “Machine learning untuk identifikasi tingkat stres pada mahasiswa,” IJITEE, vol. 8, no. 8, pp. 600–606, 2019.

I. Alvarez, J. Camacho, and M. Ruiz, “Klasifikasi stres otomatis berbasis teks menggunakan TF-IDF,” Journal of Information Systems and Technology Research, vol. 14, no. 3, pp. 111–119, 2022.