View of ANALISIS KESEHATAN MENTAL MAHASISWA UNIVERSITAS KRISTEN SATYA WACANA MENGGUNAKAN METODE CLUSTERING ALGORITMA K-MEANS

(1)

8

ANALISIS KESEHATAN MENTAL MAHASISWA UNIVERSITAS KRISTEN SATYA WACANA MENGGUNAKAN METODE CLUSTERING ALGORITMA K-MEANS

Timothy Solang¹⁾, Adi Nugroho ²⁾

1,2 Teknik Informatika, Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana email: [email protected], [email protected]

Abstract

Mental health and machine learning technology that are trending among students provide a presentation that mental health awareness and technology use will have an impact in the future. This research aims to provide awareness of Satya Wacana Christian University data about mental health that can be identified using machine learning technology. The use of K-Means Clustering in clustering has been done in various types of research. Mental health scale that can recognize the state felt by Satya Wacana Christian University students based on answers to questions. The answers are in the form of a numeric scale, so the data is used in Orange3 for clustering using the K-Means algorithm. Analysis on the scale data of UKSW students who have 32 data has a silhouette k = 3 in cluster 1 of the depressed category has the results of 11 students seen in the 2018 batch and above in the depressed category and 1 data of 2020 batch students.

In cluster 2 has 12 data which has the results of the 2018, 2019 and 2020 generations in the prosperous category. Cluster 3 of the harmonious category has data on 9 students whose classes are various in 2017, 2018 and 2019. The results in each cluster provide an overview of the effect of batch on mental health where many of the early year batches are in the prosperous category then the depressed category with the 3rd year batch and there are students who are able to balance their mental health with harmonious categories scattered in each batch.

Keywords: : Clustering, Data, K-Means, Mental health, Patterns.

1. PENDAHULUAN

Kesehatan mental merupakan komponen mendasar dari definisi kesehatan mental merupakan ilmu yang membahas tentang kehidupan jiwa seseorang yang berpandangan bahwa seseorang menjadi agen yang paling sempurna [1]. Kesehatan mental yang baik memungkinkan orang untuk menyadari potensi mereka, mengatasi tekanan kehidupan yang normal, bekerja secara produktif, dan berkontribusi pada komunitas mereka [2]. Pada pengeertian tentang kesehatan mental dimaksudkan pada lingkup mahasiswa maka mahasiwa harus bisa menyadari potensi mereka, serta dapat mengatasi rintangan kehidupan biasa, mampu belajar produktif serta dapat berkontribusi bagi komunitas. Pengetahuan soal kesehatan mental yang sedang tren dikalangan mahasiswa juga dapat memberikan dampak soal pentingnya kesehatan dengan sebutan “healing”

dengan artian liburan atau menyampingkan kegiatan utama[3].

Universitas Kristen Satya Wacana (UKSW) pada tahun 2021 memiliki mahasiswa sebanyak ±17.350 untuk melakukan pendataan tentang apa yang dirasakan mahasiswa berdasarkan pengelompokan pada kesehatan mental akan kesulitan atau akan memakan waktu yang cukup lama. Machine learning sendiri memiliki metode-metode ekstraksi data yang dapat membuat data menjadi sebuah pola [4].

Analisis pola pengelompokan pada kesehatan mental juga dapat digunakan sebagai pengaplikasian tentang bagaimana universitas dapat memberikan bantuan psikologis terhadap mahasiswanya. Remaja yang sejatinya merupakan kelompok usia paling rentan akan stress dan kecemasan yang didapat dari kehidupan bersosial dan budaya di dalam universitas [5], [6].

(2)

9

Beberapa penelitian yang meneliti tentang kesehatan mental yang menggunakan faktor-faktor dari gangguan kesehatan mental didapatkan dari internal dan eksternal dengan penggunaan skala pada tiap subjek [7], [8]

dimana efeisiensi pada analisis data tiap subjek atau individu akan memakan waktu [9].

Penelitian yang menggunakan K-means clustering sudah biasa digunakan untuk melakukan metode pengelompokan dalam penelitian sebelumnya [10], [11]. Metode pengelompokan mulai masuk keranah kesehatan yang dapat mengidentifikasi data dalam numerik [12], [13]. Dengan metode penentuan klaster Davies Bouldin Index, Elbow, dan Silhouett memberikan hasil serta visualisasi terbaik [14].

Penggunaan K-means clustering dalam penelitian sebelumnya biasa hal mengelompokan mulai dari obat serta mahasiswa baru dengan menggunakan tools Rapid Miner [15], [16].

Penggunaan teknologi dalam universitas dapat sangat membantu dalam hal mendata mahasiswa yang berkaitan dengan kesehatan mental, kesehatan mahasiswa merupakan hal yang penting dalam sebuah unversitas dalam hal pembelajaran sehingga penelitian ini memungkinkan Universitas Kristen Satya Wacana untuk dapat menggunakan informasi ini sebagai bentuk informasi dalam hal perbedaan penanganan mahasiswa yang mengalami kesehatan mental yang berbeda agar peran dari UKSW dapat melihat potensi yang dapat dilakukan oleh mahasiswa jika kesehatan mental mereka terjaga.

2. METODE PENELITIAN

Penyelesaian penelitian ini terbagi dalam beberapa tahap seperti disajikan pada gambar 1.

2.1. Tahap Identifikasi Masalah

Tahap pertama yang dilakukan adalah identifikasi masalah yaitu terkait Kesehatan Mental yang terjadi di Universitas Kristen Satya Wacana pada mahasiswa aktif yang melakukan pembelajaran. Sikap UKSW dalam mendukung kesehatan mental namun setiap mahasiswa memiliki permasalahan sendiri yang dimiliki

sehingga munculnya masalah dengan banyaknya mahasiswa untuk diidentifikasi masalah ini dengan proses skoring untuk aspek kesejahteraan psikologis bergerak dari 1 menuju 5, sedangkan untuk aspek tekanan psikologis bergerak dari 5 menuju 1 [17], yaitu:

Tabel 1. Skala Kesehatan Mental (SKM-12) Kesejahteraan psikologis (psychological wellbeing)

1. Kehidupan sehari-hari penuh dengan hal- hal yang menarik

2. Pada umumnya Anda menikmati hal yang dilakukan

3. Merasa nyaman berkomunikasi dengan teman Anda

4. Merasa berharga karena perlakuan teman Anda

5. Merasa bahagia dalam menjalani kehidupan ini

6. Menikmati apa yang terjadi dalam kehidupan ini

Tekanan psikologis (psychological distress) 1. Mendapatkan diri Anda sebagai orang yang bingung atau frustasi

2. Merasakan sebagai orang yang lelah atau merasa tak berdaya

3. Merasa berada pada titik yang terendah 4. Menggunakan waktu untuk menikmati rasanya putus asa

5. Merasa kehilangan kontrol terhadap pikiran, perasaan, dan perilaku

6. Merasa tidak mempunyai apa-apa dalam menatap masa depan

2.2. Tahap Pengumpulan Data

Kemudian tahap selanjutnya adalah mengumpulkan data langsung dari setiap mahasiswa dengan menggunakan GoogleForm dimana pertanyaan kuesioner yang dibuat berdasar pada tabel 1 dan disebarkan kepada responden atau mahasiswa UKSW melalui email student dengan minimal mahasiswa yaitu 30 dalam kuesioner petunjuk pengisian kuesioner lalu ada pertanyaan serta jawaban yang berupa angka 1-5 untuk kesejahteraan psikologis dan 5-

(3)

10

1 untuk tekanan psikologis. Teknik pengumpulan data adalah salah satu penunjang berhasil dan tidak nya penelitian [18].

2.3. Tahap Pengolahan Data

Tahap pengolahan data dilakukan untuk mengatur data agar terlihat rapi untuk dimasukan ke dalam aplikasi orange serta membersihkan data yang tidak sesuai atau asal-asalan [19]. Data diatur melalui excel untuk dibentuk menjadi sebuah tabel dengan format csv lalu dibersihkan dengan Google Colab agar data tidak memiliki data yang kosong atau hilang. Pengolahan data jawaban sebelumnya yang didapat dari mahasiswa berupa angka yang dapat digunakan oleh K-means. Data kosong sangat mengganggu pemerosesan baris data pada kolom tertentu yang memiliki kekosongan dapat dihilangkan atau dihapus baris keseluruhan namun demikian memiliki kekurangan yaitu terjadi kurangnya jumlah data, namun jika banyak terjadi data kosong pada kolom maka pengumpulan data harus dilakukan kembali.

Gambar 1. Tahapan Penelitian

2.4. Tahap Clustering K-Means

Tahap clustering yaitu data di kelompokan menggunakan algoritma k-means.

K-means adalah algoritma yang membagi data menjadi beberapa kelompok berbeda. Data yang memiliki kesamaan kemiripan dikelompokkan menjadi satu cluster dan data yang memiliki perbedaan dikelompokkan ke kelompok yang berbeda. Algoritma ini bekerja dengan meminimalkan jarak antara data dan pusat cluster [20]. Tools proses clustering yaitu Orange 3 adalah perangkat lunak untuk pengolahan data dalam anaconda atau bisa diunduh terpisah.

2.5. Analisis Hasil

Pada tahapan terakhir, hasil clustering di analisis dan divisualisasikan hasilnya

3. HASIL DAN PEMBAHASAN

Sumber data diambil menggunakan formulir yang disebarkan dalam area Universitas Kristen Satya Wacana Salatiga. Responden berjumlah 32 mahasiswa UKSW berasal dari berbagai fakultas dengan angkatan yang berbeda, mengisi 12 pertanyaan yang terbagi 2 dimana 6 pertanyaan pada skala pertama dan 6 pertanyaan lainnya pada skala kedua. Gambar 2 merupakan bantuk data mahasiswa hasil pengolahan data yang terkumpul dari pengumpulan data di googleform yang sudah di rata-rata sebagai hasil dari jawaban skala pertama dan kedua digunakan oleh aplikasi orange untuk menjadi 2 atribut pendukung algoritma K-Means skala pertama dan skala kedua. Skala pertama tentang kesehateraan psikologis dan skala kedua tentang tekanan psikologis.

(4)

11

Penggunaan silhoutte digunakan untuk mencari jumlah k yang optimal. Silhoutte Coefficient digunakan untuk melihat kualitas hasil pengelompokan masing-masing perhitungan jarak. Gambar 3 menjelaskan k=3 memiliki indeks terbesar dari rentang 3-6 yaitu 0.195.

sturuktur yang dihasilkan kuat jika hasil mendekati 1.

Langkah-langkah perhitungan dari k-means clustering dijelaskan sebagai berikut:

1. Menentukan jumlah cluster

Jumlah cluster yang akan digunakan pada data kesehatan mental mahasiswa sebanyak tiga cluster yaitu tertekan, sejahtera dan harmonis berdasarkan grafik Silhouette. Setelah itu

menerapkan algoritma k-means pada data

penelitian dengan jumlah data 32 dan atribut yang digunakan 2 dalam skala pertama memiliki 6 data dan skala kedua 6 data tiap skala akan di rata-rata, parameter data dapat dilihat pada tabel 2.

Tabel 2. Parameter Data Jumlah

Cluster

Definisi Atribut Jumlah Mahasiswa 3 Tertekan,

sejahtera, harmonis

2 32

Terdapat 3 cluster yang dibuat dengan kategori masing terlihat pada tabel 3. Tiap kateogori dibuat berdasar ketentuan skala kesehatan mental yang dimana jika skala satu lebih besar maka sejahtera sebaliknya maka tertekan jikalau keduanya sama maka harmonis.

Tabel 3. Kategori cluster Cluster Kategori C1 Tertekan C2 Sejahtera

C3 Harmonis

Gambar 3. Grafik Silhouette

Gambar 2. Hasil Kuesioner Data Mahasiswa

(5)

12

2. Menentukan centroid

Melakukan pemilihan centroid dapat dipilih secara acak. Dalam penelitian ini menggunakan tools orange dimana pengambilan titik pusat awal terlihat pada tabel 4. Penelitian ini dilakukan perhitungan iterasi 10 sampai tidak ditemukan perubahan dalam centroid masing-masing cluster.

Tabel 4. Centroid Awal cluster skala1 skala2

c1 1.83 3

c2 4.67 1.33

c3 4 3.33

Perhitungan jarak menggunakan rumus yang diatas yaitu Euclidean Distance, jarak titik centroid cluster dengan titik data ke-n data yang digunakan ke-1 sebagai berikut:

𝒅(𝒙, 𝒚) = √(𝟐. 𝟖𝟑 − 𝟏. 𝟖𝟑)^𝟐+ (𝟒 − 𝟑)^𝟐

= 1.414

𝒅(𝒙, 𝒚) = √(𝟐. 𝟖𝟑 − 𝟒. 𝟔𝟕)^𝟐+ (𝟒 − 𝟏. 𝟑𝟑)^𝟐

= 3.236

𝒅(𝒙, 𝒚) = √(𝟐. 𝟖𝟑 − 𝟒)^𝟐+ (𝟒 − 𝟑. 𝟑𝟑)^𝟐

= 1.344

Lakukan perhitungan serupa pada titik data ke-2 sampai selesai. Setelah itu kelompokan data ke dalam cluster yang memiliki hasil jarak minimum.

Tabel 5. Hasil Jarak Minimum C1 C2 C3 Kedekatan Hasil 1.414 3.236 1.344 1.344 C3

Plot pada gambar 4 menunjukan scater plot antara rata-rata skala pertama dan rata-rata skala kedua.

Dari scater plot tersebut diketahui bahwa cluster tertekan itu berwarna biru, cluster sejahtera itu berwarna merah dan untuk cluster berwarna hijau itu harmonis. Plot hasil merupakan peta grafik dari hasil clustering hal ini dapat memberikan petunjuk tentang nilai k.

Gambar 4. Scatter Plot Tabel 6. Hasil Cluster Angkatan Silhouette Cluster 2018 0.517799 C1 2019 0.563644 C2 2018 0.523682 C3 2018 0.609645 C2 2018 0.58212 C1 2017 0.494553 C3 2018 0.601993 C2 2018 0.497392 C3 2018 0.552262 C3 2018 0.504078 C1 2018 0.594806 C2 2018 0.623022 C2 2018 0.568994 C1 2018 0.53566 C2 2018 0.520218 C1 2018 0.559401 C3 2018 0.543146 C2 2018 0.527687 C1 2019 0.606521 C2 2018 0.542073 C3

(6)

13

2018 0.634167 C2 2018 0.585506 C1 2019 0.520024 C3 2019 0.566388 C2 2018 0.466137 C1 2018 0.592031 C1 2018 0.581062 C3 2019 0.579504 C3 2018 0.592145 C1 2020 0.517028 C1 2018 0.612104 C2 2020 0.614873 C2

Berdasarkan hasil yang didapat cluster 1 berisi 11 data 34.38% untuk cluster 2 berisi 12 data 37.50% dan cluster 3 berisi 9 data 28.12%.

Cluster 1 memiliki 11 data dengan angkatan 2018 serta 2020 cluster 1 ini tentang mental tertekan yang diamana angkatan 2020 berisi 1 data saja sisanya 2018. Cluster 2 memiliki 12 data yang berisi dengan angkatan 2018, 2019 dan 2020 cluster 2 ini tentang sejahtera secara mental dimana dimiliki tiap angkatan. Cluster 3 dimana berisi 9 data yang menunjukan harmonis secara bersamaan dengan angkatan 2017, 2018 dan 2019 memiliki mental yang harmonis.

4. KESIMPULAN

Didapatkan kesimpulan berdasarkan analisis dari pembahasan yang telah diteliti peneliti tentang algoritma k-means pada kesehatan mental mahasiswa UKSW yang dibagi berdasarkan skala kesehatan mental yang berisi tekanan dan kesejahteraan. Pengelompokan berdasarkan silhouette didapatakan k=3 yang tiap cluster dikategorikan sebagai cluster 1 yaitu tertekan, cluster 2 yaitu sejahtera dan cluster 3 yaitu harmonis. Berdasarkan perhitungan terdapat jumlah kelompok tertekan 11 mahasiswa, sejahtera 12 mahasiswa dan harmonis yaitu 9 mahasiswa. Kesehatan mental yang diketahui bahwa angakatan 2018 dan

diatasnya masuk dalam kelompok tertekan dan terdapat angkatan 2020 masuk dalam kelompok tertekan 1 data dapat tersimpulkan bahwa angkatan memiliki pengaruh dalam hal tertekan secara mental dalam lingkup mahasiswa.

Berdasarkan perhitungan k-means dipenelitian ini kesehatan mental dapat dikelompokan dengan mudah untuk yang isinya dapat digunakan untuk pihak Universitas Kristen Satya Wacana dalam melihat serta menangani kesehatan mental mahasiswa. Secara penggunaan k-means untuk bidang kesehatan dalam penelitian ini menunjukan kemudahan dalam mempelajari atau menggunakan algoritma serta tools.

6. REFERENSI

[1] A. Desti dan Anan, “Peran Spiritual Bagi Kesehatan Mental Mahasiswa Di Tengah Pandemi COVID-19,” Humanistika:

Jurnal Keislaman, vol. 7, no. 1, hlm. 26–

45, 2021.

[2] D. Ayuningtyas, M. Misnaniarti, dan M.

Rayhani, “Analisis Situasi Kesehatan Mental Pada Masyarakat Di Indonesia Dan Strategi Penanggulangannya,” Jurnal Ilmu Kesehatan Masyarakat, vol. 9, no. 1,

hlm. 1–10, 2018, doi:

10.26553/jikm.2018.9.1.1-10.

[3] I. A. Ridlo dan R. A. Zein, “Arah Kebijakan Kesehatan Mental: Tren Global dan Nasional Serta Tantangan Aktual,” Buletin Penelitian Kesehatan, vol. 46, no. 1, hlm. 45–52, 2018, doi:

10.22435/bpk.v46i1.56.

[4] H. K. Pambudi, P. G. A. Kusuma, F.

Yulianti, dan K. A. Julian, “Prediksi Status Pengiriman Barang Menggunakan Metode Machine Learning,” Jurnal Ilmiah Teknologi Infomasi Terapan, vol.

6, no. 2, hlm. 100–109, 2020, doi:

10.33197/jitter.vol6.iss2.2020.396.

[5] W. Setyaningrum dan H. A. Yanuarita,

“Pengaruh Covid-19 Terhadap Kesehatan Mental Masyarakat Di Kota Malang,”

JISIP (Jurnal Ilmu Sosial dan

(7)

14

Pendidikan), vol. 4, no. 4, 2020, doi:

10.58258/jisip.v4i4.1580.

[6] E. Trisilawati, “Journal of Health and Therapy,” vol. 1, no. 1, hlm. 15–26, 2021.

[7] S. Lestari dan P. M. Risqi, “Representasi Kesehatan Mental Siswa pada Masa Pandemic Covid-19,” PROSIDING:

Temu Ilmiah Nasional, vol. 1, hlm. 45–53, 2021, [Daring]. Tersedia pada:

https://www.researchgate.net/profile/Ros -Patriani-Dewi-Psikolog-

2/publication/355170861_Readines_For_

Change_Ditinjau_Dari_Work_Engageme nt_Pada_Karyawan_Millenial/links/6163 e91cae47db4e57c0905f/Readines-For- Change-Ditinjau-Dari-Work-

Engagement-Pada-Karyawa

[8] A. Q. A. Santika, “Kontribusi Sikap Sabar bagi Kesehatan Mental di Masa Pandemi Covid-19: Studi Kasus pada Mahasiswa Jurusan Tasawuf dan Psikoterapi Tingkat Akhir Angkatan 2017,” Jurnal Penelitian Ilmu Ushuluddin, vol. 2, no. 1, hlm. 50–

62, 2022, doi: 10.15575/jpiu.13615.

[9] R. N. U. R. Amelia dan E. K. A.

Hertisyahrani, “Pembelajaran Daring atau School From Home Berdampak Pada Kesehatan Mental,” Prosiding Temu Ilmiah Nasional, vol. 1, hlm. 468–480, 2021.

[10] Resti Wahyuni, “K-Means Clustering for Grouping Indonesia Underdeveloped Regions in 2020 Based on Poverty Indicators,” Parameter: Journal of Statistics, vol. 2, no. 1, hlm. 8–15, 2021, doi:

10.22487/27765660.2021.v2.i1.15675.

[11] S. Butsianto dan N. T. Mayangwulan,

“Penerapan Data Mining Untuk Prediksi Penjualan Mobil Menggunakan Metode K-Means Clustering,” Jurnal Nasional Komputasi dan Teknologi Informasi

(JNKTI), vol. 3, no. 3, hlm. 187–201, 2020, doi: 10.32672/jnkti.v3i3.2428.

[12] N. Yulia, R. Saragih, dan I. Ambarita,

“Data Mining Pengelompokan Anak Stunting Berdasarkan Usia , Penyebab dan Pekerjaan Orang Tua Dengan Menggunakan Metode Clustering ( Studi Kasus : Dinas Kesehatan Kabupaten Langkat ),” Seminar Nasional Informatika (SENATIKA)Prosiding SENATIKA 2021, hlm. 12, 2021, [Daring]. Tersedia pada:

http://www.ejournal.pelitaindonesia.ac.id /ojs32/index.php/SENATIKA/article/vie w/1174/661

[13] F. Liu dkk., “Use of latent profile analysis and k-means clustering to identify student anxiety profiles,” BMC Psychiatry, vol.

22, no. 1, hlm. 1–11, 2022, doi:

10.1186/s12888-021-03648-7.

[14] D. Yanti Liliana, I. Ermis, A. R. Zain, D.

Nurul, dan A. Azza, “K-Means Clustering untuk Visualisasi Informasi Pemanfaatan Aplikasi Deteksi Dini Depresi,” vol. 1, no.

1, hlm. 116–123, 2022.

[15] F. Zikri dan F. Nasari, “Algoritma K- Means Untuk Mengelompokkan Suplier Obat (Studi Kasus: RS. Prima Husada Cipta Medan),” Infosys (Information System) Journal, vol. 5, no. 1, hlm. 01, 2020, doi: 10.22303/infosys.5.1.2020.01- 11.

[16] S. Isnanto dan S. Widodo, “Penerapan Data Mining Pada Penerimaan Mahasiswa Baru Dengan Algoritma K- Means Clustering,” Jurnal Teknik Informasi dan Komputer (Tekinkom), vol.

4, no. 2, hlm. 158, 2021, doi:

10.37600/tekinkom.v4i2.367.

[17] R. Aziz, R. Mangestuti, Y. Sholichatun, I.

T. Rahayu, E. K. Purwaningtyas, dan E.

N. Wahyuni, “Model Pengukuran Kesehatan Mental pada Mahasiswa di Perguruan Tinggi Islam,” Journal of

(8)

15

Islamic and Contemporary Psychology (JICOP), vol. 1, no. 2, hlm. 83–94, 2022, doi: 10.25299/jicop.v1i2.8251.

[18] A. P. Lubis, “Analysis of Profile Matching Method for Computer-Based National Assessment Proctor Selection Dss At Sdn 013863 Silo Bonto,” Jurnal Teknik Informatika (Jutif), vol. 3, no. 1, 2022, [Daring]. Tersedia pada:

http://jutif.if.unsoed.ac.id/index.php/jurn al/article/view/136%0Ahttp://jutif.if.unso ed.ac.id/index.php/jurnal/article/downloa d/136/51

[19] N. Rofiqo, A. P. Windarto, dan D.

Hartama, “Penerapan Clustering Pada Penduduk Yang Mempunyai Keluhan Kesehatan Dengan Datamining K- Means,” KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer), vol.

2, no. 1, hlm. 216–223, 2018, doi:

10.30865/komik.v2i1.929.

[20] D. O. Dacwanda dan Y. Nataliani,

“Implementasi k-Means Clustering untuk Analisis Nilai Akademik Siswa Berdasarkan Nilai Pengetahuan dan Keterampilan,” Aiti, vol. 18, no. 2, hlm.

125–138, 2021, doi:

10.24246/aiti.v18i2.125-138.