ANALISIS KORELASI KESEHATAN MENTAL DAN INDEKS PRESTASI MAHASISWA JURUSAN ADMINISTRASI NIAGA POLITEKNIK NEGERI JAKARTA DENGAN KOMBINASI METODE XGBOOST DAN SHAP

##plugins.themes.academic_pro.article.sidebar##

Diterbitkan Jul 31, 2024
https://doi.org/10.32722/jap.v5i1.6923
Download
PDF
Statistic
Vol 5 No 1 (2024): Jurnal Administrasi Profesional

##plugins.themes.academic_pro.article.main##

Eva zulfa
Politeknik Negeri Jakarta
Hafniza Amir
Politeknik Negeri Jakarta
Riskon Ginting
Politeknik Negeri Jakarta
Sudarno Sudarno
Politeknik Negeri Jakarta

Abstrak

Kesehatan mental adalah keadaan kesejahteraan mental yang memungkinkan orang mengatasi tekanan hidup, menyadari kemampuan mereka, belajar dengan baik dan bekerja  dengan baik. Menurut UNICEF Indonesia, terdapat beberapa kondisi yang mempengaruhi kesehatan mental seseorang diantaranya cemas, depresi, panik, dan stres. Dalam konteks pendidikan tinggi, mahasiswa merupakan salah satu komponen yang masuk dalam rentang usia remaja yang kerap kali dihadapkan permasalahan kesehatan mental.. Oleh karenanya, penting untuk membahas lebih mendalam terkait dampak yang ditimbulkan dari kesehatan mental mahasiswa. Masalah tersebut mendorong penelitian ini untuk menganalisis korelasi dari kesehatan mental mahasiswa dengan hasil akademiknya di kampus.


 


Penelitian ini berfokus pada analisis korelasi antara kesehatan mental dengan Indeks Prestasi Mahasiswa (IPK)mahasiswaAdministrasi Niaga dari Politeknik Negeri Jakarta (PNJ). Metode yang digunakan pada penelitian ini adalah kombinasi antara XGBoost (eXtreme Gradient Boosting) dan SHAP (Shapley Additive Explanations). Kombinasi antara XGBoost dan SHAP akan menciptakan model regresi dengan beberapa variabel prediktor yang kemudian ditentukan bobot korelasi variabel prediktor tersebut dengan variabel respon. Tujuan penelitian ini yaitu membuktikan korelasi dua hal tersebut dengan beberapa instrumen gangguan kesehatan mental yaitu perasaan cemas, depresi, panik dan stres. Penelitian ini diharapkan dapat menjadi acuan kebijakan bagi pimpinan PNJ dalam menentukan prioritas dan fokus kebijakan terkait dengan kesehatan mental dan akademik mahasiswanya. Penelitian ini menggunakan skema Penelitian Dasar Unggulan Perguruan Tinggi (PDUPT) dan memiliki luaran berupa publikasi artikel pada jurnal internasional bereputasi atau artikel jurnal sinta terakreditasi 1-2 atau paten/paten sederhana atau buku referensi ber- ISBN, dan artikel seminar internasional bereputasi terindeks.

##plugins.themes.academic_pro.article.details##

Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.

Referensi

  1. World Health Organization. (2021, January 20). Mental health: Strengthening our response. Fact sheet. https://www.who.int/news-room/fact-sheets/detail/mental-health-strengthening-our-response
  2. Galderisi, S., Heinz, A., Kastrup, M., Beezhold, J., & Sartorius, N. (2015). Toward a new definition of mental health. World Psychiatry: Official Journal of the World Psychiatric Association (WPA), 14(2), 231–233. https://doi.org/10.1002/wps.20231
  3. UNICEF Indonesia. (n.d.). Kesehatan mental anak. Retrieved March 18, 2023, from https://www.unicef.org/indonesia/id/kesehatan-mental
  4. Wahdi, A. E., dkk. (2022). Indonesia: National Adolescent Mental Health Surveys (NAMHS). Center for Reproductive Health.
  5. DeVellis, R. F. (2017). Scale development: Theory and applications (4th ed.). Sage Publications
  6. World Health Organization. (2022). Mental health: strengthening our response. Retrieved from https://www.who.int/news-room/fact-sheets/detail/mental-health-strengthening-our-response.
  7. .
  8. American Psychiatric Association. (2022). What are mental disorders? Retrieved from https://www.psychiatry.org/patients-families/what-are-mental-disorders.
  9. World Health Organization. (2022). Mental disorders. Retrieved from https://www.who.int/news-room/fact-sheets/detail/mental-disorders.
  10. Santrock, J.W. (2011). Life-span development (13th ed.). New York: McGraw-Hill.
  11. Rismawati, N., & Ismail, H. (2019). Hubungan antara Kesehatan Mental dengan Indeks Prestasi Kumulatif Mahasiswa. Jurnal Keperawatan Jiwa, 7(2), 123-130. https://doi.org/10.14710/jkj.7.2.123-130
  12. Nasrun, M. W., Kurniati, A., & Ulfiana, E. (2017). Depresi, anxiety dan stres pada mahasiswa kedokteran dan hubungannya dengan indeks prestasi. Jurnal Pendidikan Kedokteran Indonesia, 6(3), 164-172.
  13. Fazakas-Dehoog, L., & Kuper, A. (2018). Anxiety, depression, and academic performance: A study amongst Dutch and international students in the Netherlands. International Journal of Higher Education, 7(2), 72-83.
  14. Robotham, D., Julian, C., & Holland, K. (2011). The relationship between student mental health and academic outcomes: a systematic review. International Journal of Mental Health Promotion, 13(3), 17-26.
  15. Deasy, C., Coughlan, B., Pironom, J., Jourdan, D., & Mannix-McNamara, P. (2014). Psychological distress and coping amongst higher education students: a mixed method enquiry. PloS one, 9(12), e115193.
  16. Streiner, D. L., & Norman, G. R. (2015). Health measurement scales: A practical guide to their development and use (5th ed.). Oxford University Press.
  17. Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
  18. Edwards, J. R., & Bagozzi, R. P. (2000). On the nature and direction of relationships between constructs and measures. Psychological Methods, 5(2), 155-174. doi: 10.1037/1082-989X.5.2.155
  19. Yang, Z., Chen, J., Xue, Y., Huang, Z., & Zheng, J. (2019). Short-term electricity demand forecasting using gradient boosting decision tree based on improved feature selection. Energy and Buildings, 191, 68-79.
  20. Zhang, Y., Jia, S., Zhou, S., Xu, H., & Xu, X. (2020). Forecasting the energy consumption of a district heating system using machine learning algorithms. Applied Energy, 279, 115901.
  21. Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. In Proceedings of the 31st International Conference on Neural Information Processing Systems (pp. 4765–4774).
  22. Lundberg, S. M., & Lee, S.-I. (2018). Consistent individualized feature attribution for tree ensembles. arXiv preprint arXiv:1802.03888.
  23. Jain, A., & Wallace, B. C. (2019). Attention is not explanation. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers), 3543-3557.
  24. Adebayo, J., Gilmer, J., Muelly, M., Goodfellow, I., Hardt, M., & Kim, B. (2018). Local explanations from causal models for machine learning. arXiv preprint arXiv:1805.10820.