Klasterisasi kesehatan mental mahasiswa menggunakan PCA-Clustering

INDONESIA:

Penelitian ini bertujuan untuk menganalisis data kesehatan mental mahasiswa menggunakan teknik Principal Component Analysis (PCA) dan K-Means Clustering. PCA digunakan untuk mereduksi dimensi data yang diperoleh dari instrumen BMHI-12, dengan tujuan menyederhanakan kompleksitas data tanpa kehilangan informasi penting. Selanjutnya, hasil reduksi digunakan sebagai input untuk proses klasterisasi menggunakan K-Means Clustering guna mengelompokkan mahasiswa berdasarkan kondisi kesehatan mental. Analisis PCA menunjukkan PC 1 yang memainkan peran signifikan dalam mencerminkan tingkat kesehatan mental mahasiswa. Proses K-Means Clustering menghasilkan dua klaster utama, yaitu klaster dengan tingkat kesehatan mental tinggi dan klaster dengan tingkat kesehatan mental rendah. Hasil pengelompokan menggunakan Silhouette Score menunjukkan nilai tertinggi sebesar 0.4803 pada klasterisasi angkatan 2024. Sehingga, penerapan PCA efektif dalam mereduksi dimensi data, dan K-Means Clustering mampu menghasilkan pengelompokan yang relevan untuk memahami variasi kondisi kesehatan mental mahasiswa yang dapat memberikan solusi yang efektif untuk mengelompokkan kondisi kesehatan mental mahasiswa melalui pendekatan statistik dan machine learning.

ENGLISH:

This study aims to analyze student mental health data using Principal Component Analysis (PCA) and K-Means Clustering techniques. PCA was used to reduce the dimensionality of the data obtained from the BMHI-12 instrument, with the aim of simplifying the complexity of the data without losing important information. Furthermore, the reduction results were used as input for the clustering process using K-Means Clustering to group students based on mental health conditions. PCA analysis showed that PC 1 played a significant role in reflecting students' mental health level. The K-Means Clustering process produced two main clusters, namely clusters with high mental health levels and clusters with low mental health levels. The clustering results using Silhouette Score showed the highest value of 0.4803 in the 2024 batch clustering. Thus, the application of PCA is effective in reducing the dimensionality of data, and K-Means Clustering is able to produce relevant clustering to understand the variation of students' mental health conditions that can provide an effective solution for clustering students' mental health conditions through statistical and machine learning approaches

ARABIC:

تهدف هذه الدراسة إلى تحليل بيانات الصحة النفسية للطلاب باستخدام تقنيات تحليل المكونات الرئيسية (PCA) وتقنيات تجميع الوسائل K-Means. وقد استُخدمت تقنية تحليل المكونات الرئيسية لتقليل أبعاد البيانات التي تم الحصول عليها من أداة BMHI-12، بهدف تبسيط تعقيد البيانات دون فقدان المعلومات المهمة. وعلاوة على ذلك، استُخدمت نتائج الاختزال كمدخلات لعملية التجميع باستخدام تقنية K-Means Clusterering لتجميع الطلاب على أساس ظروف الصحة النفسية. أظهر تحليل PCA أن PCA 1 لعب دورًا مهمًا في عكس مستوى الصحة النفسية للطلاب. وقد أنتجت عملية التجميع باستخدام K-Means Clusterering مجموعتين رئيسيتين، وهما المجموعات ذات مستويات الصحة النفسية المرتفعة والمجموعات ذات مستويات الصحة النفسية المنخفضة. وقد أظهرت نتائج التجميع باستخدام مقياس درجة خيال الظل أعلى قيمة وهي 0.4803 في التجميع العنقودي 2024. وبالتالي، فإن تطبيق تحليل PCA فعال في تقليل أبعاد البيانات، كما أن عملية التجميع باستخدام K-Means Clusterering قادرة على إنتاج تجميعات ذات صلة لفهم تباين حالات الصحة النفسية للطلاب والتي يمكن أن توفر حلاً فعالاً لتجميع حالات الصحة النفسية للطلاب من خلال الأساليب الإحصائية والتعلم الآلي.