NOVA SISKA NURFADILAH, - (2025) PENGELOMPOKAN TINGKAT STRES AKADEMIK PADA MAHASISWA MENGGUNAKAN ALGORITMA K-MEDOIDS. Building of Informatics, Technology and Science (BITS), 7 (01). pp. 344-353. ISSN ISSN 2684-8910 (media cetak) ISSN 2685-3310 (media online)

Preview	Text (JURNAL) NOVA SISKA NURFADILAH - NOVA SISKA NURFADILAH TEKNIK INFORMATIKA.pdf - Published Version Download (2MB) | Preview
Preview	Text (PERNYATAAN PUBLIKASI) surat pernyataan serah simpan karya_NovaSiskaNurfadilah - NOVA SISKA NURFADILAH TEKNIK INFORMATIKA.pdf - Published Version Download (357kB) | Preview
Preview	Text (PERSETUJUAN PUBLIKASI) PERSETUJUAN PUBLIKASI - NOVA - NOVA SISKA NURFADILAH TEKNIK INFORMATIKA.pdf - Published Version Download (487kB) | Preview

Abstract

Stres akademik merupakan salah satu permasalahan umum yang dialami oleh mahasiswa, akibat beban tugas yang berat, tekanan nilai, serta tututan akademik lainnya Kondisi ini dapat berdampak negatif terhadap kesehatan mental, produktivitas, hingga menurunnya prestasi akademik secara keseluruhan. Dalam jangka panjang, stres yang tidak ditangani dapat memicu gangguan psikologis yang dapat berkembang menjadi lebih serius. Karena itu, penting untuk mengidentifikasi dan mengelompokkan tingkat stres akademik mahasiswa secara akurat. Penelitian ini bertujuan untuk mengelompokkan tingkat stres akademik pada mahasiswa melalui penerapan algoritma K-Medoids. Data yang dianalisis dalam penelitian ini diperoleh dari hasil kuesioner yang diisi oleh 507 mahasiswa angakatan 2021-2023 yang telah dimodifikasi berdasarkan instrumen Perception of Academic Stress Scale (PASS). Hasil dari penelitian menunjukkan bahwa algoritma K-Medoids mampu mengelompokan data menjadi 2 cluster: cluster 0 yang merepresentasikan tingkat stres rendah dengan 212 mahasiswa, dan cluster 1 yang merepresentasikan tingkat stres tinggi sebanyak 295 mahasiswa. Cluster dengan tingkat stres tinggi ini menunjukkan rata-rata skor yang tinggi pada pertanyaan 12 dan 13 (sko r3- 5), yng termasuk kategori favorable yang diduga pemicu utama stres akademik pada mahasiswa di cluster ini. Berdasarkan dari 2 pengujian yang digunakan, yaitu Silhouette Coefficient dan Davies-Bouldin Index (DBI), dapat disimpukan bahwa jumlah cluster yang paling optimal untuk algoritma K-Medoids pada data ini adalah K = 2. Namun, hasil pengujian ini belum menunjukkan kekuatan pemisahan cluster yang maksimal akibat variasi jurusan dan disitribusi responden yang tidak merata dari tiap angkatan. Penelitian ini diharapkan mampu memberikan arah dalam pengembangan kebijakan dan strategi intervensi psikologis dan akademik yang lebih terarah untuk mendukung kesejahteraan mahasiswa.

Actions (login required)

View Item