Analisis Penerapan K-Means Clustering untuk Deteksi Dini Gangguan Kesehatan Mental akibat Kecanduan Media Sosial

Abstract

Perkembangan teknologi digital dan media sosial telah mengubah pola interaksi mahasiswa, namun penggunaan yang berlebihan dapat berdampak negatif terhadap kesehatan mental, seperti kecemasan, stres, dan depresi. Penelitian ini bertujuan menganalisis penerapan algoritma K-Means Clustering untuk mendeteksi secara dini risiko gangguan kesehatan mental akibat kecanduan media sosial pada mahasiswa. Dataset yang digunakan merupakan Students' Social Media Addiction dari Kaggle yang memuat variabel penggunaan media sosial, skor kecanduan, kualitas tidur, konflik sosial, dan skor kesehatan mental. Tahapan penelitian meliputi data preprocessing (pembersihan data, imputasi nilai hilang, normalisasi menggunakan StandardScaler, dan transformasi variabel kategorikal dengan One-Hot Encoding), rekayasa fitur, serta reduksi dimensi menggunakan PCA bila diperlukan. Selanjutnya, algoritma K-Means digunakan untuk mengelompokkan responden berdasarkan kemiripan karakteristik perilaku dan kondisi mental. Penentuan jumlah klaster optimal dilakukan menggunakan metode Elbow dan Siluet, sedangkan kualitas klaster dievaluasi menggunakan Silhouette Score dan Davies–Bouldin Index. Hasil penelitian menunjukkan bahwa model mampu mengelompokkan data menjadi tiga klaster utama yang merepresentasikan tingkat risiko gangguan kesehatan mental: rendah, sedang, dan tinggi. Klaster berisiko tinggi ditandai oleh durasi penggunaan media sosial yang tinggi, skor kecanduan tinggi, kualitas tidur rendah, serta skor kesehatan mental yang rendah. Temuan ini menunjukkan bahwa teknik unsupervised machine learning dapat mengidentifikasi pola risiko kesehatan mental secara objektif dan berpotensi digunakan sebagai sistem deteksi dini untuk mendukung intervensi pencegahan pada mahasiswa.