<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" ID="18567">
<titleInfo>
<title>ANALISIS DAN KLASIFIKASI TINGKAT STRESS MAHASISWA BERDASARKAN FAKTOR PSIKOLOGIS, FISIOLOGIS, AKADEMIK, SOSIAL DAN LINGKUNGAN MENGGUNAKAN ALGORITMA DECISION TREE</title>
</titleInfo>
<name type="Personal Name" authority="">
<namePart>Pulut Suryati, S.Kom., M.Cs.</namePart>
<role><roleTerm type="text">Primary Author</roleTerm></role>
</name>
<name type="Personal Name" authority="">
<namePart>MAHESWARI, SALSABILA HELGA - 225610062</namePart>
<role><roleTerm type="text">Primary Author</roleTerm></role>
</name>
<typeOfResource manuscript="yes" collection="yes">mixed material</typeOfResource>
<genre authority="marcgt">bibliography</genre>
<originInfo>
<place><placeTerm type="text">Yogyakarta</placeTerm></place>
<publisher>UNIVERSITAS TEKNOLOGI DIGITAL INDONESIA (UTDI)</publisher>
<dateIssued>2026</dateIssued>
<issuance>monographic</issuance>
<edition></edition>
</originInfo>
<language>
<languageTerm type="code">id</languageTerm>
<languageTerm type="text">Indonesia</languageTerm>
</language>
<physicalDescription>
<form authority="gmd">Text Skripsi</form>
<extent>031 Sistem Informasi 2026</extent>
</physicalDescription>
<note>Stres merupakan salah satu permasalahan yang sering dialami mahasiswa dan dipengaruhi oleh berbagai faktor, seperti psikologis, fisiologis, akademik, sosial, dan lingkungan. Tingkat stres yang tidak dikelola dengan baik dapat berdampak pada kesehatan, kesejahteraan, dan prestasi akademik mahasiswa. Oleh karena itu, diperlukan suatu metode yang dapat membantu mengklasifikasikan tingkat stres mahasiswa berdasarkan faktor-faktor yang mempengaruhinya.
Penelitian ini bertujuan membangun model klasifikasi tingkat stres mahasiswa menggunakan algoritma Decision Tree. Dataset yang digunakan adalah Student Stress Monitoring Dataset yang diperoleh dari Kaggle dan terdiri atas 1.100 data. Tahapan penelitian meliputi eksplorasi dan preprocessing data, pembangunan model, optimasi parameter menggunakan GridSearchCV, evaluasi model, analisis Feature Importance, pembangunan model menggunakan 10 atribut dengan nilai kepentingan tertinggi, serta implementasi model ke dalam aplikasi berbasis web menggunakan Streamlit.
Hasil penelitian menunjukkan bahwa model terbaik menghasilkan accuracy sebesar 88,18%, precision sebesar 88,49%, recall sebesar 88,18%, F1-score sebesar 88,24%, dan cross validation sebesar 87,91%. Analisis Feature Importance menunjukkan bahwa atribut blood_pressure dan academic_performance merupakan atribut yang paling berpengaruh dalam proses klasifikasi. Selain itu, model yang menggunakan 10 atribut mampu menghasilkan performa yang setara dengan model yang menggunakan seluruh atribut, namun dengan struktur pohon keputusan yang lebih sederhana. Model tersebut berhasil diimplementasikan ke dalam aplikasi berbasis web menggunakan Streamlit untuk melakukan prediksi tingkat stres mahasiswa secara interaktif.
Kata Kunci : Decision Tree, klasifikasi, stres mahasiswa, Streamlit</note>
<subject authority=""><topic>Algoritma</topic></subject>
<classification>NONE</classification><identifier type="isbn"></identifier><location>
<physicalLocation>Perpustakaan Universitas Teknologi Digital Indonesia Katalog Online Perpustakaan Universitas Teknologi Digital Indonesia</physicalLocation>
<shelfLocator>031 MAH A R.1</shelfLocator>
<holdingSimple>
<copyInformation>
<numerationAndChronology type="1">MAH0031SI2026</numerationAndChronology>
<sublocation>RAK REFERENSI SKRIPSI SI</sublocation>
<shelfLocator>031 MAH A R.1</shelfLocator>
</copyInformation>
</holdingSimple>
</location>
<recordInfo>
<recordIdentifier>18567</recordIdentifier>
<recordCreationDate encoding="w3cdtf">2026-09-30 14:30:28</recordCreationDate>
<recordChangeDate encoding="w3cdtf">2026-09-30 14:32:16</recordChangeDate>
<recordOrigin>machine generated</recordOrigin>
</recordInfo></mods></modsCollection>