Peningkatan Akurasi Pada Backpropagation Dengan Teknik Grid Search Terhadap Prediksi Depresi Mahasiswa

Abstract

Depresi merupakan gangguan mental yang banyak dialami oleh mahasiswa, dipicu oleh tekanan akademik dan sosial. Deteksi dini diperlukan untuk mencegah dampak serius. Jaringan Syaraf Tiruan (JST) dengan algoritma Backpropagation merupakan salah satu metode prediksi yang potensial, namun akurasinya sangat dipengaruhi oleh pemilihan hyperparameter. Penelitian ini bertujuan meningkatkan akurasi Backpropagation menggunakan teknik Grid Search sebagai metode optimasi hyperparameter. Dataset yang digunakan adalah Depression Student Dataset dari Kaggle dengan 502 entri data. Penelitian dilakukan melalui enam tahapan, mulai dari perancangan model hingga evaluasi. Hasil menunjukkan bahwa Backpropagation standar menghasilkan akurasi 75% (loss 0.0767), sedangkan setelah optimasi dengan Grid Search, akurasi meningkat menjadi 90% (loss 0.2485). Ini membuktikan bahwa Grid Search efektif dalam meningkatkan kinerja model prediksi depresi mahasiswa.