Pengembangan Sistem Asesmen Pra-Konsultasi Psikolog Berbasis Support Vector Machine (SVM) dengan Instrumen DASS-42
Tahun 2026 · Penulis: Irfan Muhammad Zein
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Peningkatan beban layanan kesehatan mental menuntut adanya mekanisme asesmen awal yang efisien untuk mendukung pengambilan keputusan klinis. Penelitian ini bertujuan mengembangkan sistem asesmen pra-konsultasi psikologis berbasis website yang mengintegrasikan algoritma Support Vector Machine (SVM) dengan instrumen Depression Anxiety Stress Scales (DASS-42) serta variabel demografis pendukung. Variabel demografis yang dilibatkan meliputi usia, jenis kelamin, tingkat pendidikan, status tempat tinggal (urban), status pernikahan, dan ukuran keluarga inti. Sistem ini dirancang sebagai alat bantu skrining guna mengoptimalkan waktu sesi konsultasi pertama melalui penyediaan laporan triase digital yang terstruktur. Dataset yang digunakan merupakan gabungan data sekunder dari OpenPsychometrics dan data primer responden lokal Indonesia (𝑛 = 1.030). Prosedur penelitian mencakup tahapan prapemrosesan data yang komprehensif, mulai dari filtrasi fitur hingga normalisasi data menggunakan metode Standardization. Strategi class weighting diterapkan untuk menangani ketidakseimbangan kelas (class imbalance) pada distribusi kategori risiko. Hasil penelitian menunjukkan bahwa model SVM dengan kernel Radial Basis Function (RBF) dan parameter optimal 𝐶 = 100 berhasil mengklasifikasikan responden ke dalam tiga tingkat triase klinis (risiko rendah, tinggi, dan sangat tinggi) dengan akurasi mencapai 93% dan macro F1-score sebesar 0,80. Model terbukti sangat efektif dalam mengidentifikasi kategori risiko sangat tinggi yang memiliki urgensi klinis terbesar. Berdasarkan validasi pakar dengan psikolog klinis, sistem ini dinyatakan layak secara konsep dan metodologi sebagai decision support system yang sesuai dengan prinsip etika psikologi. Implementasi ini berpotensi besar meningkatkan aksesibilitas dan efisiensi layanan kesehatan mental digital melalui sistem pra-konsultasi yang objektif dan berbasis data.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,841
Tahun 2026 · Penulis: Lailatul Eky Fitriyaningsih
Klasifikasi Tingkat Triase Pasien IGD Menggunakan Random Forest dengan Pendekatan Cost-Sensitive Learning (Studi Kasus: Rumah Sakit Daerah Kalisat)
Rumah Sakit Daerah Kalisat, sebuah rumah sakit umum tipe C, melayani pasien gawat darurat dengan kondisi klinis yang beragam sehingga membutuhkan proses triase Instalasi Gawat Darurat (IGD) yang cepat dan akurat. Kesalahan triase, khususnya undertriage, dapat
- Cosine 0,817
Tahun 2026 · Penulis: Fadil Agusta
Implementasi Model Hybrid Random Forest-Support Vector Machine untuk Prediksi Tingkat Kepuasan Pengguna Layanan Multi Lane Free Flow
Perkembangan teknologi transportasi di Indonesia telah menghadirkan sistem Multi-Lane Free Flow (MLFF) sebagai solusi pembayaran tol nirsentuh yang lebih efisien. Namun, keberhasilan penerapan teknologi ini sangat dipengaruhi oleh tingkat penerimaan masyarakat
- Cosine 0,813
Tahun 2026 · Penulis: Restanti Mayzaluna Sakinan Dita
Prediksi Tujuan Poliklinik Berdasarkan Gejala Pasien Menggunakan Algoritma XGBoost (Studi Kasus: Rumah Sakit Daerah Kalisat)
Rumah sakit memiliki berbagai poliklinik dengan layanan yang berbeda sesuai kebutuhan pasien. Dalam praktiknya, pasien sering kali tidak mengetahui secara pasti poliklinik yang sesuai dengan keluhan yang dialami. Berdasarkan hasil observasi di Rumah Sakit Daer