Two-Way ANOVA Analysis on Student Mental Health and CGPA

Analisis Two-Way ANOVA pada Kesehatan Mental dan IPK Mahasiswa

!!! Warning / Peringatan

Meskipun proyek ini membahas topik kesehatan mental, dataset yang digunakan tidak mengandung data pribadi atau identitas individu.

Proyek ini menggunakan data sekunder yang bersifat publik dan ditujukan hanya untuk kepentingan akademik dan pembelajaran. Hasil analisis tidak dimaksudkan sebagai kesimpulan medis atau klinis.

Overview (English)

This project analyzes the effect of mental health factors on students’ academic performance (CGPA) using the Two-Way ANOVA method. The main goal is to see whether Gender and Anxiety, as well as their interaction, have a significant effect on CGPA.

The dataset used is the Student Mental Health dataset from Kaggle. The analysis is done using Python and basic statistical methods that are commonly taught in early data science courses.

Gambaran Umum (Bahasa Indonesia)

Proyek ini menganalisis pengaruh faktor kesehatan mental terhadap IPK (CGPA) mahasiswa menggunakan metode Two-Way ANOVA. Fokus utama adalah melihat apakah Gender dan Anxiety, serta interaksi di antara keduanya, berpengaruh terhadap IPK mahasiswa.

Dataset yang digunakan berasal dari Kaggle dengan judul Student Mental Health. Analisis dilakukan menggunakan Python dan metode statistik dasar yang masih relevan untuk mahasiswa semester awal.

Dataset

English

• Data Source: Kaggle – Student Mental Health Dataset [https://www.kaggle.com/datasets/shariful07/student-mental-health]

• Total observations: 100 records

• Target variable (Dependent):

  • CGPA (converted from range into numeric midpoint)

• Independent variables:

  • Gender (Female / Male)
  • Anxiety (Yes / No)

• Data collected from a survey of IIUM students using Google Forms.

Bahasa Indonesia

• Sumber Data: Kaggle – Student Mental Health Dataset [https://www.kaggle.com/datasets/shariful07/student-mental-health]

• Jumlah data: 100 mahasiswa

• Variabel target (dependen):

  • CGPA / IPK (diubah dari rentang menjadi nilai tengah numerik)

• Variabel independen:

  • Gender (Perempuan / Laki-laki)
  • Anxiety (Ya / Tidak)

• Data dikumpulkan melalui survei mahasiswa IIUM menggunakan Google Form.

Methodology | Metodologi

1. Data Preprocessing / Pra-pemrosesan Data

   • Membersihkan spasi berlebih pada kolom

   • Mapping data kategori menjadi numerik:

     • Gender → 0 (Female), 1 (Male)
     • Anxiety → 0 (No), 1 (Yes)

   • Mengubah CGPA dari rentang menjadi nilai tengah

   • Menghapus missing value

   • Memastikan CGPA bertipe numerik

2. Exploratory Data Analysis (EDA)

   • Statistik deskriptif tiap kelompok
   • One-Way ANOVA awal untuk melihat variabel yang paling mendekati signifikan

3. Assumption Checking / Uji Asumsi

   • Normalitas residual → Shapiro-Wilk Test
   • Homogenitas varians → Levene’s Test

4. Data Transformation (Optional)

   • Transformasi sqrt dan log pada CGPA
   • Bertujuan memperbaiki distribusi data

5. Modeling / Pemodelan

   • Two-Way ANOVA

   • Model:

     CGPA ~ Gender + Anxiety + Gender*Anxiety
     

6. Post Hoc Test

   • Tukey HSD
   • Digunakan untuk melihat perbedaan antar kelompok jika ada indikasi signifikan

Results | Hasil Analisis

English

• Gender, Anxiety, and their interaction do not show significant effects on CGPA (p-value > 0.05).
• Gender has the closest p-value to significance (≈ 0.075), showing a small indication but not strong enough statistically.
• Data transformation (sqrt and log) improves distribution but does not change the final conclusion.
• The model explains only a small part of CGPA variation (R² ≈ 6%).

Bahasa Indonesia

• Gender, Anxiety, dan interaksinya tidak berpengaruh signifikan terhadap CGPA (p-value > 0.05).
• Variabel Gender paling mendekati signifikan (p ≈ 0.075), tetapi masih belum cukup kuat secara statistik.
• Transformasi data membantu memperbaiki distribusi, namun tidak mengubah hasil utama.
• Model hanya mampu menjelaskan sebagian kecil variasi CGPA (R² ≈ 6%).

Key Takeaways | Kesimpulan Utama

• Two-Way ANOVA digunakan untuk melihat pengaruh dua variabel kategori terhadap satu variabel numerik.
• Dalam dataset ini, Gender dan Anxiety tidak terbukti berpengaruh signifikan terhadap IPK.
• Transformasi data penting untuk membantu asumsi, tetapi tidak selalu mengubah hasil analisis.
• Ukuran data yang kecil dan distribusi responden yang tidak seimbang dapat memengaruhi hasil.
• Walaupun tidak signifikan, ada pola kecil yang bisa jadi bahan penelitian lanjutan.

Tools & Libraries

• Python
• Pandas, NumPy
• Scipy
• Statsmodels
• Matplotlib, Seaborn

Author

Kadek Savita Dyutianaya Applied Data Science Student

Politeknik Elektronika Negeri Surabaya