Deteksi Dini Risiko Depresi Pada Remaja Menggunakan Kuesioner Digital Adaptif Berbasis Machine Learning

Abstract

Depresi pada remaja merupakan masalah kesehatan mental global dengan prevalensi yang terus meningkat. Skrining dini yang akurat dan efisien diperlukan untuk mencegah dampak penurunan prestasi akademik, isolasi sosial, dan peningkatan risiko bunuh diri. Penelitian ini bertujuan mengembangkan dan menguji kuesioner digital adaptif berbasis machine learning (ML) untuk mendeteksi risiko depresi pada remaja. Desain penelitian kuantitatif dilakukan pada 300 siswa SMA Negeri 10 Padang yang dipilih menggunakan stratified random sampling. Instrumen yang digunakan adalah kuesioner digital adaptif berbasis PHQ-9, diintegrasikan dengan algoritma Decision Tree, Random Forest, Support Vector Machine (SVM), dan Gradient Boosting. Validitas konstruk diuji menggunakan Confirmatory Factor Analysis (CFA) berbasis Item Response Theory (IRT), sedangkan reliabilitas diukur dengan Cronbach’s Alpha dan Composite Reliability (CR). Hasil menunjukkan bahwa kuesioner digital adaptif berbasis ML memiliki validitas dan reliabilitas tinggi (α=0,91; CR=0,89) serta mampu mengurangi jumlah item secara signifikan tanpa menurunkan akurasi. Algoritma Random Forest menunjukkan kinerja terbaik dengan AUC=0,94 dan F1-score=0,91. Temuan menunjukkan bahwa instrumen adaptif berbasis ML lebih efisien dan akurat dibandingkan metode konvensional, sehingga menjadi solusi dalam skrining dini di sekolah dan komunitas. Secara teoritis, penelitian ini memperkaya literatur mengenai asesmen psikologis berbasis Artificial Intelligence (AI).Secara praktis menyediakan instrumen yang mudah diakses untuk pencegahan depresi pada remaja di Indonesia.