Klasifikasi Tingkat Depresi pada Anak dengan Menggunakan Algoritma Neural Network

Asriyanik; Muhammad Fadhlan  Farisi; Fika  Nuraeni

doi:10.37859/jf.v14i3.7537

Asriyanik Universitas Muhamamdiyah Sukabumi
Muhammad Fadhlan Farisi Universitas Muhamamdiyah Sukabumi
Fika Nuraeni Universitas Muhamamdiyah Sukabumi

https://doi.org/10.37859/jf.v14i3.7537

Keywords: CRIPS-DM, depresi, machine learning, neural network, website

Abstract

Depresi pada anak-anak merupakan masalah kesehatan mental yang semakin mengkhawatirkan di seluruh dunia, dengan dampak signifikan terhadap perkembangan sosial, akademis, dan emosional mereka. Deteksi dini dan pencegahan depresi menjadi krusial untuk mengurangi dampak jangka panjang dan meningkatkan kualitas hidup anak-anak. Metode konvensional seperti observasi klinis dan wawancara memiliki keterbatasan, terutama dalam hal subjektivitas dan kebutuhan sumber daya yang besar. Oleh karena itu, penelitian ini mengembangkan model prediksi berbasis machine learning menggunakan algoritma neural network untuk melakukan klasifikasi tingkat depresi pada anak-anak secara lebih akurat dan tepat waktu. Beberapa penelitian sebelumnya rata-rata menggunakan algoritma decision tree, support vector machine dan naive bayes, dimana memiliki kekurangan yaitu tidak dapat mengolah data yang komplek dan tingkat keakurasian yang berbeda-beda. Model ini memanfaatkan data dari berbagai sumber, termasuk kelembapan tubuh, suhu tubuh, dan jumlah langkah kaki, untuk mendeteksi tanda-tanda depresi secara otomatis dan objektif. Penelitian ini menggunakan metodologi CRISP-DM (Cross-Industry Standard Process for Data Mining) yang mencakup tahapan pemahaman bisnis, pemahaman data, praproses data, pemodelan, evaluasi model, dan implementasi. Dataset yang digunakan terdiri dari 2001 entri dengan tiga fitur utama dan diklasifikasikan ke dalam tiga tingkat depresi: normal, rendah, dan tinggi. Neural network yang digunakan dalam pemodelan menunjukkan kinerja yang sangat baik, dengan akurasi hampir mencapai 100% dan nilai loss yang menurun hingga hampir nol. Model ini kemudian diimplementasikan dalam aplikasi berbasis web yang ditujukan untuk memudahkan pengguna akhir, seperti orang tua dan guru, dalam mengklasifikasikan tingkat depresi anak-anak. Meskipun aplikasi ini belum memiliki basis data terintegrasi, pengujian menunjukkan hasil klasifikasi yang konsisten dengan dataset yang ada, menegaskan potensinya sebagai alat bantu deteksi dini depresi pada anak-anak.

Downloads

Download data is not yet available.

References

World Health Organization, “Depression and Other Common Mental Disorders: Global Health Estimates.,” 2020. .

J. R. Beames, K. Kikas, and A. Werner-Seidler, “Prevention and early intervention of depression in young people: an integrated narrative review of affective awareness and Ecological Momentary Assessment,” BMC Psychol., vol. 9, no. 1, pp. 1–14, 2021, doi: 10.1186/s40359-021-00614-6.

D. Duagi et al., “Long-term effects of psychosocial interventions for adolescents on depression and anxiety: a systematic review and meta-analysis,” eClinicalMedicine, vol. 68, p. 102382, 2024, doi: 10.1016/j.eclinm.2023.102382.

G. Gutierrez, C. Stephenson, J. Eadie, K. Asadpour, and N. Alavi, “Examining the role of AI technology in online mental healthcare: opportunities, challenges, and implications, a mixed-methods review,” Front. Psychiatry, vol. 15, no. May, 2024, doi: 10.3389/fpsyt.2024.1356773.

A. E. Tate, R. C. McCabe, H. Larsson, S. Lundström, P. Lichtenstein, and R. Kuja-Halkola, “Predicting mental health problems in adolescence using machine learning techniques,” PLoS One, vol. 15, no. 4, pp. 1–13, 2020, doi: 10.1371/journal.pone.0230389.

W. Djatmiko, Kusrini, and Hanafi, “Perbandingan Naive Bayes dan Random Forest untuk Prediksi Perilaku Peserta Program Rujuk Balik,” J. Fasilkom, vol. 13, no. 3, pp. 358–367, 2023, doi: 10.37859/jf.v13i3.6070.

Hidayatunnisa, Kusrini, and Kusnawi, “Perbandingan Kinerja Metode Naive Bayes dan Support Vector Machine dalam Analisis Soal,” J. Fasilkom, vol. 13, no. 2, pp. 173–180, 2023.

L. Y. Astutik and I. Syafii, “Penerapan Artificial Neural Network Untuk Memprediksi Error dalam Perancangan Aplikasi Monitoring Tetes Cairan Infus,” J. Media Inform. Budidarma, vol. 8, no. 3, pp. 1408–1418, 2024, doi: 10.30865/mib.v8i3.7724.

W. Guo, H. Yang, Z. Liu, Y. Xu, and B. Hu, “Deep Neural Networks for Depression Recognition Based on 2D and 3D Facial Expressions Under Emotional Stimulus Tasks,” Front. Neurosci., vol. 15, no. April, pp. 2–19, 2021, doi: 10.3389/fnins.2021.609760.

X. Zhu, T. Gedeon, S. Caldwell, and R. Jones, “Visceral versus verbal: Can we see depression?,” Acta Polytech. Hungarica, vol. 16, no. 9, pp. 113–133, 2019, doi: 10.12700/APH.16.9.2019.9.7.

A. Sam, R. Boostani, S. Hashempour, M. Taghavi, and S. Sanei, “Depression Identification Using EEG Signals via a Hybrid of LSTM and Spiking Neural Networks,” IEEE Trans. Neural Syst. Rehabil. Eng., vol. 31, pp. 4725–4737, 2023, doi: 10.1109/TNSRE.2023.3336467.

S. W. Fujo, S. Subramanian, and M. A. Khder, “Customer churn prediction in telecommunication industry using deep learning,” Inf. Sci. Lett., vol. 11, no. 1, pp. 185–198, 2022, doi: 10.18576/isl/110120.

H. J. G. Palacios, R. A. J. Toledo, G. A. H. Pantoja, and Á. A. M. Navarro, “A comparative between CRISP-DM and SEMMA through the construction of a MODIS repository for studies of land use and cover change,” Adv. Sci. Technol. Eng. Syst., vol. 2, no. 3, pp. 598–604, 2017, doi: 10.25046/aj020376.

A. Zia, M. Aziz, I. Popa, S. A. Khan, A. F. Hamedani, and A. R. Asif, “Artificial Intelligence-Based Medical Data Mining,” 2022.

F. Nur Fajri, A. Tholib, and W. Yuliana, “Application of Machine Learning Algorithm for Determining Elective Courses in Informatics Study Program,” J. Tek. Inform. dan Sist. Inf., vol. 8, no. 3, pp. 485–496, 2022, doi: 10.28932/jutisi.v8i3.3990.