<![CDATA[Depression is a persistent mood disorder that significantly impacts an individual's functioning, and its prevalence is becoming increasingly concerning among adolescents (the "Strawberry Generation"). Expressions of this psychological distress have largely migrated to social media in the form of unstructured text posts laden with informal terms, abbreviations, and typos. These linguistic characteristics pose "Out-of-Vocabulary" (OOV) challenges for traditional classification models. This study proposes integrating FastText word embeddings—which utilize subword information—to enhance feature representation, combined with a Convolutional Neural Network (CNN) architecture as the primary classifier. Using the "Student Depression Text" secondary dataset from Kaggle (comprising 7,489 entries), class imbalance was addressed exclusively within the training data using the Random Oversampling technique. Experimental results demonstrate that the proposed model achieved an overall accuracy of 95%, with Precision, Recall, and F1-Score values for the depression class of 90%, 80%, and 84%, respectively. The integration of CNN and pre-trained FastText proved to be a reliable and efficient solution for managing the complexities of digital language in the context of early mental health detection. Keywords: Depression; Social Media; Natural Language Processing; Convolutional Neural Network; FastText Embedding. Abstrak Depresi merupakan gangguan suasana hati persisten yang secara signifikan memengaruhi fungsi fungsional individu dan prevalensinya kian mengkhawatirkan pada kelompok remaja (Strawberry Generation). Ekspresi tekanan psikologis ini kini banyak bermigrasi ke media sosial dalam bentuk unggahan teks tidak terstruktur yang sarat akan istilah non-formal, singkatan, dan salah ketik (typo). Karakteristik bahasa tersebut memicu kendala Out-of-Vocabulary (OOV) pada model klasifikasi tradisional. Penelitian ini mengusulkan integrasi word embedding FastText berbasis informasi tingkat sub-kata (subword information) untuk memperkuat representasi fitur, yang dikombinasikan dengan arsitektur Convolutional Neural Network (CNN) sebagai pengklasifikasi utama. Menggunakan dataset sekunder "Student Depression Text" sebanyak 7.489 entri dari Kaggle, ketidakseimbangan kelas diatasi secara eksklusif pada data latih menggunakan teknik Random Oversampling. Hasil eksperimen menunjukkan bahwa model yang diusulkan meraih akurasi keseluruhan sebesar 95%, dengan nilai Precision, Recall, dan F1-Score untuk kelas depresi masing-masing sebesar 90%, 80%, dan 84%. Integrasi CNN dan pre-trained FastText terbukti efektif menjadi solusi jalan tengah yang andal dan efisien dalam menangani kompleksitas bahasa digital untuk deteksi dini kesehatan mental.]]>
