<![CDATA[Depresi telah menjadi krisis kesehatan mental global yang mendesak. Pemanfaatan Natural Language Processing (NLP) pada analisis teks digital menawarkan potensi besar untuk deteksi dini depresi secara non-intrusif. Penelitian ini menyajikan analisis komparatif dari tiga arsitektur machine learning, yaitu Naive Bayes, Long Short-Term Memory (LSTM), dan Convolutional Neural Network (CNN) untuk mengklasifikasikan teks berbahasa Indonesia. Metodologi penelitian dimulai dengan akuisisi dan pra-pemrosesan (pembersihan, case folding, tokenisasi, stopword removal) dataset 10.801 teks yang teranotasi psikolog. Model dilatih pada 75% data dan dievaluasi pada 25% data uji menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa arsitektur CNN mencapai performa tertinggi dengan F1-score seragam sebesar 94%. Kinerja ini sedikit melampaui model LSTM (93%) dan secara signifikan mengungguli Naive Bayes (86%). Keterbatasan penelitian ini mencakup fokus pada klasifikasi biner dan belum digunakannya arsitektur Transformer. Temuan ini memberikan landasan penting untuk pengembangan deteksi kesehatan mental di Indonesia yang lebih akurat, adaptif, efektif, dan relevan terhadap konteks budaya lokal.]]>
