<![CDATA[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.]]>
