<![CDATA[Kesehatan mental dalam hal ini khususnya masalah depresi, merupakan isu global yang memengaruhi jutaan individu di seluruh dunia. Identifikasi dini dan perawatan yang efektif dapat berdampak positif pada kualitas hidup individu yang terkena dampak. Pada kalangan pelajar maupun mahasiswa, efek depresi bisa lebih signifikan terlihat. Pelajar maupun mahasiswa sering menghadapi tekanan dari sisi akademik, sosial dan ekonomi yang tinggi, yang dapat memicu atau memperburuk gejala depresi. Efeknya bisa menurunkan kualitas akademik, presensi kelas yang menurun, isolasi secara kehidupan sosial bahkan risiko tinggi terhadap permasalahan kesehatan mental yang lebih serius. Hal ini membutuhkan perhatian dan penanganan khusus. Penelitian ini bertujuan untuk mengembangkan model Machine Learning yang dapat memprediksi tingkat depresi berdasarkan data PHQ-9 (Patient Health Questionnaire-9). Algoritma yang digunakan yaitu Naïve Bayes, Random Forest dan Support Vector Machine (SVM). Sumber data utama didapat melalui survei 200 mahasiswa dari 2 Perguruan Tinggi dan analisis data mencakup fitur-fitur yang relevan untuk prediksi tingkat depresi. Model dilatih serta dievaluasi menggunakan metrik yang sesuai seperti akurasi, presisi, recall dan F1-score. Perbandingan kinerja antara ketiga algoritma dilakukan untuk menentukan algoritma yang paling efektif dalam memprediksi tingkat depresi. Hasil pengujian menunjukkan nilai akurasi menggunakan Naïve Bayes sebesar 77% sedangkan Random Forest adalah 97.5% serta SVM sebesar 98%. Pengujian secara keseluruhan menunjukan bahwa algoritma SVM paling akurat dan konsisten untuk semua tingkat depresi. Abstract Mental health specifically depression, is a global issue that affects millions of individuals worldwide. Early identification and effective treatment can have a positive impact on the quality of life of affected individuals. Among students, the effects of depression can be more significant. Students often face high levels of academic, social, and economic pressure, which can trigger or exacerbate depressive symptoms. The effects can include decreased academic performance, decreased class attendance, social isolation, and even a higher risk of more serious mental health problems. This requires special attention and treatment. This research aims to develop a Machine Learning model that can predict depression levels based on PHQ-9 (Patient Health Questionnaire-9) data. The algorithms used are Naive Bayes, Random Forest, and Support Vector Machine (SVM). The primary data source was obtained through a survey of 200 students from two universities, and data analysis will include features relevant to depression prediction. The model was trained and evaluated using appropriate metrics such as accuracy, precision, recall, and F1-score. A performance comparison between the three algorithms was conducted to determine the most effective algorithm in predicting depression levels. The test results showed an accuracy value using Naive Bayes of 77%, while Random Forest was 97.5% and SVM was 98%. Overall, SVM was the most accurate and consistent for all levels of depression.]]>
