<![CDATA[Depresi merupakan salah satu gangguan kesehatan mental yang memengaruhi lebih dari 300 juta individu secara global dan memerlukan deteksi dini agar penanganannya dapat dilakukan lebih cepat. Deteksi dini depresi dapat difasilitasi melalui analisis pola bahasa pada transkrip wawancara klinis. Namun, pemrosesan teks yang panjang dan kompleks ini masih menjadi tantangan pada model machine learning konvensional berbasis TF-IDF yang masih kesulitan memahami konteks hubungan antar kata dan kalimat, sementara model deep learning standar seringkali memiliki keterbatasan dalam hal transparansi proses pengambilan keputusannya (explainability). Penelitian ini mengevaluasi penggunaan model Hierarchical Attention Networks (HAN) berbasis Bidirectional GRU dua tingkat untuk mendeteksi gejala depresi dari transkrip wawancara klinis DAIC-WOZ. Melalui pengujian Stratified 5-Fold Cross Validation, model HAN terbukti unggul pada skema pembagian data stratified (85:15) dengan perolehan F1-Score 0,5600 dibandingkan model baseline klasik (TF-IDF dengan LinearSVM dan Logistic Regression), meskipun pada skema official split model klasik tingkat kalimat memiliki performa yang sedikit lebih baik (0,4889 berbanding 0,4658). Selain memberikan performa klasifikasi yang mumpuni, mekanisme attention pada HAN berhasil mengimplementasikan pendekatan Explainable Artificial Intelligence (XAI) dengan memvisualisasikan kata dan kalimat yang paling memengaruhi keputusan prediksi, sehingga menjadikannya sangat potensial sebagai alat bantu skrining depresi yang akurat sekaligus transparan secara klinis.]]>
Copyrights © 2026
