<![CDATA[Kesehatan mental remaja ialah tantangan global serius, namun kesadaran untuk melakukan skrining dini masih rendah akibat adanya stigma sosial. Studi ini mempunyai tujuan guna menerapkan algoritma Random Forest dalam mendeteksi dini kondisi kesehatan mental kelompok usia remaja akhir sampai dewasa awal (rentang usia 17-28 tahun) di Kabupaten Kudus. Kuantitatif eksperimental diimplmentasikan selaku metode studi ini dengan pendekatan pengembangan sistem. Data primer didapat melewati teknik purposive sampling dengan jumlah sampel sejumlah 500 responden yang dihitung menggunakan rumus Slovin. Skrining dilakukan dengan mengintegrasikan instrumen klinis baku Self-Reporting Questionnaire 20 (SRQ-20) dari WHO, tersusun atas 20 pertanyaan dikotomis. Jawaban responden kemudian ditransformasikan menjadi data biner untuk diklasifikasikan oleh model machine learning ke dalam kategori "Sehat" atau "Terindikasi gangguan mental". Sistem ini diimplementasikan dalam bentuk aplikasi berbasis web memakai bahasa pemrograman Python serta basis data MySQL. Evaluasi kinerja model dilaksanakan memakai Confusion Matrix guna memastikan tingkat presisi, akurasi, dan recall yang optimal. Platform skrining mandiri ini diharapkan dapat mempermudah remaja di Kabupaten Kudus dalam mendapatkan bantuan awal secara cepat, objektif, dan terstandardisasi tanpa rasa ragu. Abstract Adolescent mental health is a serious global challenge, yet public awareness of early screening remains low due to social stigma. This investigation aims to implement the Random Forest algorithm for the early detection of mental health conditions among late adolescents and young adults (aged 17-28 years) in Kudus Regency. The method employed is experimental quantitative research combined with system development approaches. Primary data were gathered through a purposive sampling technique, resulting in 500 respondents determined via the Slovin formula. The screening framework integrates the standardized Self-Reporting Questionnaire 20 (SRQ-20) instrument from WHO, which consists of 20 dichotomous questions. Respondents' answers are transformed into binary format to be processed by the machine learning model into two classes: "Healthy" or "Indication of Mental Disorder". The system is deployed as a web-based application built using the Python programming language and MySQL database. Model performance is evaluated using a Confusion Matrix to guarantee optimal accuracy, precision, and recall metrics. This independent screening platform is expected to provide adolescents in Kudus Regency with rapid, objective, and standardized initial assessments, facilitating early intervention without social hesitation.]]>
Copyrights © 2026
