IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN 1D) PADA KLASIFIKASI KONDISI KESEHATAN MENTAL: DEPRESI
Tingginya prevalensi gangguan depresi dan keterbatasan akses layanan kesehatan mental di negara berkembang seperti Indonesia mendorong perlunya pendekatan teknologi untuk deteksi dini yang efisien. Penelitian ini bertujuan untuk mengimplementasikan Convolutional Neural Network 1 Dimension (CNN 1D) sebagai model klasifikasi dalam mendeteksi kondisi depresi berdasarkan data survei klinis. Dataset terdiri dari 604 responden dengan 30 fitur prediktor numerik hasil encoding dari 55 item pertanyaan, termasuk aspek psikososial dan skor Burns Depression Checklist (BDC), serta satu label target biner: depresi dan tidak depresi. Model dibangun menggunakan dua lapisan konvolusi (64 dan 128 filter), kernel ukuran 3×3, fungsi aktivasi ReLU, dan dropout 0.2. Proses pelatihan menggunakan Adam optimizer dengan learning rate 0.001 dan batch size 32. Dataset dibagi menjadi tiga bagian: 70% untuk pelatihan, 15% validasi, dan 15% pengujian. Evaluasi dilakukan menggunakan confusion matrix dan metrik akurasi, precision, recall, serta F1-score. Hasil evaluasi menunjukkan akurasi sebesar 89.01%, precision 87.69%, recall 96.61%, dan F1-score 91.94%. Model CNN 1D menunjukkan performa klasifikasi yang tinggi meskipun diterapkan pada data tabular, yang umumnya tidak menjadi domain utama CNN. Hal ini membuktikan bahwa dengan arsitektur dan konfigurasi yang tepat, CNN 1D tetap kompetitif untuk tugas klasifikasi pada data survei.
URI
https://repo.itera.ac.id/depan/submission/SB2507300053
Keyword
CNN 1D Klasifikasi Depresi Deep Learning Kesehatan Mental Neural Network