Classification of Depression Levels in Adolescents Using the Random Forest Algorithm with the SMOTE Technique

Nur Hidayah Aini, Astri Khairunnisa Nasution, Fasya Maharani Umri, Jesika Replesia Rajagukguk, Fanny Ramadhani

Abstract


Kesehatan mental remaja telah menjadi isu kritis di era digital karena meningkatnya penggunaan media sosial berpotensi memengaruhi kesejahteraan psikologis, khususnya risiko depresi. Deteksi dini depresi masih menghadapi berbagai tantangan, sehingga membutuhkan pendekatan berbasis Machine Learning yang lebih cepat dan objektif. Studi ini bertujuan untuk mengklasifikasikan tingkat depresi pada remaja menggunakan algoritma Random Forest yang dikombinasikan dengan Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan kelas dalam data. Dataset yang digunakan adalah Teen Mental Health Dataset dari Kaggle, yang terdiri dari 1.200 sampel dengan 12 variabel prediktor yang mencakup faktor demografis, penggunaan media sosial, dan indikator kesehatan mental. Tahapan penelitian meliputi pra-pemrosesan data, pembagian data latih dan uji 80:20, penerapan SMOTE pada data pelatihan, konstruksi model Random Forest, dan evaluasi menggunakan metrik Akurasi, Presisi, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa model Random Forest yang dikombinasikan dengan SMOTE mencapai kinerja yang sangat baik, dengan akurasi 99,58%, presisi kelas depresi 100%, recall 83,33%, dan F1-score 90,91%. Lebih lanjut, analisis kepentingan fitur mengidentifikasi sleep_hours, stress_level, daily_social_media_hours, dan anxiety_level sebagai prediktor yang paling berpengaruh dalam mengklasifikasikan depresi pada remaja. Temuan ini menunjukkan bahwa kombinasi Random Forest dan SMOTE efektif untuk mengklasifikasikan tingkat depresi pada remaja pada dataset yang tidak seimbang.

Full Text:

PDF

References


I. R. Ramadani, T. Fauziyah, and B. K. Rozzaq, “Depresi, Penyebab dan Gejala Depresi,” BERSATU J. Pendidik. Bhinneka Tunggal Ika, vol. 2, no. 2, pp. 86–96, 2024, doi: 10.51903/bersatu.v2i2.618.

I. Hadi, Fitriwijayati, R. D. Usman, and L. Rosyanti, “Gangguan Depresi Mayor,” Hijp Heal. Inf. J. Penelit., vol. 9, no. 1, pp. 25–40, 2017, [Online]. Available: https://myjurnal.poltekkes-kdi.ac.id/index.php/HIJP

S. Shorey, E. D. Ng, and C. H. J. Wong, “Global prevalence of depression and elevated depressive symptoms among adolescents: A systematic review and meta‐analysis,” Br. J. Clin. Psychol., vol. 61, no. 2, pp. 287–305, Jun. 2022, doi: 10.1111/bjc.12333.

Kementerian Kesehatan Indonesia, “Visualisasi Data SKI 2023: Depresi pada Anak Muda di Indonesia,” Badan Kebijak. Pembang. Kesehat., p. 1, 2023.

P. Supini, A. R. P. Gandakusumah, N. Asyifa, Z. N. Auliya, and D. R. Ismail, “Faktor-Faktor yang Mempengaruhi Kesehatan Mental pada Remaja,” JERUMI J. Educ. Relig. Humanit. Multidiciplinary, vol. 2, no. 1, pp. 166–172, 2024, doi: 10.57235/jerumi.v2i1.1760.

R. M. S. Santos et al., “The associations between screen time and mental health in adolescents: a systematic review,” BMC Psychol., vol. 11, no. 1, p. 127, Apr. 2023, doi: 10.1186/s40359-023-01166-7.

M. Rahma, M. Fikry, and Y. Afrillia, “Prediksi Kesehatan Mental Remaja Berdasarkan Faktor Lingkungan Sekolah Menggunakan Machine Learning,” J. Inform. J. Pengemb. IT, vol. 10, no. 2, pp. 382–390, 2025, doi: 10.30591/jpit.v10i2.8556.

M. Wan and S. Zou, “Adolescent mental health state assessment framework by combining YOLO with random forest,” Appl. Soft Comput., vol. 168, 2025, doi: 10.1016/j.asoc.2024.112497.

M. Squires et al., “Deep learning and machine learning in psychiatry: a survey of current progress in depression detection, diagnosis and treatment,” Brain Informatics, vol. 10, no. 1, p. 10, Dec. 2023, doi: 10.1186/s40708-023-00188-6.

E. E. Julita and D. W. Utomo, “Implementasi Algoritma Random Forest untuk Prediksi Kesehatan Mental Berdasarkan Faktor Gejala Depresi,” J. Sist. Komput. dan Inform., vol. 7, no. 2, pp. 426–435, 2025, doi: 10.30865/json.v7i2.9258.

A. Y. Pratama, I. S. Maulana, F. K. Sari, S. D. Tiara, and I. Darmawan, “Prediksi Risiko Depresi pada Mahasiswa Menggunakan Algoritma Random Forest Berdasarkan Data Akademik dan Gaya Hidup,” JSITIK J. Sist. Inf. dan Teknol. Inf. Komput., vol. 4, no. 1, pp. 1–10, 2025, doi: 10.53624/jsitik.v4i1.696.

K. Rahayu, V. Fitria, D. Septhya, Rahmaddeni, and L. Efrizoni, “Klasifikasi Teks untuk Mendeteksi Depresi dan Kecemasan pada Pengguna Twitter Berbasis Machine Learning: Text Classification for Detecting Depression and …,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 2, pp. 108–114, 2023, doi: 10.57152/malcom.v3i2.780.

N. A. Azhar, M. S. Mohd Pozi, A. Mohamed Din, and A. Jatowt, “An Investigation of SMOTE based Methods for Imbalanced Datasets with Data Complexity Analysis,” IEEE Trans. Knowl. Data Eng., vol. 35, no. 7, pp. 6651–6672, 2022, doi: 10.1109/TKDE.2022.3179381.

B. H. Aubaidan et al., “A review of intelligent data analysis: Machine learning approaches for addressing class imbalance in healthcare - challenges and perspectives,” Intell. Data Anal. An Int. J., vol. 29, no. 3, pp. 699–719, May 2025, doi: 10.1177/1088467X241305509.

E. Erlin, Y. Desnelita, N. Nasution, L. Suryati, and F. Zoromi, “Dampak SMOTE terhadap Kinerja Random Forest Classifier berdasarkan Data Tidak seimbang,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 3, pp. 677–690, 2022, doi: 10.30812/matrik.v21i3.1726.

C. Yu, X. Kong, W. Yu, X. Ni, J. Chen, and X. Liao, “Machine learning models for predicting the risk of depressive symptoms in Chinese college students,” Front. Psychiatry, vol. 16, pp. 1–12, 2025, doi: 10.3389/fpsyt.2025.1648585.

H. Hairani, T. Widiyaningtyas, and D. D. Prasetya, “Addressing Class Imbalance of Health Data: a Systematic Literature Review on Modified Synthetic Minority Oversampling Technique (SMOTE) Strategies,” Int. J. Informatics Vis., vol. 8, no. 3, pp. 1310–1318, 2024, doi: 10.62527/joiv.8.3.2283.

T. Vu et al., “Prediction of depressive disorder using machine learning approaches: findings from the NHANES,” BMC Med. Inform. Decis. Mak., vol. 25, no. 1, p. 83, Feb. 2025, doi: 10.1186/s12911-025-02903-1.

A. A. Syam, G. H. M, A. Salim, D. F. Surianto, and M. F. B, “ANALISIS TEKNIK PREPROCESSING PADA SENTIMEN MASYARAKAT TERKAIT KONFLIK ISRAEL-PALESTINA MENGGUNAKAN SUPPORT VECTOR MACHINE,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 9, no. 3, pp. 1464–1472, 2024, doi: 10.29100/jipi.v9i3.5527.

T. Gori, A. Sunyoto, and H. Al Fatta, “Preprocessing Data dan Klasifikasi untuk Prediksi Kinerja Akademik Siswa,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 1, pp. 215–224, 2024, doi: 10.25126/jtiik.20241118074.

N. Sharfina and N. G. Ramadhan, “Analisis SMOTE Pada Klasifikasi Hepatitis C Berbasis Random Forest dan Naïve Bayes,” JOINTECS (Journal Inf. Technol. Comput. Sci., vol. 8, no. 1, pp. 33–40, 2023, doi: 10.31328/jointecs.v8i1.4456.

F. Aziz, P. Ishak, and S. Abasa, “Klasifikasi Depresi Menggunakan Support Vector Machine: Pendekatan Berbasis Data Text Mining,” J. Pharm. Appl. Comput. Sci., vol. 2, no. 2, pp. 33–38, 2024, doi: 10.59823/jopacs.v2i2.53.

Z. A. Dwiyanti and C. Prianto, “Prediksi Cuaca Kota Jakarta menggunakan Metode Random Forest: Studi Optimalitas,” J. Tekno Insentif, vol. 17, no. 2, pp. 127–137, 2023, doi: 10.36787/jti.v17i2.1136.

M. F. Rozi and M. F. Rizal, “Analisis Faktor Penentu Profit Penjualan Mobil Menggunakan Algoritma Random Forest,” Bull. Comput. Sci. Res., vol. 6, no. 3, pp. 823–830, 2026, doi: 10.47065/bulletincsr.v6i3.1004.

G. H. Al Masud, R. I. Shanto, I. Sakin, and M. R. Kabir, “Effective depression detection and interpretation: Integrating machine learning, deep learning, language models, and explainable AI,” Array, vol. 25, p. 100375, Mar. 2025, doi: 10.1016/j.array.2025.100375.

S. Uccella et al., “Sleep Deprivation and Insomnia in Adolescence: Implications for Mental Health,” Brain Sci., vol. 13, no. 4, p. 569, Mar. 2023, doi: 10.3390/brainsci13040569.


Article Metrics

Abstract view : 0 times
PDF – 0 times

Refbacks

  • There are currently no refbacks.


JURNAL Excellent:International Journal of computational Intelligence and Sustainable Innovation by Universitas Dharmawangsa Medan is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.