Analisis Prediktif untuk Deteksi Dini Depresi pada Remaja Berdasarkan Pola Penggunaan Media Sosial

Gambar Ilutrasi AI

FORMOSA NEWS - Medan - Durasi Tidur dan Durasi Bermedsos Jadi Kunci Deteksi Dini Depresi Remaja Lewat AI. Penelitian yang dilakukan oleh Genesis Sembiring Depari dan Julpan Daniel Simatupang dari Universitas Sumatera Utara (USU), dalam artikel penelitian yang dipublikasikan pada Formosa Journal of Computer and Information Science (FJCIS) edisi Vol. 5 No. 1 Tahun 2026 menyoroti bahwa mengembangkan model kecerdasan buatan (machine learning) untuk mendeteksi dini risiko depresi pada remaja berdasarkan pola aktivitas digital mereka.

Penelitian yang dilakukan oleh Genesis Sembiring Depari dan Julpan Daniel Simatupang dari Universitas Sumatera Utara (USU) menyoroti bahwa durasi tidur, durasi penggunaan media sosial harian, serta tingkat kecemasan merupakan indikator paling kuat dalam memprediksi kondisi psikologis remaja.

Membaca Pola Digital dan Gejala Depresi Remaja
Transisi emosional dan kognitif membuat kelompok usia remaja sangat rentan terhadap paparan konten digital. Interaksi yang tidak terkontrol di dunia maya sering kali memicu perilaku membandingkan diri secara tidak sehat, paparan perundungan siber (cyberbullying), hingga penurunan aktivitas fisik secara drastis. Di sisi lain, ketergantungan atau adiksi digital membuat remaja kesulitan mengelola emosi dan mengorbankan waktu istirahat mereka. Untuk memetakan korelasi tersebut, para peneliti menganalisis data sekunder komprehensif yang mencakup 1.200 catatan perilaku remaja. Dataset ini melingkupi berbagai variabel perilaku dan psikologis, seperti:

• Durasi harian penggunaan media sosial.
• Durasi tidur harian.
• Tingkat stres dan kecemasan.
• Kecenderungan adiksi internet.
• Prestasi akademik dan aktivitas fisik.

Melalui metode analisis korelasi, riset ini membuktikan bahwa remaja yang menghabiskan waktu lebih lama di depan layar gawai sebelum tidur mengalami pemotongan waktu istirahat yang signifikan. Kurangnya durasi tidur inilah yang secara langsung merusak regulasi emosi dan melipatgandakan risiko gejala depresi.

Performa AI: Algoritma Decision Tree Jadi yang Paling Akurat
Dalam eksperimen ini, peneliti menguji empat algoritma machine learning untuk mengklasifikasikan risiko depresi remaja, yaitu Logistic Regression, Decision Tree, Random Forest, dan Support Vector Machine (SVM). Seluruh data diuji dengan pembagian rasio data latih (training) dan data uji (testing) sebesar 80:20. Berikut adalah performa dari masing-masing model kecerdasan buatan yang diuji dalam penelitian:

Model Algoritma	Akurasi	Presisi (Precision)	Sensitivitas (Recall)	F1-Score	Area Kurva (ROC-AUC)
Logistic Regression	98,75%	100,00%	50,00%	66,67%	98,79%
Decision Tree	99,17%	83,33%	83,33%	83,33%	91,45%
Random Forest	97,92%	100,00%	16,67%	28,57%	99,64%
Support Vector Machine	97,50%	0,00%	0,00%	0,00%	98,86%

Meskipun model Logistic Regression dan Random Forest menghasilkan tingkat akurasi umum yang sangat tinggi, keduanya kurang sensitif (recall rendah) dalam mendeteksi kasus positif depresi di lapangan. Sebaliknya, algoritma Decision Tree tampil sebagai model terbaik dengan keseimbangan performa klasifikasi paling optimal, menjadikannya opsi paling andal untuk melacak indikasi depresi secara presisi.

Implikasi Nyata bagi Sekolah, Orang Tua, dan Kebijakan Publik
Keberadaan sistem prediksi berbasis kecerdasan buatan ini memberikan angin segar bagi ekosistem pendidikan dan kesehatan. Dengan integrasi teknologi ini, pihak sekolah maupun penyedia layanan kesehatan dapat meluncurkan program pemantauan kesehatan mental berbasis data secara berkala tanpa harus bergantung penuh pada konseling tatap muka yang memakan waktu lama. Bagi orang tua dan pendidik, temuan riset ini menegaskan pentingnya pembatasan waktu layar (screen time) dan menjaga jadwal tidur remaja. Kolaborasi antara pembatasan durasi gawai secara mandiri dan intervensi dini dari sekolah diharapkan mampu menekan angka depresi remaja di era modern.

Profil Peneliti
Genesis Sembiring Depari, S. Pd, MBA, Ph.D – Peneliti utama dari Universitas Sumatera Utara (USU). Memiliki fokus keahlian pada analisis data prediktif, pemrosesan data kesehatan mental (mental health analytics), dan penerapan kecerdasan buatan untuk solusi sosial.

Julpan Daniel Simatupang, S. Pd. – Akademisi dan peneliti dari Universitas Sumatera Utara (USU). Spesialis dalam pengembangan model sistem cerdas, machine learning, dan pemanfaatan business analytics untuk optimalisasi sektor publik.

Sumber Penelitian
Genesis Sembiring Depari, Julpan Daniel Simatupang. Predictive Analysis for the Early Detection of Depression in Adolescents Based on Social Media Usage Patterns. Formosa Journal of Computer and Information Science (FJCIS). Vol. 5 No. 1 2026. Hal 215-228.

DOI : https://doi.org/10.55927/fjcis.v5i1.16904
URL: https://journal.formosapublisher.org/index.php/fjcis