Dr Gede Aditra Pradnyana, lulusan program doktoral Departemen Teknik Elektro ITS, mengembangkan sistem deteksi depresi berbasis Artificial Intelligence multimodal yang memanfaatkan jejak digital pengguna media sosial.
Penelitian tersebut dilatarbelakangi oleh meningkatnya kasus bunuh diri yang berkaitan dengan depresi serta masih kuatnya stigma untuk mencari bantuan profesional.
Menurut Aditra, banyak individu enggan membuka persoalan hidupnya secara langsung kepada psikolog, psikiater, maupun keluarga. Sebaliknya, media sosial kerap menjadi medium pelampiasan perasaan. Pola ekspresi inilah yang kemudian dianalisis sebagai sumber data non-intrusif.
Pendekatan yang ia tawarkan tidak mengandalkan sensor fisiologis, melainkan memanfaatkan ekspresi multimodal berupa teks dan gambar.
Sistem ini dirancang untuk memberikan informasi awal secara cepat, mendorong intervensi mandiri, sekaligus menjadi pelengkap asesmen klinis konvensional.
Model yang dikembangkan diberi nama DeXMAG, singkatan dari Cross-Modal Attention and Adaptive Gated Fusion yang dipadukan dengan fitur Myers Briggs Type Indicator atau MBTI.
Integrasi tersebut memungkinkan kerangka kerja deep learning yang dipersonalisasi berdasarkan tipe kepribadian pengguna.
Secara arsitektural, sistem dimulai dengan identifikasi dua modalitas utama: teks dan gambar yang diunggah pengguna. Konten teks diproses menggunakan model RoBERTa, sedangkan gambar dianalisis melalui VGG-16.
Sementara itu, klasifikasi kepribadian dilakukan menggunakan pendekatan GloVe-BiLSTM. Seluruh representasi tersebut kemudian digabungkan dalam mekanisme Weighted Fused Representation untuk menghasilkan keputusan akhir, yakni indikasi depresi atau tidak.
Hasil penelitian menunjukkan adanya delapan sifat kepribadian yang berkorelasi dengan indikasi depresi, di antaranya perceiving, judging, intuition, thinking, feeling, introversion, sensing, dan extroversion.
Representasi sifat tersebut ditampilkan dalam bentuk diagram radar untuk memperlihatkan kecenderungan psikologis pengguna secara lebih komprehensif.
Uji performa melalui studi ablasi memperlihatkan bahwa setiap modalitas memberikan kontribusi signifikan terhadap akurasi prediksi.
Pendekatan multimodal terbukti lebih unggul dibandingkan model unimodal yang hanya mengandalkan satu jenis data. Kombinasi sinyal linguistik dan visual meningkatkan ketepatan deteksi secara konsisten.
Penelitian ini juga memiliki relevansi dengan agenda Tujuan Pembangunan Berkelanjutan, khususnya poin ke-3 tentang kehidupan sehat dan sejahtera serta poin ke-9 mengenai industri, inovasi, dan infrastruktur.
Integrasi kecerdasan buatan dan kesehatan mental digital membuka kemungkinan baru dalam pengembangan sistem deteksi dini berbasis teknologi.
Di tengah dinamika masyarakat digital, pendekatan semacam ini menawarkan jembatan antara teknologi dan empati.
Meski bukan pengganti diagnosis klinis, sistem tersebut berpotensi menjadi instrumen awal untuk membaca kerentanan psikologis, sebelum ia berkembang menjadi krisis yang lebih serius. (Nay).
