Pengembangan Sistem Asesmen Pra-Konsultasi Psikolog Berbasis Support Vector Machine (SVM) dengan Instrumen DASS-42

Abstract

Peningkatan beban layanan kesehatan mental menuntut adanya mekanisme asesmen awal yang efisien untuk mendukung pengambilan keputusan klinis. Penelitian ini bertujuan mengembangkan sistem asesmen pra-konsultasi psikologis berbasis website yang mengintegrasikan algoritma Support Vector Machine (SVM) dengan instrumen Depression Anxiety Stress Scales (DASS-42) serta variabel demografis pendukung. Variabel demografis yang dilibatkan meliputi usia, jenis kelamin, tingkat pendidikan, status tempat tinggal (urban), status pernikahan, dan ukuran keluarga inti. Sistem ini dirancang sebagai alat bantu skrining guna mengoptimalkan waktu sesi konsultasi pertama melalui penyediaan laporan triase digital yang terstruktur. Dataset yang digunakan merupakan gabungan data sekunder dari OpenPsychometrics dan data primer responden lokal Indonesia (𝑛 = 1.030). Prosedur penelitian mencakup tahapan prapemrosesan data yang komprehensif, mulai dari filtrasi fitur hingga normalisasi data menggunakan metode Standardization. Strategi class weighting diterapkan untuk menangani ketidakseimbangan kelas (class imbalance) pada distribusi kategori risiko. Hasil penelitian menunjukkan bahwa model SVM dengan kernel Radial Basis Function (RBF) dan parameter optimal 𝐶 = 100 berhasil mengklasifikasikan responden ke dalam tiga tingkat triase klinis (risiko rendah, tinggi, dan sangat tinggi) dengan akurasi mencapai 93% dan macro F1-score sebesar 0,80. Model terbukti sangat efektif dalam mengidentifikasi kategori risiko sangat tinggi yang memiliki urgensi klinis terbesar. Berdasarkan validasi pakar dengan psikolog klinis, sistem ini dinyatakan layak secara konsep dan metodologi sebagai decision support system yang sesuai dengan prinsip etika psikologi. Implementasi ini berpotensi besar meningkatkan aksesibilitas dan efisiensi layanan kesehatan mental digital melalui sistem pra-konsultasi yang objektif dan berbasis data.