Depresi merupakan gangguan kesehatan mental yang berdampak signifikan terhadap kualitas hidup dan sering terlambat terdeteksi. Salah satu pendekatan yang potensial untuk mengatasi keterbatasan deteksi dini adalah penggunaan sistem otomatis berbasis teks, seperti chatbot yang mampu mengenali pola bahasa pengguna. Penelitian ini mengembangkan sistem klasifikasi depresi berbasis percakapan dengan memanfaatkan transkrip wawancara dari DAIC-WOZ sebagai data masukan dan menghasilkan klasifikasi kondisi depresi sebagai keluaran. Sistem dibangun menggunakan model bahasa yang telah dilatih secara khusus pada domain kesehatan mental yaitu MentalBERT. Untuk mengatasi keterbatasan panjang input model, dilakukan segmentasi semantik terhadap teks sehingga konteks percakapan tetap terjaga. Proses pelatihan melibatkan penyesuaian parameter penting seperti learning rate, jumlah epoch, ukuran data per batch, dan pengaturan pengurangan kompleksitas model. Evaluasi dilakukan pada dua level, yaitu unit percakapan dan keseluruhan sesi partisipan untuk menilai stabilitas prediksi. Hasil menunjukkan bahwa model mampu mendeteksi indikasi depresi dengan performa yang baik, dengan F1-score sebesar 74,57% dan akurasi 78,72% pada level sesi. Kontribusi dari penelitian ini mencakup penerapan model domain-spesifik dan strategi segmentasi semantik yang efektif untuk sistem skrining awal berbasis teks.