Depresi merupakan gangguan kesehatan mental yang umum dan menjadi masalah utama kesehatan masyarakat. Identifikasi dini gejala depresi menggunakan data survei populasi dapat mendukung analisis risiko secara eksploratif. Namun, banyak penelitian sebelumnya memformulasikan prediksi depresi sebagai tugas klasifikasi biner dan menggunakan kumpulan prediktor yang luas, sedangkan klasifikasi tingkat depresi multikelas dengan fitur lintas domain yang ringkas dan dapat diinterpretasikan masih belum banyak diteliti. Penelitian ini mengembangkan pendekatan rekayasa fitur lintas domain yang ringkas untuk mengklasifikasikan tingkat depresi menggunakan data tidur, aktivitas fisik, dan demografi dari NHANES 2017–2018. Sebanyak 5.068 responden disertakan setelah tahap prapemrosesan dan pembentukan label PHQ-9. Variabel target dibagi menjadi tiga kelas, yaitu tidak ada hingga gejala depresi minimal, depresi ringan, dan depresi. Dua puluh prediktor mentah ditransformasikan menjadi 15 fitur hasil rekayasa yang merepresentasikan pola tidur, masalah terkait tidur, aktivitas fisik, perilaku sedentari, serta interaksi dengan usia dan pendapatan. Regresi Logistik dengan class_weight = balanced dievaluasi menggunakan validasi silang terstratifikasi 5-fold dan dibandingkan dengan beberapa model klasifikasi pembanding. Skenario Final 15 FE Only menghasilkan akurasi sebesar 0,6215 ± 0,0091, macro F1-score sebesar 0,4501 ± 0,0104, balanced accuracy sebesar 0,5146 ± 0,0179, dan recall kelas depresi sebesar 0,6122 ± 0,0622. Dibandingkan dengan Raw Features, recall kelas depresi meningkat dari 0,5360 ± 0,0541 menjadi 0,6122 ± 0,0622, meskipun peningkatan tersebut tidak signifikan secara statistik. Temuan ini menunjukkan bahwa fitur lintas domain yang ringkas dapat meningkatkan sensitivitas terhadap kelas depresi dalam kerangka Regresi Logistik yang dapat diinterpretasikan, tetapi peningkatan kinerja prediksi secara keseluruhan masih terbatas. Model yang diusulkan lebih sesuai digunakan untuk mendukung analisis eksploratif dan skrining pada tingkat populasi daripada sebagai alat diagnosis klinis mandiri.