EPrints Universitas Amikom YogyakartaPREDIKSI KONDISI MENTAL PENGGUNA SOSIAL MEDIA SOSIAL X PENGGUNA BERDASARKAN DATA TEKS MENGGUNAKAN LONG SHORT-TERM MEMORYFauziah GusriYasintaauthorKesehatan mental adalah bagian penting dalam hidup seseorang yang sering tidak diperhatikan, dan kasus gangguan mental seperti depresi serta kecemasan semakin banyak terjadi. Deteksi dini sulit dilakukan karena adanya stigma sosial dan kurangnya akses ke layanan profesional. Media sosial seperti Twitter/X menjadi tempat bagi orang-orang untuk menyampaikan perasaan dan pengalaman psikologis mereka, sehingga teks dari platform ini bisa digunakan untuk memprediksi kondisi mental seseorang dengan menggunakan metode Natural Language Processing (NLP) dan deep learning. Penelitian ini ingin membandingkan bagaimana sempat jenis arsitektur LSTM bekerja, yaitu LSTM biasa, LSTM berarah dua arah (BiLSTM), LSTM yang menggunakan mekanisme perhatian (LSTM+Attention), dan LSTM yang menggunakan multi-head attention (LSTM+MultiHead), dalam memprediksi kondisi mental pengguna dari data teks. Dataset yang digunakan adalah Mental Health Corpus, yang terdiri dari 27.977 sampel teks dan memiliki dua kategori label, yaitu normal dan indikasi gangguan mental. Model dilatih menggunakan embedding yang sudah dilatih sebelumnya yaitu Dolma 300D, dan penilaian dilakukan dengan mengukur beberapa metrik seperti akusasi, presisi, recall, skor F1, serta AUC-ROC. Hasil penelitian menunjukkan bahwa model BiLSTM memiliki konjerja terbaik dengan akurasi mencapai 92,98%, presisi 91,30%, recall 94,83%, F1-score 93,04%, serta AUCROC 98,15%. Model berikutnya adalah LSTM+Attention dengan akurasi dengan akurasi 91,83% dan F1-score 91,99%, kemudian LSTM dengan akurasi 92,07% dan F1-score 92,24%, serta LSTM+MultiHead dengan akurasi 91,10% dan F1-score 91,27%. Penelitian ini membantu memilih arsitektur yang sesuai untuk system deteksi dini Kesehatan mental yang menggunakan teks, serta memberikan pemahaman tentang bagaimana efektivitas dari mekanisme bidireksional dan perhatian.000 Ilmu komputer, informasi dan pekerjaan umum2026-04-20Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis

For work being deposited by its own author: In self-archiving this collection of files and associated bibliographic metadata, I grant EPrints Universitas Amikom Yogyakarta the right to store them and to make them permanently available publicly for free on-line. I declare that this material is my own intellectual property and I understand that EPrints Universitas Amikom Yogyakarta does not assume any responsibility if there is any breach of copyright in distributing these files or metadata. (All authors are urged to prominently assert their copyright on the title page of their work.)

For work being deposited by someone other than its author: I hereby declare that the collection of files and associated bibliographic metadata that I am archiving at EPrints Universitas Amikom Yogyakarta) is in the public domain. If this is not the case, I accept full responsibility for any breach of copyright that distributing these files or metadata may entail.

Clicking on the deposit button indicates your agreement to these terms.