<> "The repository administrator has not yet configured an RDF license."^^ . <> . . . "PREDIKSI KONDISI MENTAL PENGGUNA SOSIAL MEDIA\r\nSOSIAL X PENGGUNA BERDASARKAN DATA TEKS\r\nMENGGUNAKAN LONG SHORT-TERM MEMORY"^^ . "Kesehatan mental adalah bagian penting dalam hidup seseorang yang sering\r\ntidak diperhatikan, dan kasus gangguan mental seperti depresi serta kecemasan\r\nsemakin banyak terjadi. Deteksi dini sulit dilakukan karena adanya stigma sosial\r\ndan kurangnya akses ke layanan profesional. Media sosial seperti Twitter/X\r\nmenjadi tempat bagi orang-orang untuk menyampaikan perasaan dan pengalaman\r\npsikologis mereka, sehingga teks dari platform ini bisa digunakan untuk\r\nmemprediksi kondisi mental seseorang dengan menggunakan metode Natural\r\nLanguage Processing (NLP) dan deep learning. Penelitian ini ingin\r\nmembandingkan bagaimana sempat jenis arsitektur LSTM bekerja, yaitu LSTM\r\nbiasa, LSTM berarah dua arah (BiLSTM), LSTM yang menggunakan mekanisme\r\nperhatian (LSTM+Attention), dan LSTM yang menggunakan multi-head attention\r\n(LSTM+MultiHead), dalam memprediksi kondisi mental pengguna dari data teks.\r\nDataset yang digunakan adalah Mental Health Corpus, yang terdiri dari 27.977\r\nsampel teks dan memiliki dua kategori label, yaitu normal dan indikasi gangguan\r\nmental. Model dilatih menggunakan embedding yang sudah dilatih sebelumnya\r\nyaitu Dolma 300D, dan penilaian dilakukan dengan mengukur beberapa metrik\r\nseperti akusasi, presisi, recall, skor F1, serta AUC-ROC. Hasil penelitian\r\nmenunjukkan bahwa model BiLSTM memiliki konjerja terbaik dengan akurasi\r\nmencapai 92,98%, presisi 91,30%, recall 94,83%, F1-score 93,04%, serta AUCROC\r\n98,15%.\r\nModel\r\nberikutnya\r\nadalah\r\nLSTM+Attention\r\ndengan\r\nakurasi\r\ndengan\r\n\r\nakurasi\r\n91,83%\r\ndan\r\nF1-score\r\n91,99%,\r\nkemudian\r\nLSTM\r\ndengan\r\nakurasi\r\n92,07%\r\ndan\r\n\r\nF1-score\r\n\r\n92,24%, serta LSTM+MultiHead dengan akurasi 91,10% dan F1-score\r\n91,27%. Penelitian ini membantu memilih arsitektur yang sesuai untuk system\r\ndeteksi dini Kesehatan mental yang menggunakan teks, serta memberikan\r\npemahaman tentang bagaimana efektivitas dari mekanisme bidireksional dan\r\nperhatian."^^ . "2026-04-20" . . . . . . . . . . "Universitas AMIKOM Yogyakarta"^^ . . . "Fakultas Ilmu Komputer, Universitas AMIKOM Yogyakarta"^^ . . . . . . . . <> . . "Fauziah Gusri"^^ . "Yasinta"^^ . "Fauziah Gusri Yasinta"^^ . . "I Made Artha"^^ . "Agastya"^^ . "I Made Artha Agastya"^^ . . "Universitas AMIKOM Yogyakarta"^^ . . . . . . . "PREDIKSI KONDISI MENTAL PENGGUNA SOSIAL MEDIA\r\nSOSIAL X PENGGUNA BERDASARKAN DATA TEKS\r\nMENGGUNAKAN LONG SHORT-TERM MEMORY (Text)"^^ . . . . . "COVER.pdf"^^ . . . "PREDIKSI KONDISI MENTAL PENGGUNA SOSIAL MEDIA\r\nSOSIAL X PENGGUNA BERDASARKAN DATA TEKS\r\nMENGGUNAKAN LONG SHORT-TERM MEMORY (Text)"^^ . . . . . "BAB I.pdf"^^ . . . "PREDIKSI KONDISI MENTAL PENGGUNA SOSIAL MEDIA\r\nSOSIAL X PENGGUNA BERDASARKAN DATA TEKS\r\nMENGGUNAKAN LONG SHORT-TERM MEMORY (Text)"^^ . . . . . "PREDIKSI KONDISI MENTAL PENGGUNA SOSIAL MEDIA\r\nSOSIAL X PENGGUNA BERDASARKAN DATA TEKS\r\nMENGGUNAKAN LONG SHORT-TERM MEMORY (Text)"^^ . . . . . "PREDIKSI KONDISI MENTAL PENGGUNA SOSIAL MEDIA\r\nSOSIAL X PENGGUNA BERDASARKAN DATA TEKS\r\nMENGGUNAKAN LONG SHORT-TERM MEMORY (Text)"^^ . . . . . "PREDIKSI KONDISI MENTAL PENGGUNA SOSIAL MEDIA\r\nSOSIAL X PENGGUNA BERDASARKAN DATA TEKS\r\nMENGGUNAKAN LONG SHORT-TERM MEMORY (Text)"^^ . . . . . "BAB V.pdf"^^ . . . "PREDIKSI KONDISI MENTAL PENGGUNA SOSIAL MEDIA\r\nSOSIAL X PENGGUNA BERDASARKAN DATA TEKS\r\nMENGGUNAKAN LONG SHORT-TERM MEMORY (Text)"^^ . . . . . "PREDIKSI KONDISI MENTAL PENGGUNA SOSIAL MEDIA\r\nSOSIAL X PENGGUNA BERDASARKAN DATA TEKS\r\nMENGGUNAKAN LONG SHORT-TERM MEMORY (Text)"^^ . . . . "HTML Summary of #33113 \n\nPREDIKSI KONDISI MENTAL PENGGUNA SOSIAL MEDIA \nSOSIAL X PENGGUNA BERDASARKAN DATA TEKS \nMENGGUNAKAN LONG SHORT-TERM MEMORY\n\n" . "text/html" . . . "000 Ilmu komputer, informasi dan pekerjaan umum"@en . .