TY  - THES
A1  - Yasinta, Fauziah Gusri
KW  - Prediksi Kesehatan Mental
KW  -  LSTM
KW  -  BiLSTM
KW  -  Attention
KW  -  Multi-Head
Attention
KW  -  Klasifikasi Teks
KW  -  Media Sosial
KW  -  Mental Health Prediction
KW  -  Text Classification
KW  -  Social Media.
UR  - https://eprints.amikom.ac.id/id/eprint/33113/
N2  - Kesehatan 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.
Y1  - 2026/04/20/
ID  - universitasamikomyogyakarta33113
PB  - Universitas AMIKOM Yogyakarta
TI  - PREDIKSI KONDISI MENTAL PENGGUNA SOSIAL MEDIA
SOSIAL X PENGGUNA BERDASARKAN DATA TEKS
MENGGUNAKAN LONG SHORT-TERM MEMORY
AV  - restricted
M1  - bachelor
ER  -