PREDIKSI KONDISI MENTAL PENGGUNA SOSIAL MEDIA SOSIAL X PENGGUNA BERDASARKAN DATA TEKS MENGGUNAKAN LONG SHORT-TERM MEMORY

Yasinta, Fauziah Gusri (2026) PREDIKSI KONDISI MENTAL PENGGUNA SOSIAL MEDIA SOSIAL X PENGGUNA BERDASARKAN DATA TEKS MENGGUNAKAN LONG SHORT-TERM MEMORY. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (393kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (825kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (957kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (812kB)
	Text (BAB V) BAB V.pdf - Published Version Download (123kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (63kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (743kB)

Abstract

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.

Actions (login required)

View Item