DETEKSI POTENSI DEPRESI PADA CUITAN X BERBAHASA INDONESIA MENGGUNAKAN INDOBERT DAN SUPPORT VECTOR MACHINE
Abstract
Kesehatan mental, khususnya depresi, merupakan isu kesehatan global yang seringkali sulit dideteksi secara dini. Media sosial X menjadi sarana potensial untuk deteksi dini berdasarkan ekspresi emosional pengguna. Penelitian ini bertujuan mengklasifikasikan cuitan berbahasa Indonesia ke dalam kategori depresi dan non-depresi menggunakan pendekatan gabungan IndoBERT sebagai pengekstraksi fitur dan Support Vector Machine (SVM) sebagai pengklasifikasi. Dataset terdiri dari 1.293 cuitan yang telah divalidasi oleh pakar psikologi klinis. Tahapan analisis meliputi pra-pemrosesan teks, penanganan ketidakseimbangan kelas menggunakan Back-translation dan SMOTE, ekstraksi fitur berdimensi padat dengan IndoBERT, dan klasifikasi menggunakan SVM berkernel linear. Hasil pengujian menunjukkan bahwa arsitektur gabungan ini sangat efektif, dengan tingkat akurasi mencapai 79,34% dan nilai recall untuk kelas depresi menyentuh 80% pada parameter optimal (C=0,01). Tingginya sensitivitas deteksi ini membuktikan bahwa integrasi representasi kontekstual IndoBERT dan ketangguhan margin klasifikasi SVM mampu mendeteksi indikasi gangguan kesehatan mental di ruang siber secara efisien. Hal ini berimplikasi pada kelayakan arsitektur tersebut untuk diimplementasikan sebagai landasan sistem peringatan dini (early warning system).
Downloads
References
World Health Organization, “Depressive disorder (depression),” 2025. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/depression
Center for Reproductive Health, University of Queensland, and Johns Hopkins Bloomberg School of Public Health, “Indonesia - National Adolescent Mental Health Survey (I-NAMHS),” Oct. 2022.
K. K. Putri and E. B. Setiawan, “Depression Detection in Indonesian X Social Media Text using Convolutional Neural Networks and Long Short-Term Memory with TF- IDF and FastText Methods,” Jurnal Teknik Informatika (Jutif), vol. 6, no. 2, pp. 557–574, Apr. 2025, doi: 10.52436/1.jutif.2025.6.2.4206.
Y. Tolla and Kusrini, “Deteksi Stres dan Depresi Unggahan Media Sosial dengan Machine Learning,” JURNAL FASILKOM, vol. 15, no. 1, pp. 84–92, Apr. 2025.
K. S. Nugroho, I. Akbar, A. N. Suksmawati, and Istiada, “DETEKSI DEPRESI DAN KECEMASAN PENGGUNA TWITTER MENGGUNAKAN BIDIRECTIONAL LSTM,” The 4th Conference on Innovation and Application of Science and Technology (CIASTECH 2021), Dec. 2021.
I. D. Nugraha and Y. Azhar, “Deteksi Depresi Pengguna Twitter Indonesia Menggunakan LSTM-RNN,” Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), vol. 11, no. 3, pp. 320–329, Dec. 2022, doi: 10.23887/janapati.v11i3.50674.
S. Hidayatulloh, L. Muflikhah, and R. S. Perdana, “Implementasi Embedding IndoBERT dan Support Vector Machine (SVM) Untuk Analisis Sentimen Publik terhadap Layanan Biznet,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 9, no. 9, pp. 2548–964, Sep. 2025, [Online]. Available: http://j-ptiik.ub.ac.id
A. Irianti, Halimah, Sutedi, and M. Agariana, “Integration of BERT and SVM in Sentiment Analysis of Twitter/X Regarding Constitutional Court Decision No. 60/PUU-XXII/2024,” Jurnal Teknik Informatika (Jutif), vol. 6, no. 2, pp. 469–482, Apr. 2025, doi: 10.52436/1.jutif.2025.6.2.4068.
J. Devlin, M.-W. Chang, K. Lee, K. T. Google, and A. I. Language, “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding,” Proceedings ofNAACL-HLT 2019, vol. 1, pp. 4171–4186, Jun. 2019, doi: https://doi.org/10.18653/v1/N19-1423.
I. A. Rahma and L. H. Suadaa, “Penerapan Text Augmentation untuk Mengatasi Data yang Tidak Seimbang pada Klasifikasi Teks Berbahasa Indonesia,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 10, no. 6, pp. 1329–1340, Dec. 2023, doi: 10.25126/jtiik.2023107325.
M. Sulistiyono, Y. Pristyanto, S. Adi, and G. Gumelar, “Implementasi Algoritma Synthetic Minority Over-Sampling Technique untuk Menangani Ketidakseimbangan Kelas pada Dataset Klasifikasi,” SISTEMASI: Jurnal Sistem Informasi, vol. 10, no. 2, pp. 445–459, May 2021, doi: https://doi.org/10.32520/stmsi.v10i2.1303.
H. Wijaya, M. F. Hadi, and N. Sulistianingsih, “Using Sentiment Analysis with BERT and SVM for Detect Mental Health Detection on Social Media,” Journal of Digital Health Innovation and Medical Technology, vol. 1, no. 2, Feb. 2025.
V. R. Joseph, “Optimal ratio for data splitting,” Stat. Anal. Data Min., vol. 15, no. 4, pp. 531–538, Aug. 2022, doi: 10.1002/sam.11583.
K. R. Amaliah, U. Enri, and So. Defiyanti, “ANALISIS SENTIMEN PENGGUNA WEBSITE SISKA MENGGUNAKAN ALGORITMA NAIVE BAYES DENGAN OPTIMASI PARTICLE SWARM OPTIMIZATION,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 3, Jul. 2025, doi: 10.23960/jitet.v13i3.6839.
L. L. Oliveira, X. Jiang, A. N. Babu, P. Karajagi, and A. Daneshkhah, “Effective Natural Language Processing Algorithms for Gout Flare Early Alert from Chief Complaints,” Nov. 2023, doi: 10.1101/2023.11.28.23299150.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
