Model Ensembel untuk Deteksi Depresi di Twitter Berbahasa Indonesia

Abstract

Pentingnya Deteksi dini gangguan kesehatan mental khususnya depresi di era digital saat ini di mana individu lebih cenderung mengekspresikan kondisi emosionalnya melalui media sosial. Penelitian ini bertujuan untuk mengembangkan model ensembel Machine Learning dalam mendeteksi gejala depresi pada postingan media sosial berbahasa Indonesia, khususnya dari platform Twitter. Dataset yang digunakan adalah Depression and Anxiety in Twitter (ID) yang terdiri dari 6.980 teks berlabel. Proses preprocessing mencakup pembersihan data, vektorisasi dengan TF-IDF, dan pemisahan data menggunakan metode overfitting. Empat algoritma yaitu Support Vector Machine, Naïve Bayes, Random Forest, dan AdaBoost dikombinasikan menggunakan Voting Classifier dengan pendekatan soft voting. Evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score, serta visualisasi heatmap korelasi dan learning curve. Hasil menunjukkan bahwa model Voting Classifier menghasilkan kinerja terbaik dengan F1-score makro sebesar 0,996, menunjukkan bahwa pendekatan ensembel efektif dalam meningkatkan akurasi dan stabilitas klasifikasi. Penelitian ini berkontribusi dalam pengembangan sistem deteksi dini gangguan mental berbasis teks bahasa Indonesia yang dapat digunakan oleh lembaga kesehatan, institusi pendidikan, dan organisasi sosial.