DETEKSI INDIKASI GANGGUAN KESEHATAN MENTAL BERBASIS TEKS MENGGUNAKAN NLP DENGAN TEKNIK AUGMENTASI EDA

Sherly Dian Tiara, Sherly Dian Tiara (2026) DETEKSI INDIKASI GANGGUAN KESEHATAN MENTAL BERBASIS TEKS MENGGUNAKAN NLP DENGAN TEKNIK AUGMENTASI EDA. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full text) RAMA_57201_2213030012.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (Similarity) RAMA_57201_2213030012_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (Cover sd Bab 1 + References) RAMA_57201_2213030012_0723058501_0712108103_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (438kB)
	Text (BAB 2) RAMA_57201_2213030012_0723058501_0712108103_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (250kB)
	Text (BAB 3) RAMA_57201_2213030012_0723058501_0712108103_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (305kB)
	Text (BAB 4) RAMA_57201_2213030012_0723058501_0712108103_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (350kB)
	Text (BAB 5) RAMA_57201_2213030012_0723058501_0712108103_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (200kB)
	Text (References) RAMA_57201_2213030012_0723058501_0712108103_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (189kB)
	Text (Lampiran) RAMA_57201_2213030012_0723058501_0712108103_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (606kB)

Abstract

Gangguan kesehatan mental merupakan isu serius yang memerlukan penanganan dini agar tidak berdampak fatal pada kualitas hidup penderitanya. Di era digital saat ini, masyarakat sering kali mengekspresikan kondisi emosional dan keluh-kesah mereka secara terbuka melalui platform media sosial seperti Reddit. Fenomena ini membuka peluang untuk memanfaatkan teknologi komputasional dalam melakukan pemantauan awal terhadap kondisi psikologis pengguna melalui jejak digital berbasis teks. Namun, pemrosesan teks sering kali dihadapkan pada kendala ketidakseimbangan jumlah data antar kategori yang dapat menurunkan sensitivitas sistem dalam mendeteksi sinyal risiko pada kelas minoritas. Penelitian ini bertujuan untuk mengolah dataset teks dari media sosial dan menerapkan teknik augmentasi data guna membangun model klasifikasi penyaringan awal (screening) gangguan mental. Metode penelitian dikembangkan mengacu pada kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM) yang sistematis. Proses praproses melibatkan pembersihan teks, ekstraksi fitur Term Frequency-Inverse Document Frequency (TF-IDF), serta penerapan teknik Easy Data Augmentation (EDA) yang meliputi penggantian, penyisipan, pertukaran, dan penghapusan kata pada kelas minoritas. Algoritma Logistic Regression kemudian diimplementasikan sebagai model dasar (baseline) untuk membedakan enam kategori kondisi, yaitu Anxiety, BPD, Bipolar, Depression, Schizophrenia, dan Mentalillness. Hasil pengujian menunjukkan bahwa penerapan teknik EDA memberikan dampak yang positif terhadap kemampuan pengenalan pola bahasa model pada kelas yang kekurangan data. Meskipun tingkat akurasi global mengalami sedikit penurunan dari 0.76 menjadi 0.74 akibat efek samping variasi data buatan, performa deteksi pada kategori Mentalillness mengalami peningkatan yang drastis. Nilai Recall pada kelas tersebut melonjak dari 0.28 menjadi 0.56, sementara nilai F1-Score meningkat dari 0.36 menjadi 0.59. Peningkatan metrik pada kelas minoritas ini membuktikan bahwa augmentasi teks berhasil memperkaya ekspresi linguistik, sehingga model menjadi lebih peka dan adil dalam mendeteksi indikasi pada seluruh kategori. Kesimpulan dari penelitian ini menegaskan bahwa penggunaan teknik EDA relevan untuk menyeimbangkan sensitivitas sistem klasifikasi pada kasus penyaringan awal gangguan kesehatan mental. Kendati demikian, model komputasional ini memiliki keterbatasan karena hanya bersifat indikatif dan mutlak tidak dapat menggantikan kewenangan diagnosis klinis dari tenaga profesional medis. Evaluasi sistem juga telah divalidasi dengan melibatkan kepakaran psikolog profesional guna memastikan relevansi pola linguistik yang terdeteksi, serta telah berhasil diimplementasikan ke dalam aplikasi screening deteksi awal berbasis web. Untuk pengembangan selanjutnya, direkomendasikan agar penelitian mengimplementasikan dataset asli berbahasa Indonesia serta mengeksplorasi penggunaan algoritma Deep Learning tingkat lanjut guna memperoleh pemahaman konteks yang lebih mendalam.

Actions (login required)

View Item