Deteksi Depresi pada Twitter Menggunakan Bidirectional Long Short Term Memory

PUTRI ESTER SUMOLANG

Informasi Umum

Kode

23.04.1061

Klasifikasi

006.35 - Natural Language Processing, Computer Science

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Natural Language Processing, Computer Science,

Dilihat

486 kali

Informasi Lainnya

Abstraksi

Perkembangan teknologi yang semakin maju memiliki dampak pada masyarakat, seperti penggunaan media sosial menjadi tempat seseorang untuk mengekspresikan diri mereka. Oleh sebab itu, tidak sedikit pengguna twitter yang menunjukkan gejala gangguan depresi lewat cuitan. Pentingnya kesadaran untuk melakukan pemeriksaan kepada dokter atau pakar lainnya, agar tidak terjadi kasus bunuh diri. Namun, hal tersebut bisa dihindari dengan adanya deteksi depresi sejak dini menggunakan data cuitan pengguna twitter dengan menerapkan metode Bidirectional Long Short Term Memory (BILSTM) dan metode ekstraksi fitur word2vec untuk mendeteksi depresi. Dataset pada penelitian ini diambil dari responden yang telah mengisi kuesioner dengan pertanyaan berdasarkan Depression Anxiety and Stress Scales – 42 (DASS- 42) dan setuju datanya digunakan sebagai penelitian. Jumlah data sebanyak 159 user twitter yang telah terlabel depresi dam normal sesuai hasil pelabelan DASS-42 lalu di preprocessed agar data dapat masuk ke ekstraksi fitur word2vec dan di modelkan oleh BiLSTM sebagai klasifikasi. Hasil evaluasi menunjukan akurasi sebesar 83.46% dan f1-score sebesar 87.11%, dengan menambahkan jumlah neuron akurasi meningkat sebesar 2.36% dan f1-score meningkat sebesar 1.64%.