Gangguan mental yang umum adalah kecemasan, yang seringkali sulit terdeteksi karena tidak menunjukkan gejala fisik secara langsung serta dipengaruhi oleh rendahnya kesadaran masyarakat dan stigma negatif terhadap kesehatan jiwa. Akibatnya, banyak individu lebih memilih mengekspresikan perasaannya melalui media sosial seperti Twitter daripada mencari bantuan profesional. Namun, mendeteksi potensi gejala kecemasan melalui data teks bukanlah hal yang mudah karena pengguna jarang menyebutkan kondisi mentalnya secara eksplisit. Penelitian ini bertujuan untuk merancang model klasifikasi gejala kecemasan pada pengguna Twitter menggunakan algoritma Support Vector Machine (SVM) dengan pendekatan paraphrasing berbasis IndoT5. Proses penelitian mencakup tahapan praproses teks dan pelatihan model SVM menggunakan kernel RBF dengan parameter optimal C = 10 dan gamma = 0,1. Hasil evaluasi menunjukkan bahwa penggunaan IndoT5 mampu meningkatkan performa model dengan capaian akurasi 97,52%, precision 97,57%, recall 97,50%, dan F1-score 97,52%. Dibandingkan dengan algoritma Multilayer Perceptron (MLP) dan Decision Tree, SVM menunjukkan performa akurasi paling unggul. Model yang dikembangkan kemudian diimplementasikan ke dalam sistem berbasis web menggunakan Streamlit untuk mengklasifikasikan teks menjadi kategori “Normal” atau “Kecemasan”. Sistem ini dirancang sebagai alat bantu deteksi awal gejala kecemasan pada pengguna media sosial dan tidak dimaksudkan untuk menggantikan peran tenaga profesional di bidang psikologi.