<![CDATA[Penelitian ini bertujuan untuk mengembangkan pendekatan Hybrid Time Series Classification berbasis IndoBERT dan Bidirectional Long Short-Term Memory (Bi-LSTM) dalam mendeteksi risiko kesehatan mental melalui analisis dinamika sentimen temporal pada data media sosial. Metode penelitian yang digunakan meliputi pengumpulan data Twitter (X), preprocessing teks, filtering konteks kesehatan mental menggunakan kombinasi keyword matching dan validasi kontekstual berbasis IndoBERT, penanganan data imbalance melalui teknik oversampling dan undersampling, transformasi data ke dalam bentuk deret waktu, feature engineering, serta pemodelan menggunakan Bi-LSTM. Evaluasi model dilakukan menggunakan confusion matrix, accuracy, precision, recall, dan F1-score, sedangkan hasil analisis divisualisasikan melalui dashboard interaktif berbasis Streamlit. Hasil penelitian menunjukkan bahwa proses filtering berhasil meningkatkan relevansi data dari 23.644 tweet menjadi 7.266 tweet yang sesuai dengan konteks kesehatan mental. Selain itu, penerapan teknik balancing terbukti meningkatkan performa model secara signifikan, ditunjukkan oleh peningkatan nilai accuracy dari 0,4789 menjadi 1,0000 dan F1-score dari 0,5240 menjadi 1,0000. Model juga mampu menangkap pola sentimen temporal serta mengklasifikasikan tingkat risiko kesehatan mental ke dalam kategori rendah, sedang, dan tinggi dengan tingkat akurasi yang sangat tinggi. Simpulan penelitian ini menunjukkan bahwa pendekatan hybrid berbasis IndoBERT dan Bi-LSTM efektif dalam mengintegrasikan pemahaman konteks bahasa dan dinamika temporal untuk mendeteksi risiko kesehatan mental secara adaptif, sehingga berpotensi mendukung pengembangan sistem pemantauan kesehatan mental berbasis media sosial yang lebih representatif dan informatif. ]]>
