<![CDATA[Abstrak— Kesehatan mental adalah hal yang sangat penting dalam kehidupan manusia dan bisa terlihat dari apa yang kita ungkapkan di media sosial. Dengan menganalisis apa yang kita tulis, kita bisa mendeteksi jika seseorang mengalami masalah psikologis lebih awal. Namun, seringkali data yang kita gunakan untuk menganalisis ini tidak seimbang, sehingga membuat hasilnya tidak akurat. Penelitian ini ingin melihat bagaimana dua algoritma, yaitu Support Vector Machine dan Long Short-Term Memory, bekerja dalam mengenali tujuh kondisi kesehatan mental, seperti Normal, Depresi, Suicidal, Kecemasan, Stres, Bipolar, dan Gangguan Kepribadian. Data yang digunakan sebanyak 53.044 teks dan diperoleh dari Kaggle. Sebelum dianalisis, data ini dibersihkan dengan mengubah huruf, menghapus tautan, angka, dan tanda, serta menghilangkan kata-kata yang tidak penting. Kemudian, data ini diseimbangkan dengan menggunakan metode Synthetic Minority Over-sampling Technique untuk model Support Vector Machine, sedangkan model Long Short-Term Memory menggunakan class weight saat pelatihan. Hasilnya menunjukkan bahwa model Long Short-Term Memory bekerja lebih baik daripada model Support Vector Machine dalam semua skenario. Model Long Short-Term Memory mencapai akurasi tertinggi sebesar 74,38% dengan precision 76,18%, recall 74,38%, dan F1-score 74,93% saat data dibagi 80:20. Sementara itu, model Support Vector Machine mencapai akurasi tertinggi sebesar 72,80% dalam skenario yang sama. Jika kita tidak membersihkan data terlebih dahulu, hasilnya menunjukkan bahwa akurasi kedua model meningkat, yang berarti bahwa struktur teks asli masih menyimpan informasi penting tentang kondisi psikologis seseorang. Kata Kunci—Analisis Sentimen, Kesehatan Mental, Support Vector Machine, Long Short-Term Memory, SMOTE, Machine Learning.]]>
