Article Per Year (5 Year)
p-Index From 2021 - 2026
1.733
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA Jurnal Simetris Jurnal Teknologi Informasi dan Ilmu Komputer JTERA (Jurnal Teknologi Rekayasa) Jurnal Sistem informasi dan informatika (SIMIKA) JISA (Jurnal Informatika dan Sains) Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika) DEVICE : JOURNAL OF INFORMATION SYSTEM, COMPUTER SCIENCE AND INFORMATION TECHNOLOGY The Indonesian Journal of Computer Science
Fransiskus Zoromi, Fransiskus
Unknown Affiliation
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Analisis Sentimen Kesehatan Mental Pemuda di Media Sosial Menggunakan Deep Learning Agustin, Agustin; Junadhi, Junadhi; Zoromi, Fransiskus; Kudadiri, Parlindungan
DEVICE : JOURNAL OF INFORMATION SYSTEM, COMPUTER SCIENCE AND INFORMATION TECHNOLOGY Vol 6, No 2: DESEMBER 2025
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/device.v6i2.8112

Abstract

Kesehatan mental merupakan isu yang semakin penting di kalangan pemuda Indonesia, terutama dengan meningkatnya ekspresi emosi negatif seperti stres, kelelahan, dan kecemasan yang sering diungkapkan melalui media sosial. Penelitian ini bertujuan untuk menganalisis sentimen kesehatan mental pemuda menggunakan pendekatan deep learning berbasis Long Short-Term Memory (LSTM) terhadap unggahan publik berbahasa Indonesia di platform X (Twitter). Data dikumpulkan melalui proses web scraping dengan kata kunci yang relevan dan kemudian melalui tahapan pra-pemrosesan, pelabelan manual, serta pembagian data menjadi 80% untuk pelatihan dan 20% untuk pengujian. Model LSTM dibangun dengan arsitektur yang terdiri atas embedding layer, LSTM layer, dropout layer, dense layer, dan output layer beraktivasi Softmax untuk tiga kelas sentimen (positif, negatif, dan netral). Hasil penelitian menunjukkan distribusi sentimen menunjukkan bahwa emosi negatif mendominasi dengan proporsi 45,8%, diikuti oleh sentimen positif sebesar 35,8%, dan netral sebesar 18,4%.Model mampu mencapai akurasi sebesar 87,4% dengan nilai precision dan recall rata-rata sebesar 0,85, yang menandakan kemampuan tinggi dalam mengenali konteks bahasa informal pemuda di media sosial. Analisis distribusi sentimen menunjukkan dominasi emosi negatif yang berkaitan dengan tekanan akademik dan sosial, sementara sentimen positif menggambarkan semangat dan mekanisme adaptasi diri. Temuan ini membuktikan bahwa LSTM efektif untuk deteksi ekspresi emosional berbasis teks serta berpotensi diterapkan sebagai sistem pemantauan digital bagi kesejahteraan mental generasi muda.
Co-Authors Agustin Agustin Anam, M Khairul Andesa, Khusaeri Arifandi, Fajar Bennvenito, Fillan Ivan Luccas Efrizoni, Lusiana Hadi Asnal, Hadi Hamdani Hamdani Helda Yenni, Helda Herwin -, Herwin Herwin Herwin, Herwin herwin, H Imardi, Syahrul Junadhi, Junadhi Kudadiri, Parlindungan Mardainis Nu'man, Nu'man Nurjayadi Nurjayadi Putra, Jean Riko Kurniawan Ramadan, Sukra Ramadhani, Jilang Sari, Atalya Kurnia Soni Susanti Susanti Tashid, T Torkis Nasution Triyani Arita Fitri Unang Rio Yoyon Efendi