Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Pendidikan dan Teknologi Indonesia Journal Software, Hardware and Information Technology
Abdur Rohman, Muhammad Kholil
Unknown Affiliation
Computer Science & IT Education Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Penerapan Machine Learning untuk Klasifikasi Teks Depresi pada Kesehatan Mental dengan SVM, TF-IDF, dan Chi-Square Ridha, Muhammad; Abdur Rohman, Muhammad Kholil; Agustin, Dian; Shaputra, Deni Handika; Manayla, Yasmine; Malikah, Amiroh Hanan
Journal Software, Hardware and Information Technology Vol 5 No 2 (2025)
Publisher : Jurusan Sistem Informasi Universitas Islam Negeri Alauddin Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/shift.v5i2.210

Abstract

Mental health has become a crucial global issue, with increasing numbers of individuals expressing their psychological conditions openly on social media platforms. This study aims to classify tweets related to mental health, specifically depression, using a combination of Support Vector Machine (SVM), Term Frequency-Inverse Document Frequency (TF-IDF) feature extraction, and Chi-Square feature selection techniques. Although this approach has been widely applied in domains such as product and movie reviews, its application in the mental health context remains limited. The main challenge lies in capturing implicit psychological nuances and indirect expressions frequently present in platforms like Twitter, unlike the explicit text in other domains. Moreover, most prior studies have not integrated comprehensive preprocessing stages including lemmatization, stopword removal, and duplicate elimination for mental health data on social media. This research employs a dataset of 26,448 tweets derived from Kaggle and self-crawled data. The best result was achieved using an SVM with an RBF kernel without Chi-Square feature selection, yielding an accuracy of 74.93%. The study demonstrates that a comprehensive preprocessing pipeline can enhance classification performance. However, the model still struggles with sarcastic or ironic contexts. Future research is recommended to adopt deep learning approaches such as BERT or LSTM to capture more complex textual contexts.
Pengembangan Website Skrining Kesehatan Mental Mahasiswa Berbasis IndoBERT Lite Menggunakan RAD dan Evaluasi SUS Ridha, Muhammad; Setiawan, Yosep; Abdur Rohman, Muhammad Kholil; Saputra, Muhammad Dwi; Yunior, Sheva Yudha
Jurnal Pendidikan dan Teknologi Indonesia Vol 6 No 1 (2026): JPTI - Januari 2026
Publisher : CV Infinite Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jpti.1455

Abstract

Permasalahan kesehatan mental pada mahasiswa terus meningkat seiring bertambahnya beban akademik dan tekanan sosial. Namun, keterbatasan layanan psikologis dan tingginya stigma membuat mahasiswa sering menunda atau menghindari pencarian bantuan profesional. Penelitian ini bertujuan mengembangkan sebuah platform skrining kesehatan mental berbasis Artificial Intelligence (AI) yang mampu menganalisis teks secara otomatis untuk mengidentifikasi tingkat stres, kecemasan, dan depresi pada mahasiswa. Metode Rapid Application Development (RAD) digunakan untuk mempercepat proses perancangan sistem serta memungkinkan penyesuaian prototipe secara iteratif. Novelty penelitian ini terletak pada integrasi model IndoBERT Lite sebagai mesin klasifikasi psikologis berbasis teks yang dilatih dan dievaluasi menggunakan data berlabel berdasarkan instrumen Depression Anxiety Stress Scales (DASS-21) serta melibatkan validasi dan masukan dari pakar di bidang kesehatan mental. Evaluasi performa menunjukkan bahwa model mencapai nilai Macro ROC-AUC sebesar 0,69, dengan performa terbaik pada klasifikasi depresi (ROC-AUC 0,86), yang menandakan kemampuan model yang memadai dalam mendukung skrining awal kesehatan mental. Pendekatan ini memberikan alternatif skrining yang lebih cepat, ringan, dan mudah dioperasikan dibandingkan metode asesmen tradisional yang memerlukan kehadiran profesional secara langsung. Evaluasi usability dilakukan menggunakan System Usability Scale (SUS) dengan melibatkan tujuh evaluator dari kalangan mahasiswa dan pakar IT. Sistem memperoleh skor rata-rata 89 yang termasuk dalam kategori excellent, menunjukkan tingkat kemudahan penggunaan dan pengalaman pengguna yang sangat baik. Hasil penelitian menunjukkan bahwa platform ini berpotensi menjadi alat pendukung skrining kesehatan mental yang efektif, serta berperan sebagai jembatan awal yang membantu mahasiswa mengakses layanan psikologis secara lebih terstruktur dan tidak mengintimidasi.
Co-Authors Dian Agustin Malikah, Amiroh Hanan Manayla, Yasmine Muhammad Ridha Saputra, Muhammad Dwi SETIAWAN, YOSEP Shaputra, Deni Handika Yunior, Sheva Yudha