DETEKSI DEPRESI DAN KECEMASAN PENGGUNA TWITTER MENGGUNAKAN BIDIRECTIONAL LSTM

Kuncahyo Setyo Nugroho (Fakultas Ilmu Komputer, Universitas Brawijaya, Malang)
Ismail Akbar (Fakultas Sains dan Teknologi, UIN Maulana Malik Ibrahim, Malang)
Affi Nizar Suksmawati (Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Gadjah Mada, Yogyakarta)
Istiadi Istiadi (Fakultas Teknik, Universitas Widyagama Malang, Malang)

Conference on Innovation and Application of Science and Technology (CIASTECH)
CIASTECH 2021 "Kesiapan Indonesia Dalam Menghadapi Krisis Energi Global"

Gangguan mental yang paling umum dialami seseorang dalam kehidupan sehari-hari adalah depresi dan kecemasan. Stigma sosial membuat penderita depresi dan kecemasan diabaikan lingkungan sekitarnya. Oleh karena itu, mereka beralih ke media sosial seperti Twitter untuk mencari dukungan. Mendeteksi pengguna dengan potensi gangguan depresi dan kecemasan melalui data tekstual tidaklah mudah karena mereka tidak secara eksplisit berbicara tentang kondisi mentalnya. Dibutuhkan pemodelan yang mampu mengenali potensi pengguna yang mengalami depresi dan kecemasan pada data tekstual sehingga mereka mendapatkan penanganan lebih awal. Hal ini dapat dicapai dengan teknik klasifikasi teks. Salah satu pendekatan yang dapat digunakan adalah LSTM sebagai pengembangan aristektur RNN dalam menangani masalah vanishing gradient. LSTM standar tidak cukup menangkap informasi karena hanya mampu membaca kalimat dari satu arah. Sedangkan Bidirectional LSTM (BiLSTM) merupakan LSTM dua arah yang mampu menangkap informasi tanpa mengabaikan konteks dan arti dari suatu kalimat. Model BiLSTM yang diusulkan menunjukkan performa yang lebih tinggi daripada semua model machine learning tradisional dan LSTM standar. Berdasarkan hasil pengujian, akurasi tertinggi yang diperoleh BiLSTM mencapai 94.12%. Penelitian ini telah berhasil mengembangkan model untuk deteksi depresi dan kecemasan pengguna twitter.