<![CDATA[Abstrak — Gangguan mental yang umum adalah kecemasan, yang seringkali sulit terdeteksi karena tidak menunjukkan gejala fisik secara langsung serta dipengaruhi oleh rendahnya kesadaran masyarakat dan stigma negatif terhadap kesehatan jiwa. Akibatnya, banyak individu lebih memilih mengekspresikan perasaannya melalui media sosial seperti Twitter daripada mencari bantuan profesional. Namun, mendeteksi potensi gejala kecemasan melalui data teks bukanlah hal yang mudah karena pengguna jarang menyebutkan kondisi mentalnya secara eksplisit. Penelitian ini bertujuan merancang model klasifikasi gejala kecemasan pada pengguna Twitter menggunakan algoritma Support Vector Machine (SVM) dengan pendekatan paraphrasing berbasis IndoT5. Proses penelitian mencakup praproses teks dan pelatihan model SVM menggunakan kernel RBF dengan parameter optimal C=10 dan gamma=0,1. Hasil evaluasi menunjukkan bahwa penggunaan IndoT5 mampu meningkatkan performa model dengan capaian akurasi 97,52%, precision 97,57%, recall 97,50%, dan F1-score 97,52%. Dibandingkan algoritma Multilayer Perceptron (MLP) dan Decision Tree, SVM menunjukkan akurasi paling unggul. Model ini kemudian diimplementasikan ke sistem web berbasis Streamlit untuk mengklasifikasikan teks menjadi “Normal” atau “Kecemasan” sebagai alat bantu deteksi awal, bukan pengganti profesional. Kata kunci — kecemasan, twitter, klasifikasi teks, SVM, IndoT5.]]>
Copyrights © 2025
