<![CDATA[Twitter merupakan salah satu media sosial berbasis teks yang banyak dimanfaatkan pengguna sebagai ruang untuk mengekspresikan kondisi emosional dan tekanan psikologis secara terbuka, khususnya melalui akun menfess yang bersifat anonim. Karakter anonim tersebut mendorong pengguna untuk menyampaikan keluhan, perasaan tertekan, dan stres yang dialami dalam kehidupan sehari-hari. Namun, tingginya volume dan variasi bahasa informal dan kontekstual pada menfess menyebabkan proses identifikasi tingkat stres secara manual menjadi tidak efisien dan rentan terhadap subjektivitas. Penelitian sebelumnya umumnya masih terbatas pada klasifikasi biner atau menggunakan metode konvensional yang kurang mampu menangkap konteks semantik bahasa Indonesia secara optimal. Berdasarkan permasalahan tersebut, penelitian ini bertujuan untuk mengembangkan sistem deteksi tingkat stres pengguna Twitter pada menfess “Tanyarl” dengan memanfaatkan pendekatan kecerdasan buatan melalui fine-tuning model IndoBERT. Data unggahan (tweet) dikumpulkan melalui proses crawling menggunakan Harvest-Tweet, kemudian diproses melalui tahapan preprocessing teks dan pelabelan semi-otomatis ke dalam tiga kategori tingkat stres, yaitu stres, tidak stres, dan netral. Dataset yang telah diproses selanjutnya digunakan untuk melatih model IndoBERT dengan pendekatan klasifikasi multi-kelas. Hasil evaluasi menunjukkan bahwa model IndoBERT mencapai nilai akurasi sebesar 84% serta macro F1-score sebesar 85%, yang menandakan performa model yang konsisten pada seluruh kelas stres. Hasil ini membuktikan bahwa IndoBERT efektif dalam memahami konteks linguistik dan ekspresi emosional pada teks media sosial berbahasa Indonesia. Kontribusi penelitian ini meliputi penerapan model transformer untuk mendeteksi tingkat stres berbasis menfess anonim, pengembangan klasifikasi multi-kelas stres, serta penyediaan bukti empiris efektivitas IndoBERT dalam analisis kesehatan mental berbasis data media sosial.]]>
Copyrights © 2026
