<![CDATA[Kesehatan mental, khususnya depresi, merupakan isu kesehatan global yang seringkali sulit dideteksi secara dini. Media sosial X menjadi sarana potensial untuk deteksi dini berdasarkan ekspresi emosional pengguna. Penelitian ini bertujuan mengklasifikasikan cuitan berbahasa Indonesia ke dalam kategori depresi dan non-depresi menggunakan pendekatan gabungan IndoBERT sebagai pengekstraksi fitur dan Support Vector Machine (SVM) sebagai pengklasifikasi. Dataset terdiri dari 1.293 cuitan yang telah divalidasi oleh pakar psikologi klinis. Tahapan analisis meliputi pra-pemrosesan teks, penanganan ketidakseimbangan kelas menggunakan Back-translation dan SMOTE, ekstraksi fitur berdimensi padat dengan IndoBERT, dan klasifikasi menggunakan SVM berkernel linear. Hasil pengujian menunjukkan bahwa arsitektur gabungan ini sangat efektif, dengan tingkat akurasi mencapai 79,34% dan nilai recall untuk kelas depresi menyentuh 80% pada parameter optimal (C=0,01). Tingginya sensitivitas deteksi ini membuktikan bahwa integrasi representasi kontekstual IndoBERT dan ketangguhan margin klasifikasi SVM mampu mendeteksi indikasi gangguan kesehatan mental di ruang siber secara efisien. Hal ini berimplikasi pada kelayakan arsitektur tersebut untuk diimplementasikan sebagai landasan sistem peringatan dini (early warning system).]]>
Copyrights © 2026
