Kesehatan mental telah menjadi isu penting yang banyak dibahas melalui media sosial sehingga diperlukan metode otomatis untuk mengidentifikasi kategori kondisi kesehatan mental berdasarkan teks. Penelitian ini bertujuan membangun model klasifikasi teks me

Annisa Maulana Majid (Universitas Pelita Bangsa)
Ismasari Nawangsih (Universitas Pelita Bangsa)
Karina Imelda (Universitas Pelita Bangsa)

Progresif: Jurnal Ilmiah Komputer
Vol. 22 No. 3 (2026): Juli

Mental health had become an important issue widely discussed on social media, creating the need for an automated method to identify mental health conditions based on textual data. This study aimed to develop a text classification model using Bidirectional Encoder Representations from Transformers and improve the transparency of prediction results through Shapley Additive Explanations and Local Interpretable Model-agnostic Explanations. The dataset consisted of 51,073 text records categorized into seven mental health classes. The research stages included data and text cleaning, label encoding, data splitting, tokenization, model training, evaluation, and result interpretation. The testing results showed that the model achieved an accuracy of 82% and a weighted average F1-score of 0.82. The interpretation results indicated that specific words and phrases contributed to class predictions. The findings demonstrated that the model performed text classification effectively, while both interpretation methods improved the transparency of the model’s decision-making process. Keywords: Sentiment Analysis; BERT; XAI; SHAP; LIME   Abstrak Kesehatan mental telah menjadi isu penting yang banyak dibahas melalui media sosial sehingga diperlukan metode otomatis untuk mengidentifikasi kategori kondisi kesehatan mental berdasarkan teks. Penelitian ini bertujuan membangun model klasifikasi teks menggunakan Bidirectional Encoder Representations from Transformers (BERT) serta meningkatkan transparansi hasil prediksi melalui Shapley Additive Explanations (SHAP) dan Local Interpretable Model-agnostic Explanations (LIME). Dataset yang digunakan terdiri atas 51.073 teks dalam tujuh kategori kesehatan mental. Tahapan penelitian meliputi pembersihan data dan teks, pengodean label, pembagian data, tokenisasi, pelatihan model, evaluasi, serta interpretasi hasil. Hasil pengujian menunjukkan bahwa model memperoleh akurasi sebesar 82% dan nilai F1-score rata-rata tertimbang sebesar 0,82. Interpretasi menunjukkan bahwa frasa dan kata tertentu memberikan kontribusi terhadap prediksi kelas. Hasil penelitian membuktikan bahwa model mampu melakukan klasifikasi dengan kinerja yang baik, sedangkan kedua metode interpretasi meningkatkan transparansi keputusan model.