Perbandingan SVM, regresi logistik, dan IndoBERT dalam klasifikasi potensi depresi berdasarkan komentar media sosial (Studi Kasus: Komentar pada media sosial TikTok)

Abstract

Kesehatan mental khususnya depresi semakin meningkat pada remaja dan dewasa muda seiring tingginya penggunaan media sosial sebagai sarana mengekspresikan emosi dan kondisi psikologis. Komentar pada media sosial berpotensi menjadi sumber data untuk mendeteksi indikasi awal depresi, namun identifikasi manual kurang efektif karena jumlah data yang besar dan bersifat subjektif. Penelitian ini bertujuan untuk mengembangkan proses pengolahan komentar TikTok dalam klasifikasi potensi depresi, membandingkan kinerja model klasifikasi, serta mengidentifikasi faktor linguistik yang memengaruhi prediksi model. Data penelitian diperoleh melalui scraping komentar TikTok menggunakan kata kunci “depresi”. Setelah preprocessing, jumlah data yang digunakan sebanyak 2709 komentar yang dilabeli menjadi kategori Normal dan Potensi Depresi menggunakan metode lexicon-based scoring. Penelitian ini menggunakan metode pembobotan kata dan fitur linguistik tambahan pada model Regresi Logistik dan Support Vector Machine, serta IndoBERT sebagai model berbasis transformer.. Hasil penelitian menunjukkan bahwa IndoBERT memiliki performa terbaik dengan accuracy 95%, precision 96%, recall 91%, dan F1-score 94%, lebih tinggi dibandingkan SVM dan Regresi Logistik. Interpretasi menggunakan SHAP menunjukkan bahwa kata dan token yang berkaitan dengan emosiaonal negatif seperti “capek”, “salah”, “sendiri”, “gila’,”lelah”, dan “sakit” memiliki pengaruh yang besar terhadap prediksi Potensi Depresi. Hasil penelitian menunjukkan bahwa pendekatan berbasis Natural Language Processing mampu memberikan klasifikasi yang baik dan interpretasi model yang lebih transparan pada analisis potensi depresi berbasis teks media sosial.