Model Prediksi Kesehatan Mental pada Data Media Sosial menggunakan CNN-BiLSTM

Abstract

Kesehatan mental telah menjadi isu global dengan lebih dari 1 miliar orang terpengaruh oleh gangguan mental. Media sosial tidak hanya merefleksikan kondisi mental pengguna tetapi juga dapat memperparah kondisi yang sudah ada melalui berbagai mekanisme seperti perbandingan sosial negatif, echo chamber, dan paparan konten berbahaya. Penelitian sebelumnya menunjukkan keterbatasan signifikan dalam cakupan klasifikasi, penggunaan arsitektur tunggal yang tidak optimal, dan belum mengeksplorasi deteksi konten berbahaya (poison) yang dapat memicu contagion effect. Penelitian ini mengembangkan model klasifikasi berbasis arsitektur hibrid CNN-BiLSTM dengan pembobotan kata FastText untuk mendeteksi tujuh kategori gangguan kesehatan mental dari data teks media sosial Reddit, yaitu BPD, anxiety, depression, bipolar, mentalillness, schizophrenia, dan poison. Dataset sebanyak 10.500 postingan dikumpulkan dari lima subreddit utama dan diproses melalui pipeline preprocessing yang ketat. Model dilatih menggunakan 20-fold cross-validation dengan hyperparameter tuning sistematis menggunakan Keras Tuner. Hasil evaluasi menunjukkan bahwa model CNN-BiLSTM mencapai akurasi 0.87 dan F1-score 0.87, melampaui performa CNN akurasi 0.84 dan BiLSTM akurasi 0.82. Performa terbaik dicapai pada kelas bipolar F1-score 0.98, recall 1.00 dan BPD F1-score 0.98, sementara tantangan utama ditemukan pada kelas mentalillness (F1-score 0.61). FastText embedding terbukti efektif menangani out-of-vocabulary words yang umum dalam teks media sosial informal. Validasi dengan psikolog klinis pada 10 kasus berbahasa Inggris mencapai 6 klasifikasi yang sesuai, namun analisis cross-lingual terhadap 7 kasus berbahasa Indonesia hanya menghasilkan 2 klasifikasi yang tepat, mengungkapkan tantangan signifikan dalam transfer learning lintas bahasa dan menekankan pentingnya adaptasi kultural dalam implementasi model AI untuk kesehatan mental.