Analisis Berbasis Emosional pada Depresi di Media Sosial Menggunakan Pendekatan Convolutional Neural Network
Abstract
Abstrak-Depresi merupakan gangguan jiwa pada seseorang. Diperkirakan sekitar 300 juta orang menderita depresi di seluruh dunia. Dikarenakan tidak adanya penanganan medis pada tahap awal. Dengan menggunakan media sosial seperti twitter menjadi tempat untuk mengemukakan perasaan atau kondisi emosional yang dialami melalui postingan. Dari postingan atau data tweet tersebut maka dapat ditemukan petunjuk bahwa pengguna mengalami depresi atau tidak. Pada penelitian ini digunakan algoritma Convolutional Neural Network (CNN) untuk membuat suatu model untuk mengklasifikasi teks yang mampu melakukan prediksi untuk mendeteksi suatu postingan pada twitter memiliki bentuk emosional yang dapat diprediksi apakah seseorang tersebut menandakan terjadinya depresi atau tidak. Data yang dikumpulkan bersumber dari hasil pengisian kuesioener oleh responden, dan data tweet didapatkan dari akun pengguna twitter yang sudah disetujui. Pengembangan sistem ini sudah dilakukan hingga tahap pengujian, model yang dihasilkan untuk memprediksi emosional mendapatkan akurasi sebesar 82% dan untuk memprediksi depresi mendapatkan akurasi 91% yang diuji dengan 4892 tweet dari 161 user dan digambarkan dengan confusion matrix sebagai alat ukur performansi.
Kata kunci-depresi, emosional, postingan, Convolutional Neural Network (CNN)
References
E. J. Yeun, Y. M. Kwon, and J. A. Kim, “Psychometric testing of the Depressive Cognition Scale in Korean adults,” Appl. Nurs. Res., vol. 25, no. 4, pp. 264–270, 2012, doi: 10.1016/j.apnr.2011.04.003.
F. Firjatullah and M. Irfan, “Prototipe Cranial Electrotherapy Stimulation,” Med. Tek. J. Tek. Elektromedik Indones., vol. 3, no. 1, pp. 23–31, 2021, doi: 10.18196/mt.v3i1.12228.
K. Peltzer and S. Pengpid, “High prevalence of depressive symptoms in a national sample of adults in Indonesia: Childhood adversity, sociodemographic factors and health risk behaviour,” Asian J. Psychiatr., vol. 33, no. March, pp. 52–59, 2018, doi: 10.1016/j.ajp.2018.03.017.
P. Buddhitha and D. Inkpen, “Multi-task, multi-channel, multi-input learning for mental illness detection using social media text,” LOUHI@EMNLP 2019 - 10th Int. Work. Heal. Text Min. Inf. Anal. Proc., no. Louhi, pp. 54–64, 2019, doi: 10.18653/v1/d19-6208.
Zubiaga, A., Spina, D., Martínez, R. and Fresno, V., “Real-time classification of twitter trends,” Journal of the Association for Information Science and Technology, 66(3), pp.462-473, 2015.
B. O’Dea, S. Wan, P. J. Batterham, A. L. Calear, C. Paris, and H. Christensen, “Detecting suicidality on twitter,” Internet Interv., vol. 2, no. 2, pp. 183–188, 2015, doi: 10.1016/j.invent.2015.03.005.
M. Nadeem, “Identifying Depression on Twitter,” pp. 1–9, 2016, [Online]. Available: http://arxiv.org/abs/1607.07384.
H. Cui, Y. Lin, and T. Utsuro, “Sentiment Analysis of Tweets by CNN utilizing Tweets with Emoji as Training Data,” Wisdom, no. August, pp. 1–8, 2018, [Online]. Available: https://sentic.net/wisdom2018cui.pdf.
A. A. Kurniawan and M. Mustikasari, “Implementasi Deep Learning Menggunakan Metode CNN dan LSTM untuk Menentukan Berita Palsu dalam Bahasa Indonesia,” J. Inform. Univ. Pamulang, vol. 5, no. 4, p. 544, 2021, doi: 10.32493/informatika.v5i4.6760.
Y. Tyshchenko, “Depression and anxiety detection from blog posts data,” Nat. Precis. Sci., Inst. Comput. Sci., Univ. Tartu, Tartu …, 2018, [Online]. Available: https://core.ac.uk/download/pdf/237085027.pdf.
A. U. Rehman, A. K. Malik, B. Raza, and W. Ali, “A Hybrid CNN-LSTM Model for Improving Accuracy of Movie Reviews Sentiment Analysis,” Multimed. Tools Appl., vol. 78, no. 18, pp. 26597–26613, 2019, doi: 10.1007/s11042-019-07788-7.
S. Boukil, M. Biniz, F. El Adnani, L. Cherrat, and A. E. El Moutaouakkil, “Arabic text classification using deep learning technics,” Int. J. Grid Distrib. Comput., vol. 11, no. 9, pp. 103–114, 2018, doi: 10.14257/ijgdc.2018.11.9.09.
Hughes, M., Li, I., Kotoulas, S. and Suzumura, T., “Medical text classification using convolutional neural networks,” In Informatics for Health: Connected Citizen-Led Wellness and Population Health (pp. 246-250). IOS Press, 2017.
A. Joulin, E. Grave, P. Bojanowski, and T. Mikolov, “Bag of tricks for efficient text classification,” 15th Conf. Eur. Chapter Assoc. Comput. Linguist. EACL 2017 - Proc. Conf., vol. 2, pp. 427–431, 2017, doi: 10.18653/v1/e17-2068.
L. Parkitny and J. McAuley, “The depression anxiety stress scale (DASS),” J. Physiother., vol. 56, no. 2, p. 204, 2010, doi: 10.1016/s1836-9553(10)70030-8.
S. Kusumadewi and H. Wahyuningsih, “Model Sistem Pendukung Keputusan Kelompok untuk Penilaian Gangguan Depresii, Kecemasan dan Stress Berdasarkan DASS-42,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 2, p. 219, 2020, doi: 10.25126/jtiik.2020721052.
F. Keshtkar and D. Inkpen, “A hierarchical approach to mood classification in blogs,” Nat. Lang. Eng., vol. 18, no. 1, pp. 61–81, 2012, doi: 10.1017/S1351324911000118.
J. Ramos, “Using TF-IDF to Determine Word Relevance in Document Queries,” Proc. first Instr. Conf. Mach. Learn., pp. 29–48, 2003.
T. F. Mumu, I. J. Munni, and A. K. Das, “Depressed People Detection from Bangla Social Media Status using LSTM and CNN Approach,” J. Eng. Adv., vol. 2, no. 01, pp. 41–47, 2021, doi: 10.38032/jea.2021.01.006.
S. Peng et al., “A survey on deep learning for textual emotion analysis in social networks,” Digit. Commun. Networks, 2021, doi: 10.1016/j.dcan.2021.10.003.
