Klasifikasi Gangguan Kecemasan Pengguna Twitter Menggunakan Support Vector Machine
Abstract
Abstrak — Gangguan mental yang umum adalah kecemasan, yang seringkali sulit terdeteksi karena tidak menunjukkan gejala fisik secara langsung serta dipengaruhi oleh rendahnya kesadaran masyarakat dan stigma negatif terhadap kesehatan jiwa. Akibatnya, banyak individu lebih memilih mengekspresikan perasaannya melalui media sosial seperti Twitter daripada mencari bantuan profesional. Namun, mendeteksi potensi gejala kecemasan melalui data teks bukanlah hal yang mudah karena pengguna jarang menyebutkan kondisi mentalnya secara eksplisit. Penelitian ini bertujuan merancang model klasifikasi gejala kecemasan pada pengguna Twitter menggunakan algoritma Support Vector Machine (SVM) dengan pendekatan paraphrasing berbasis IndoT5. Proses penelitian mencakup praproses teks dan pelatihan model SVM menggunakan kernel RBF dengan parameter optimal C=10 dan gamma=0,1. Hasil evaluasi menunjukkan bahwa penggunaan IndoT5 mampu meningkatkan performa model dengan capaian akurasi 97,52%, precision 97,57%, recall 97,50%, dan F1-score 97,52%. Dibandingkan algoritma Multilayer Perceptron (MLP) dan Decision Tree, SVM menunjukkan akurasi paling unggul. Model ini kemudian diimplementasikan ke sistem web berbasis Streamlit untuk mengklasifikasikan teks menjadi “Normal” atau “Kecemasan” sebagai alat bantu deteksi awal, bukan pengganti profesional.
Kata kunci — kecemasan, twitter, klasifikasi teks, SVM, IndoT5.
Downloads
References
[1] V. del Barrio, “Diagnostic and Statistical Manual of Mental Disorders,” in Encyclopedia of Applied Psychology, C. D. Spielberger, Ed. Elsevier, 2004, pp. 607–614.
[2] World Health Organization, “WORLD HEALTH STATISTICS - MONITORING HEALTH FOR THE SDGs,” World Heal. Organ., p. 1.121, 2016.
[3] D. Bolton, What is Mental Disorder? An essay in philosophy, science, and values. Oxford University Press, 2008.
[4] A. H. Orabi, P. Buddhitha, M. H. Orabi, and D. Inkpen, “Deep learning for depression detection of Twitter users,” Proc. 5th Work. Comput. Linguist. Clin. Psychol. From Keyboard to Clin. CLPsych 2018 2018 Conf. North Am. Chapter Assoc. Comput. Linguist. Hum. Lang. Technol., pp. 88–97, 2018, doi: 10.18653/v1/w18-0609.
[5] A. Yates, A. Cohan, and N. Goharian, “Depression and self-harm risk assessment in online forums,” EMNLP 2017 - Conf. Empir. Methods Nat. Lang. Process. Proc., pp. 2968–2978, 2017, doi: 10.18653/v1/d17-1322.
[6] K. Yan, D. Arisandi, and T. Tony, “Analisis Sentimen Komentar Netizen Twitter Terhadap Kesehatan Mental Masyarakat Indonesia,” J. Ilmu Komput. dan Sist. Inf., vol. 10, no. 1, 2022, doi: 10.24912/jiksi.v10i1.17865.
[7] D. Owen, J. C. Collados, and L. Espinosa-Anke, “Towards Preemptive Detection of Depression and Anxiety in Twitter,” pp. 82–89, 2020, [Online]. Available: http://arxiv.org/abs/2011.05249.
[8] U. Rofiqoh, R. S. Perdana, and M. A. Fauzi, “Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan Telekomunikasi Seluler Indonesia Pada Twitter Dengan Metode Support Vector Machine dan Lexion Based Feature,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 1, no. 12, pp. 1725–1732, 2017, [Online]. Available: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/628.
[9] H. C. Husada and A. S. Paramita, “Analisis Sentimen Pada Maskapai Penerbangan di Platform Twitter Menggunakan Algoritma Support Vector Machine (SVM),” Teknika, vol. 10, no. 1, pp. 18–26, 2021, doi: 10.34148/teknika.v10i1.311.
[10] F. Darmawan, M. Joe, Y. I. Kurniawan, and L. Afuan, “Analisis Sentimen Kemungkinan Depresi dan Kecemasan pada Twitter Menggunakan Support Vector Machine,” J. Eksplora Inform., vol. 13, no. 1, pp. 24–36, 2023, doi: 10.30864/eksplora.v13i1.854.
[11] V. del Barrio, Diagnostic and Statistical Manual of Mental Disorders, vol. 1. 2004.
[12] S. Lidya, S.K., Sitompul, O.S., & Efendi, “Sentiment Analysis Pada Teks Bahasa Indonesia Menggunakan Support Vector Machine (SVM) dan K-Nearest Neighbor (K-NN),” 2015. [Online]. Available: http://repositori.usu.ac.id/handle/123456789/42877.
[13] K. Sembiring, “Penerapan Teknik Support Vector Machine untuk Pendeteksian Intrusi pada Jaringan.,” no. September, pp. 1–28, 2007.
[14] L. Qadrini et al., “Ensemble Resampling Support Vector Machine, Multinomial Regression To Multiclass Imbalanced Data,” BAREKENG J. Ilmu Mat. Dan Terap., vol. 18, no. 1, pp. 0269–0280, 2024, doi: 10.30598/barekengvol18iss1pp0269-0280.
[15] C. I. Salekhah, “Implementasi Metode Multi Class Support Vector Machine Untuk Klasifikasi Emosi Pada Lirik Lagu Bahasa Indonesia,” Universitas Komputer Indonesia (Unikom), 2016.
[16] U. Saokani, M. Irfan, D. S. Maylawati, R. J. Abidin, I. Taufik, and R. N. Hay’s, “Comparison of the Fisher-Yates Shuffle and the Linear Congruent Algorithm for Randomizing Questions in Nahwu Learning Multimedia,” Khazanah J. Relig. Technol., vol. 1, no. 1, pp. 10–14, 2023, doi: 10.15575/kjrt.v1i1.159.
[17] W. Puspitasari, “IndoT5 ( Text-to-Text Transfer Transformer ) Algorithm for Paraphrasing Indonesian Language Islamic Sermon Manuscripts,” vol. 2, no. 2, 2025.
[18] C. Schröer, F. Kruse, and J. M. Gómez, “A systematic literature review on applying CRISP-DM process model,” Procedia Comput. Sci., vol. 181, no. 2019, pp. 526–534, 2021, doi: 10.1016/j.procs.2021.01.199.
[19] D. A. N. Arifin, S. Pada, D. Teks, B. Indonesia, J. Pardede, and D. Darmawan, “PERBANDINGAN ALGORITMA STEMMING PORTER , SASTRAWI , IDRIS , COMPARISON OF STEMMING ALGORITHMS PORTER , SASTRAWI , IDRIS , AND ARIFIN SETIONO ON INDONESIAN TEXT DOCUMENTS,” vol. 12, no. 1, 2025, doi: 10.25126/jtiik.2025128860.
[20] K. S. Nugroho, I. Akbar, A. N. Suksmawati, and Istiadi, “Deteksi Depresi dan Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM,” no. Ciastech, pp. 287–296, 2023, [Online]. Available: http://arxiv.org/abs/2301.04521.



