Deteksi Depresi di Twitter Menggunakan Metode CNN-BiGRU dengan Fitur Ekspansi FastText
Abstract
Depresi merupakan gangguan mental yang sering tidak terdeteksi dengan baik, meskipun banyak mempengaruhi individu di seluruh dunia. Media sosial, khususnya Twitter, menjadi platform yang digunakan untuk mengekspresikan emosi, termasuk gejala depresi yang tidak diungkapkan secara eksplisit. Penelitian ini bertujuan untuk mengembangkan model deteksi depresi di Twitter dengan metode hybrid CNN-BiGRU yang dilengkapi dengan ekspansi fitur FastText. CNN digunakan untuk mengekstraksi pola lokal dalam teks, sementara BiGRU memproses urutan kata dari dua arah untuk menangkap konteks yang lebih dalam. Ekspansi FastText bertujuan untuk menangani variasi kosakata dan meningkatkan akurasi dalam mendeteksi makna implisit dalam teks. Penelitian ini penting karena banyak pengguna media sosial yang tidak mendapatkan perawatan depresi yang memadai. Deteksi otomatis melalui teks Twitter dapat menjadi solusi untuk intervensi dini. Pengujian menggunakan dataset tweet berbahasa Indonesia menunjukkan bahwa model hybrid BiGRU-CNN dengan FastText mencapai akurasi tertinggi sebesar 80,65% pada korpus IndoNews dengan optimizer RMSprop. Model ini diharapkan dapat berkontribusi dalam deteksi depresi dan mendukung intervensi kesehatan mental.
Kata kunci— Depresi, Twitter, CNN-BiGRU, FastText, Deteksi Emosi, Model Hybrid.
References
Lin, L. Y., Sidani, J. E., Shensa, A., Radovic, A., Miller, E., Colditz, J. B., ... & Primack, B. A. (2016). Association Between Social Media Use and Depression Among US Young Adults. Depression and Anxiety, 33(4), 323-331.
Nugroho, K. S., Akbar, I., & Suksmawati, A. N. (2023). Deteksi Depresi dan Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM. arXiv preprint arXiv:2301.04521.
H. Zogan, I. Razzak, S. Jameel, and G. Xu. (2021) “DepressionNet: Learning Multi-modalities with User Post Summarization for Depression Detection on Social Media,” in SIGIR 2021 - Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval, Association for Computing Machinery, Inc, Jul., pp. 133–142. doi: 10.1145/3404835.3462938.
R. A. Rudiyanto and E. B. Setiawan. (2024) “Sentiment Analysis Using Convolutional Neural Network (CNN) and Particle Swarm Optimization on Twitter,” JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer), vol. 9, no. 2, pp. 188–195, Feb., doi: 10.33480/jitk.v9i2.5201.
Sofia, R. N., & Supriyadi, D. (2021). Komparasi metode machine learning dan deep learning untuk deteksi emosi pada text di sosial media. JUPITER: Jurnal Penelitian Ilmu dan Teknologi Komputer, 13(2), 130-139.
Merinda Lestandy, Amrul Faruq, Adhi Nugraha, and Abdurrahim. (2024) Analyzing Reddit Data: Hybrid Model for Depression Sentiment using FastText Embedding, Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 8, no. 2, pp. 288–297, Apr., doi: 10.29207/resti.v8i2.5641.
Aisyiyah, S., & Maharani, W. (2023). Analisis Berbasis Emosional pada Depresi di Media Sosial Menggunakan Pendekatan Convolutional Neural Network. eProceedings of Engineering, 10(2).
R. Pabian and E. B. Setiawan. (2025) “Optimizing Learning Rates and Feature Expansion with FastText in Hybrid CNN-BiGRU for Indonesian Cyberbullying Detection on X,” in International Conference on Advancement in Data Science, E-learning and Information System (ICADEIS), 2025, pp. 1–8. doi: 10.1109/ICADEIS65852.2025.10933150.
E. J. Yeun, Y. M. Kwon, and J. A. Kim (2012), Psychometric testing of the Depressive Cognition Scale in Korean adults, Applied Nursing Research, vol. 25, no. 4, pp. 264–270, Nov. doi: 10.1016/j.apnr.2011.04.003.
Zogan, H., Razzak, I., Wang, X., Jameel, S., & Xu, G. (2022). Explainable depression detection with multi-aspect features using a hybrid deep learning model on social media. World Wide Web, 25(1), 281- 304.
Setiawan, E. B., Widyantoro, D. H., & Surendro, K. (2016, October). Feature expansion using word embedding for tweet topic classification. In 2016 10th International Conference on Telecommunication Systems Services and Applications (TSSA) (pp. 1-5). IEEE.
V. S and J. R. (2016) Text Mining: open Source Tokenization Tools – An Analysis, Advanced Computational Intelligence: An International Journal (ACII), vol. 3, no. 1, pp. 37–47, Jan., doi: 10.5121/acii.2016.3104.
Merinda Lestandy, Amrul Faruq, Adhi Nugraha, and Abdurrahim. (2024) Analyzing Reddit Data: Hybrid Model for Depression Sentiment using FastText Embedding, Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 8, no. 2, pp. 288–297, Apr., doi: 10.29207/resti.v8i2.5641.
I. A. Asqolani and E. B. Setiawan, “A Hybrid deep learning Approach Leveraging Word2Vec Feature Expansion for Cyberbullying Detection in Indonesian Twitter,” Ingenierie des Systemes d’Information, vol. 28, no. 4, pp. 887–895, Aug. 2023, doi: 10.18280/isi.280410.
H. Kour and M. K. Gupta.(2022) An hybrid deep learning approach for depression prediction from user tweets using feature-rich CNN and bi-directional LSTM, Multimed Tools Appl, vol. 81, no. 17, pp. 23649–23685, Jul., doi: 10.1007/s11042-022-12648-y.
D. She and M. Jia. (2024) A BiGRU method for remaining useful life prediction of machinery, Measurement (Lond), vol. 167, Jan. 1, doi: 10.1016/j.measurement.2020.108277.
