Analisis Sentimen Kesehatan Mental pada Platform X Menggunakan GRU dengan Meperhatikan Fitur Ekstraksi
Abstrak
Saat ini, platform X menjadi salah satu platform populer di Indonesia untuk mengekspresikan opini dan sentimen, termasuk kondisi kesehatan mental. Volume data teks yang tinggi menyulitkan proses identifikasi data tweet sentimen secara manual. Oleh karena itu, diperlukan pendekatan untuk mengklasifikasikan data tweet sentimen, melalui data tekstual Indonesia dari platform X. Penelitian ini menggunakan model deep learning Gated Recurrent Unit (GRU) untuk mengklasifikasikan data tweet sentimen kesehatan mental. Data teks diproses dengan menggunakan tahap pra-pemrosesan, kemudian untuk meningkatkan hasil analisisnya diperlukan pendekatan ekstraksi fitur yang lebih efektif dalam menangkap makna semantik secara optimal. Sehingga pada penelitian ini direpresentasikan dengan dua metode ekstraksi fitur, yaitu Word2Vec dan TF-IDF Weighted Word2Vec. Model selanjutnya, dilatih dan dievaluasi dengan metrik klasifikasi berupa accuracy, precision, recall, dan F1-score untuk mengukur ketepatan prediksi secara keseluruhan serta kemampuan model dalam mengidentifikasi setiap kelas sentimen. Berdasarkan penelitian yang sudah dilakukan, model GRU dengan Word2Vec mencapai akurasi keseluruhan sebesar 87,45%. Sedangkan, kombinasi GRU dengan TFIDF Weighted Word2Vec mencapai akurasi keseluruhan sebesar 88,94%. Hasil ini menunjukkan bahwa penggunaan pembobotan TF-IDF dapat meningkatkan kinerja model dalam mengklasifikasikan sentimen mental secara lebih efektif.
Kata Kunci — Analisis Sentimen, Kesehatan Mental, Platform X, GRU, Word2Vec, TF-IDF Weighted Word2Vec
Referensi
World Health Organization, Mental Health and COVID-19: Early Evidence of the Pandemic’s Impact, 2022.
Kementerian Kesehatan Republik Indonesia, Laporan Nasional Riskesdas, 2021.
S. C. Guntuku, D. B. Yaden, M. L. Kern, L. H. Ungar, and J. C. Eichstaedt, “Detecting Depression and Mental Illness on Social Media: An Integrative Review,” Current Opinion in Behavioral Sciences, vol. 18, pp. 43–49, 2017.
Saifullah et al., “Implementasi Algoritma Machine Learning dalam Deteksi Kecemasan dari Media Sosial di Masa Pandemi,” Jurnal Ilmiah Teknologi Informasi, vol. 20, no. 1, pp. 75–83, 2021.
Setiawan and Suhartana, “Klasifikasi Tweet Depresi Menggunakan SVM dan Ekstraksi Fitur TF-IDF,” Jurnal Informatika dan Sistem Informasi, vol. 8, no. 2, pp. 143–150, 2022.
Umami, R. et al., “Analisis Sentimen Komentar Instagram tentang Layanan BPJS Menggunakan SVM,” Jurnal Teknologi dan Informasi, vol. 12, no. 3, pp. 145–152, 2022.
Ainapure, S., Trivedi, R., and Sharma, D., “GRU and Bi-LSTM Based Sentiment Analysis on COVID-19 Tweets,” International Journal of Information Technology and Web Engineering (IJITWE), vol. 18, no. 1, pp. 1–15, 2023.
Sugumaran, V., et al., “Real-Time Twitter Sentiment Analysis on Mental Illness Using Deep Learning Models,” Neural Processing Letters, vol. 54, pp. 3543–3562, 2022.
Rolangon, H. et al., “Analisis Sentimen Layanan Rumah Sakit Menggunakan GRU dan Algoritma RNN,” Jurnal Media Informatika Budidarma, vol. 7, no. 1, pp. 35–42, 2023.
M. Zulkifli, N. M. Noor, M. M. Deris, and S. A. Mohd Muji, “Depression Detection in Social Media Text Using Bidirectional GRU with Attention Mechanism,” International Journal of Advanced Computer Science and Applications (IJACSA), vol. 14, no. 2, pp. 324–331, 2023.
J. Chung, C. Gulcehre, K. Cho, and Y. Bengio, “Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling,” arXiv preprint arXiv:1412.3555, 2014.
T. Mikolov, et al., “Efficient Estimation of Word Representations in Vector Space,” arXiv preprint arXiv:1301.3781, 2013.
E. Grave, et al., “Learning Word Vectors for 157 Languages,” Proceedings of LREC, 2018.
F. Rifaldy, Y. Sibaroni, dan S. S. Prasetiyowati, “Effectiveness of Word2Vec and TF-IDF in Sentiment Classification on Online Investment Platforms Using Support Vector Machine,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 2, pp. 863–874, Jun. 2025, doi: 10.29100/jipi.v10i2.6055.
Q. Xu dan B. Sun, “Research on Weighted Word2vec Algorithm for FineGrained Sentiment Analysis,” International Journal of Engineering Research and Management (IJERM), vol. 10, no. 7, Jul. 2023.
K. Kurman, S. Patel, and R. Srinivasan, “A Comparative Study of RNN Variants for Detecting Depression in Social Media Posts,” Procedia Computer Science, vol. 218, pp. 540–547, 2023.
R. Priyaa et al., “Prediction of Anxiety, Stress, and Depression Levels Using Supervised Learning Techniques,” Journal of Medical Systems, vol. 44, no. 12, pp. 1–12, 2020.
S. Ahmed, M. Rahman, and M. Karim, “Depression Detection from Bangla Text Using Machine Learning and Deep Learning,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 23, no. 1, pp. 112–120, 2024.
W. Sofiya and E. B. Setiawan, “Hybrid GRU-SVM Approach for Social Media Sentiment Analysis,” Jurnal RESTI, vol. 7, no. 2, pp. 300–306, 2023.
M. Alaydrus, H. A. Nugroho, and A. H. Wijaya, “Klasifikasi Emosi Negatif pada Komentar Media Sosial Berbahasa Indonesia Menggunakan CNNLSTM,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 7, no. 1, pp. 146–153, 2023.
B. Liu, Sentiment Analysis and Opinion Mining, Morgan & Claypool Publishers, 2012.
T. Joachims, “Text categorization with Support Vector Machines: Learning with many relevant features,” in European Conference on Machine Learning, 1998, pp. 137–142.
Saputri, G. R., et al. (2021). IndoBERTweet: A Pretrained Language Model for Indonesian Twitter Sentiment Analysis. arXiv preprint arXiv:2106.09012.
Saito, T., & Rehmsmeier, M. (2015). The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets. PLoS ONE, 10(3), e011843
