Analisis Sentimen Konten Kesehatan Mental di TikTok terhadap Kecenderungan Self-Diagnose Menggunakan Algoritma Support Vector Machine dan XGBoost

Nitisara Putri, Navsya (2025) Analisis Sentimen Konten Kesehatan Mental di TikTok terhadap Kecenderungan Self-Diagnose Menggunakan Algoritma Support Vector Machine dan XGBoost. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (788kB)
	PDF BAB_II.pdf Download (4MB)
	PDF BAB_III.pdf Download (955kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (6MB)
	PDF BAB_V.pdf Download (625kB)
	PDF DAFTAR_PUSTAKA.pdf Download (620kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (2MB)

Abstract

Fenomena self-diagnose di TikTok semakin marak akibat paparan konten kesehatan mental tanpa pendampingan profesional. Banyak pengguna menyimpulkan kondisi psikologis mereka berdasarkan kecocokan gejala dalam video tanpa diagnosis medis. Hal ini berisiko menimbulkan pemahaman keliru, terutama di kalangan remaja. Di sisi lain, pemanfaatan pendekatan Sistem Informasi untuk mengklasifikasikan komentar berbasis sentimen masih terbatas. Belum banyak studi yang mengevaluasi efektivitas algoritma klasifikasi dalam mendeteksi komentar yang mengarah pada self- diagnose. Penelitian ini bertujuan membangun model klasifikasi komentar TikTok berdasarkan indikasi self-diagnose. Pelabelan dilakukan secara otomatis menggunakan metode rule-based berbasis kata kunci dan struktur kalimat tertentu, lalu divalidasi oleh pakar dengan latar belakang pendidikan psikologi. Dua algoritma, yaitu Support Vector Machine dan Extreme Gradient Boosting, dipilih karena keunggulannya dalam klasifikasi teks pendek serta penanganan data tidak seimbang. Pemilihan ini didasarkan pada studi terdahulu yang menunjukkan bahwa Support Vector Machine unggul dalam precision, sedangkan Extreme Gradient Boosting lebih stabil dalam recall dan f1-score. Proses penelitian mengikuti tahapan Cross Industry Standard Process for Machine Learning. Analisis tambahan dilakukan terhadap waktu komentar, panjang teks, dan interaksi pengguna. Hasil menunjukkan bahwa Extreme Gradient Boosting mencatat akurasi training 99.66% dan testing 99.53% dengan f1-score sempurna, mengungguli Support Vector Machine dengan selisih 0.58% pada akurasi testing (99.04% training dan 98.95% testing; f1-score 0.99). Komentar terbanyak berlabel negatif (19.306), meningkat pada pukul 12.00-15.00. Meskipun hanya 4% dari total data, komentar positif memperoleh interaksi tertinggi.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Nitisara Putri, Navsya (00000060448)
Contributors:	Sitorus, Budi Berlinton (0327057501) Wella, Wella
Keywords:	analisis sentimen, Extreme Gradient Boosting, kesehatan mental, self-diagnose, Support Vector Machine, Tiktok
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	09 Sep 2025 11:05
URI:	https://kc.umn.ac.id/id/eprint/40367

Actions (login required)

View Item