Implementasi IndoBERTweet dan BiLSTM pada Teks Media Sosial X untuk Klasifikasi Potensi Depresi Berdasarkan Afeksi Negatif

⭐ Samuel Sundy, Darrell (2026) Implementasi IndoBERTweet dan BiLSTM pada Teks Media Sosial X untuk Klasifikasi Potensi Depresi Berdasarkan Afeksi Negatif. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (609kB)
	PDF BAB_I.pdf Download (351kB)
	PDF BAB_II.pdf Download (600kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (869kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (331kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (311kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (517kB)
	Archive (ZIP) 00000069648_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Depresi merupakan salah satu beban kesehatan global yang signifikan, namun di Indonesia hanya sekitar 9,3% penduduk dengan indikasi depresi memperoleh penanganan akibat keterbatasan tenaga profesional dan distribusi layanan yang tidak merata. Media sosial X yang banyak digunakan di Indonesia menjadi sumber data potensial untuk deteksi berbasis teks, namun pendekatan deep learning yang mencapai performa klasifikasi tinggi bersifat black-box sehingga keputusan model sulit ditelusuri. Penelitian ini mengimplementasikan arsitektur hybrid IndoBERTweet dan BiLSTM untuk deteksi depresi biner pada teks X berbahasa Indonesia, kemudian menganalisis interpretabilitas keputusan model menggunakan Local Interpretable Model-agnostic Explanations (LIME). Dataset penelitian merupakan gabungan tiga sumber publik (Indonesian Twitter Emotion Dataset, EmoTweetID V5, dan Emotion Dataset from Indonesian Public Opinion) dengan jumlah 11.005 tweet setelah penggabungan dan deduplikasi, dengan label biner diperoleh dari pemetaan emosi anger, sadness, dan fear ke kelas depresi serta joy dan love ke kelas normal. Pelatihan dilakukan menggunakan strategi frozen backbone pada IndoBERTweet (indolem/indobertweet-base-uncased) yang representasi embedding-nya diteruskan ke lapisan BiLSTM dan Dense dengan fungsi loss Weighted BCEWithLogitsLoss. Konfigurasi terbaik diperoleh pada learning rate 3e-5 dan batch size 10, dengan hasil akurasi 0,8378 dan F1-macro 0,8269 pada data uji. Analisis LIME pada model terbaik memvisualisasikan kontribusi token terhadap prediksi pada empat kuadran confusion matrix (true positive, true negative, false positive, dan false negative), sehingga memberikan justifikasi linguistik atas keputusan model dalam tugas deteksi depresi.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Samuel Sundy, Darrell (00000069648)
Contributors:	Gunawan, Dennis
Keywords:	BiLSTM, deteksi depresi, IndoBERTweet, LIME, media sosial X
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	29 Jul 2026 11:59
URI:	https://kc.umn.ac.id/id/eprint/48627

Actions (login required)

View Item