DETEKSI POTENSI DEPRESI DARI UNGGAHAN MEDIA SOSIAL X MENGGUNAKAN INDOBERT

Gangguan mental seperti depresi meningkat dan menjadi masalah kesehatan masyarakat yang serius. Banyak orang terdampak tidak mencari dukungan profesional karena stigma sosial. Media sosial seperti X memberikan peluang besar untuk mempelajari kesehatan mental, karena pengguna sering berbagi pengalaman dan emosi pribadi. Namun, memahami pola bahasa dan konteks unggahan menjadi tantangan, sehingga diperlukan teknik dan model yang tepat untuk mendeteksi potensi depresi. Penelitian ini menggunakan teknik Natural Language Processing (NLP) untuk menganalisis 37.554 teks dari unggahan media sosial, bertujuan mendeteksi potensi depresi. Model IndoBERT, adaptasi BERT yang dilatih pada teks berbahasa Indonesia, digunakan untuk mengidentifikasi potensi depresi. Data dikumpulkan melalui scraping dengan kata kunci berkonotasi negatif dan positif yang telah dikonsultasikan dengan psikiater. Proses pembersihan teks meliputi case folding, text cleaning, spell normalization, stopword removal, dan stemming. Data kemudian diberi label menggunakan model klasifikasi emosi IndoBERT, yang mengkategorikan emosi negatif sebagai depresi dan positif sebagai normal. Model dilatih dan dievaluasi menggunakan metrik akurasi, precision, recall, dan F1-score, dengan hasil terbaik menunjukkan akurasi 94,91%. Hasil menunjukkan bahwa IndoBERT efektif dalam mendeteksi potensi depresi dari teks media sosial, meskipun ada keterbatasan terkait representasi emosional pengguna.