Implementasi Algoritma Naïve Bayes untuk Klasifikasi Konten Twitter dengan Indikasi Depresi

Abstract

Depresi merupakan salah satu permasalahan kesehatan yang sangat berdampak bagi para penderitanya. Terdapat begitu banyak faktor depresi, di antaranya pengalaman hidup, pekerjaan, ataupun kehidupan sosial. Pada tahun 2018, diperkirakan 6.1% dari 267.7 juta penduduk di Indonesia mengalami depresi. Hal ini tentunya sangat dipengaruhi oleh stigma masyarakat terkait dengan penyakit kejiwaan dan rendahnya tingkat kesadaran masyarakat untuk melakukan konsultasi kejiwaan. Melalui perkembangan teknologi, saat ini, mayarakat seringkali mengekspresikan dirinya melalui konten-konten di media sosial. Pada penelitian ini dilakukan proses pengumpulan data-data dengan kata kunci yang mengindikasikan gangguan depresi di platform Twitter. Kemudian, dengan melibatkan seorang psikiatri, dilakukan proses pelabelan terhadap dataset untuk menentukan apakah konten memiliki label “terindikasi depresi” ataupun “tidak terindikasi”. Berdasarkan dataset tersebut, dikembangkan model prediktif dengan menggunakan metode Multinomial Naive Bayes (MNB) dan Complement Naive Bayes (CNB) sebagai metode klasifikasi dan metode Term Frequency–Inverse Document Frequency (TF–IDF) sebagai metode ekstraksi fitur. Berdasarkan eksperimentasi yang telah dilakukan gabungan metode TF–IDF dan MNB berhasil mencapai tingkat F-score sebesar 91.30% sementara gabungan metode TF–IDF dengan CNB berhasil mencapai tingkat performa sebesar 91.98%.