Peningkatan Kinerja Model Bilstm untuk Klasifikasi Depresi pada Platform Sosial Media X melalui Penerapan Dropout Layer

Abstract

Depresi merupakan gangguan kesehatan mental yang sering tidak terdeteksi secara dini akibat rendahnya kesadaran dan stigma sosial. Media sosial X menjadi sumber data potensial karena pengguna kerap mengekspresikan kondisi emosionalnya melalui unggahan teks secara real time. Oleh karena itu, model Bidirectional Long Short-Term Memory (BILSTM) dimanfaatkan untuk mengklasifikasikan gejala depresi berdasarkan indikator Diagnostic and Statistical Manual of Mental Disorders, Fifth Edition (DSM V). Untuk meningkatkan kemampuan generalisasi model dan mengurangi risiko overfitting, diterapkan dropout layer serta hyperparameter tuning. Dataset dikumpulkan dari media sosial X dengan cara crawlling menggunakan tweet-harvest. Kemudian proses penelitian dilanjutkan dengan pelabelan dataset secara manual terdiri dari 10 kelas (9 gejala depresi DSM V dan 1 non-depresi) dengan mempertimbangkan saran dari ahli psikolog. Setelah proses pelabelan, dilanjutkan dengan tahap preprocessing, representasi dokumen teks menggunakan Word2Vec, pembagian dataset, dan pemodelan. Pemodelan dilakukan menjadi 4 skenario (BILSTM standar, BILSTM dengan dropout layer, BILSTM dengan hyperparameter tuning, BILSTM dengan hyperparameter tuning dan dropout layer). Masing-masing skenario diuji menggunakan 3 rasio pembagian data yang berbeda, yaitu 90:5:5, 80:10:10, 70:15:15 yang terdiri dari data training, data validation, dan data testing. Hasil penelitian menunjukkan bahwa performa terbaik diperoleh pada model BILSTM dengan penerapan dropout layer pada rasio data 90:5:5, dengan nilai F1-score sebesar 93% dan selisih F1-score training–validation sebesar 7%. Nilai F1-score yang tinggi menunjukkan peningkatan kemampuan generalisasi model, sedangkan selisih yang relatif kecil mengindikasikan bahwa dropout layer efektif menekan overfitting. Proporsi data training yang lebih besar serta data validation yang relatif kecil membantu model BILSTM mempelajari pola bahasa depresi lebih kompleks.