Peningkatan Kinerja Model Bilstm untuk Klasifikasi Depresi pada Platform Sosial Media X melalui Penerapan Dropout Layer
Tahun 2026 · Penulis: Lintang Tamariz
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/10119
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
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.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,821
Tahun 2025 · Penulis: Leonardus Virmus Danar Kusuma Putra
Optimasi Face Gender Recognition Menggunakan VGG-16 dengan Integrasi Spatial Attention Block dan Channel Attention Block
Pengenalan gender dari wajah merupakan salah satu tantangan dalam bidang pengenalan citra wajah yang penting dalam berbagai aplikasi, seperti sistem keamanan, personalisasi layanan, dan interaksi manusia dan komputer. Model VGG-16 sering digunakan dalam tugas
- Cosine 0,812
Tahun 2026 · Penulis: Hasyim Ashari Abdul Mukti
Optimasi Hyperparameter Bayesian pada Model BiLSTM untuk Prediksi Time-Series Workload: Studi Kasus Proactive Auto-scaler Kubernetes
Kubernetes auto-scaling melalui Horizontal Pod Autoscaler (HPA) bergantung pada mekanisme reaktif yang memantau metrik real-time seperti penggunaan CPU dan memori. Namun, pendekatan reaktif ini sering menyebabkan gangguan layanan dan ketidakstabilan sistem kar
- Cosine 0,811
Tahun 2026 · Penulis: Salsabil Hafadz Muttaqin
Perbandingan FastText, Word2Vec, dan GloVe sebagai Metode Representasi Dokumen untuk Model Klasifikasi IndoBERT
Di era digital, media sosial telah menjadi wadah utama bagi masyarakat untuk mengekspresikan kondisi emosional dan psikologis mereka. Hal ini menghasilkan kumpulan data teks yang melimpah namun sangat kompleks, terutama terkait isu kesehatan mental. Teks semac