Analisis Sentimen Dampak Media Sosial Terhadap Kesehatan Mental Menggunakan Algoritma Support Vector Machine

Abstrak

Penelitian ini bertujuan membangun model analisis sentimen untuk mengklasifikasikan kondisi kesehatan mental berdasarkan teks media sosial menggunakan algoritma Support Vector Machine (SVM). Meskipun model berbasis Transformer saat ini menjadi pendekatan dominan dalam klasifikasi teks, penelitian ini memilih SVM karena memiliki efisiensi komputasi yang lebih tinggi, efektif dalam menangani data teks berdimensi tinggi yang direpresentasikan dengan TF-IDF, serta lebih mudah diimplementasikan pada lingkungan dengan keterbatasan sumber daya komputasi. Penelitian menggunakan dataset publik Sentiment Analysis for Mental Health dari Kaggle yang terdiri atas 52.681 data berlabel Normal, Depression, Suicidal, Anxiety, Bipolar, Stress, dan Personality Disorder. Tahapan penelitian meliputi preprocessing teks, ekstraksi fitur menggunakan TF-IDF, pelatihan model, optimasi hyperparameter, dan evaluasi menggunakan accuracy, precision, recall, F1-score, serta Macro Average AUC. Hasil penelitian menunjukkan bahwa model SVM memperoleh accuracy sebesar 75,60%, precision 75,54%, recall 75,60%, F1-score 75,42%, dan Macro Average AUC sebesar 0,9529. Hasil tersebut menunjukkan bahwa SVM mampu memberikan performa klasifikasi yang baik pada data teks kesehatan mental dengan kompleksitas komputasi yang relatif rendah, sehingga dapat menjadi alternatif yang efisien untuk pengembangan sistem analisis sentimen berbasis media sosial.

Identifier

• OpenAlex: https://openalex.org/W7172310921
• DOI: https://doi.org/10.33364/algoritma/v.23-1.3573