Klasifikasi Gangguan Mental Menggunakan Metode TabularBERT Dengan Explainable AI Untuk Model Interpretabilitas

Abstrak

Gangguan mental merupakan masalah kesehatan yang memerlukan deteksi dini dan penanganan tepat. Penelitian ini mengembangkan model klasifikasi gangguan mental menggunakan metode TabularBERT serta mengevaluasi pengaruh Principal Component Analysis (PCA) dalam meningkatkan performa. Dataset gejala gangguan mental digunakan dengan skema train-test split, dan evaluasi dilakukan melalui metrik akurasi, presisi, recall, F1-score, serta visualisasi confusion matrix. Interpretabilitas model dianalisis menggunakan Local Interpretable Model-Agnostic Explanations (LIME). Hasil menunjukkan penerapan PCA meningkatkan performa model secara konsisten. Analisis LIME memperlihatkan perbedaan kontribusi fitur antara model dengan dan tanpa PCA. Penelitian ini menegaskan bahwa kombinasi TabularBERT, PCA, dan LIME tidak hanya menghasilkan model klasifikasi berkinerja tinggi tetapi juga mendukung interpretabilitas, sehingga berpotensi diterapkan dalam sistem pendukung keputusan di bidang kesehatan mental untuk meningkatkan kualitas deteksi dan penanganan gangguan mental.

Identifier

• DOI: https://doi.org/10.33364/algoritma/v.22-2.2925
• OpenAlex: https://openalex.org/W4417028862