Analisis Perbandingan Model Machine Learning untuk Klasifikasi Sentimen Isu Kesehatan Mental

Yuwan Jumaryadi

doi:10.58602/chain.v4i4.331

Yuwan Jumaryadi ^{(Corresponding Author)} Universitas Mercu Buana

DOI: https://doi.org/10.58602/chain.v4i4.331

Keywords: Sentiment Analysis, Kesehatan Mental, Pembelajaran Mesin, Support Vector Machine, TF-IDF

Abstract

Media sosial, khususnya platform X, menjadi salah satu sarana masyarakat dalam menyampaikan opini mengenai berbagai isu, termasuk kesehatan mental. Informasi tersebut dapat dimanfaatkan untuk mengetahui persepsi masyarakat melalui analisis sentimen. Penelitian ini bertujuan membandingkan kinerja beberapa algoritma pembelajaran mesin dalam mengklasifikasikan sentimen terhadap isu kesehatan mental pada platform X. Data dikumpulkan menggunakan teknik web crawling berdasarkan kata kunci "kesehatan mental" selama periode 4 April hingga 28 Mei 2025. Pelabelan sentimen dilakukan secara otomatis menggunakan metode VADER (Valence Aware Dictionary and sEntiment Reasoner) sehingga diperoleh 4.906 data yang terdiri atas 3.415 sentimen positif dan 1.491 sentimen negatif. Tahap preprocessing meliputi cleaning, case folding, normalisasi, tokenizing, stopword removal, dan stemming, kemudian dilakukan ekstraksi fitur menggunakan TF-IDF. Proses klasifikasi dilakukan menggunakan algoritma Support Vector Machine (SVM), Random Forest, Naïve Bayes, dan Logistic Regression dengan pembagian data latih dan data uji sebesar 80:20. Hasil pengujian menunjukkan bahwa algoritma Support Vector Machine (SVM) memberikan kinerja terbaik dibandingkan algoritma lainnya dengan nilai akurasi sebesar 81,57%, presisi 83,29%, recall 81,57%, dan F1-score 79,22%. Hasil penelitian menunjukkan bahwa SVM merupakan algoritma yang paling efektif dalam mengklasifikasikan sentimen terkait isu kesehatan mental pada platform X.

References

R. R. Septa and B. Kusumasari, “Opini Publik Terkait Tren Isu Kesehatan: Analisis Konten pada Twitter dan Portal Berita di Yogyakarta,” PESIRAH J. Adm. Publik, vol. 2, no. 2, pp. 34–43, 2023, doi: 10.47753/pjap.v2i2.34.

M. D. Al Fahreza, A. Luthfiarta, M. Rafid, and M. Indrawan, “Analisis Sentimen: Pengaruh Jam Kerja Terhadap Kesehatan Mental Generasi Z,” J. Appl. Comput. Sci. Technol., vol. 5, no. 1, pp. 16–25, 2024.

Y. Jumaryadi, R. Fajriah, U. Salamah, B. Priambodo, and A. Lystha, “Machine Learning Approaches to Sentiment Analysis of Mental Health Discussions on Platform X,” PIKSEL Penelit. Ilmu Komput. Sist. Embed. Log., vol. 13, no. 2, pp. 235–246, 2025, doi: 10.33558/piksel.v13i2.11350.

I. G. B. A. Budaya, L. Putu Safitri Pratiwi, and D. Panji Agustino, “Klasifikasi Sentimen untuk Analisis Kepuasan Pelayanan Puskesmas Berbasis Arsitektur LSTM,” Smart Comp Jurnalnya Orang Pint. Komput., vol. 12, no. 4, 2023, doi: 10.30591/smartcomp.v12i4.5361.

E. S. Aritonang and Y. Jumaryadi, “Analisis Sentimen Ulasan Pengguna QRIS pada Aplikasi GoPay : Studi Komparatif Algoritma Support Vector Machine dan Decision Tree Berbasis TF – IDF,” TIN Terap. Inform. Nusant., vol. 6, no. 12, pp. 2323–2330, 2026, doi: 10.47065/tin.v6i12.9582.

Ferdi and Vina Ayumi, “Analisa Sentimen Mengenai Kenaikan Harga Bbm Menggunakan Metode Naïve Bayes Dan Support Vector Machine,” JSAI (Journal Sci. Appl. Informatics), vol. 6, no. 1, pp. 1–10, 2023, doi: 10.36085/jsai.v6i1.4628.

N. Zelina and A. Afiyati, “Analisis Sentimen Ulasan Pengguna Aplikasi M-Banking Menggunakan Algoritma Support Vector Machine dan Decision Tree,” J. Linguist. Komputasional, vol. 7, no. 1, pp. 31–37, 2024, doi: 10.26418/jlk.v7i1.169.

I. A. Kashim, “Public Health Surveillance for COVID-19 Using Twitter Sentiment Analysis,” Texila Int. J. Public Heal., vol. 12, no. 3, 2024, doi: 10.21522/TIJPH.2013.12.03.Art034.

A. I. Pandesenda, R. R. Yana, E. A. Sukma, A. Yahya, P. Widharto, and A. N. Hidayanto, “Sentiment Analysis of Service Quality of Online Healthcare Platform Using Fast Large-Margin,” in Proceedings - 2nd International Conference on Informatics, Multimedia, Cyber, and Information System, ICIMCIS 2020, Jakarta: IEEE, 2020, pp. 121–125. doi: 10.1109/ICIMCIS51567.2020.9354295.

O. Oyebode et al., “Health, psychosocial, and social issues emanating from the COVID-19 pandemic based on social media comments: Text mining and thematic analysis approach,” JMIR Med. Informatics, vol. 9, no. 4, pp. 1–26, 2021, doi: 10.2196/22734.

A. Ruangkanjanases and T. Hariguna, “Exploring the synergy of guided numeric and text analysis in e-commerce: a comprehensive investigation into univariate and multivariate distributions,” PeerJ Comput. Sci., vol. 10, pp. 1–23, 2024, doi: 10.7717/peerj-cs.2288.

Y. Jumaryadi, R. Meiyanti, R. Fajriah, A. N. Mahsyar, and P. S. Anggraeni, “Implementasi Algoritma Random Forest untuk Analisis Sentimen Ulasan Pengguna Aplikasi Merdeka Mengajar,” Bull. Comput. Sci. Res., vol. 5, no. 4, pp. 813–820, 2025, doi: 10.47065/bulletincsr.v5i4.530.

B. K. Subrata, Y. Jumaryadi, F. P. Sulistyo, and S. Rahayu, “Analisis Sentimen Masyarakat terhadap Profesionalisme Generasi Z di Dunia Kerja Menggunakan Support Vector Machine ( SVM ),” J. Artif. Intell. Technol. Inf., vol. 4, no. 2, pp. 314–329, 2026.

K. Novianto, H. Herlawati, and A. Hidayat, “Klasifikasi Sentimen iPhone Bekas di Tokopedia menggunakan Naïve Bayes dan Support Vector Machine,” J. Ilm. FIFO, vol. 17, no. 2, pp. 212–224, 2025, doi: 10.22441/fifo.2025.v17i2.010.

M. Müller and M. Salathé, “Addressing machine learning concept drift reveals declining vaccine sentiment during the COVID-19 pandemic,” arXiv Prepr., pp. 1–12, 2020, [Online]. Available: http://arxiv.org/abs/2012.02197

O. A. Malik, N. Ismail, B. R. Hussein, and U. Yahya, “Automated real-time identification of medicinal plants species in natural environment using deep learning models—a case study from Borneo Region,” Plants, vol. 11, no. 15, p. 1952, 2022.

D. W. Seno and A. Wibowo, “Analisis Sentimen Data Twitter Tentang Pasangan Capres-Cawapres Pemilu 2019 Dengan Metode Lexicon Based Dan Support Vector Machine,” J. Ilm. FIFO, vol. 11, no. 2, p. 144, 2019, doi: 10.22441/fifo.2019.v11i2.004.