ANALISIS KOMPARATIF ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI BINER STATUS KESEHATAN MENTAL PADA TEKS MEDIA SOSIAL

Abstract

Kesehatan mental merupakan isu global yang krusial, di mana media sosial menjadi wadah utama bagi pengguna untuk mengekspresikan kondisi psikologisnya. Namun, tingginya volume data teks dan ketidakseimbangan kelas gangguan mental membuat deteksi secara manual menjadi tidak efisien dan rentan terhadap subjektivitas. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma Machine Learning, yakni Logistic Regression dan Random Forest, dalam mengklasifikasikan status kesehatan mental secara biner. Metodologi yang digunakan meliputi pemrosesan 53.043 data teks berbahasa Inggris yang disederhanakan menjadi dua kelas, yaitu normal dan not_normal. Teks tersebut diekstraksi menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) dengan batasan 8.000 fitur unigram dan bigram, kemudian dibagi menjadi 80% data latih dan 20% data uji secara stratifikasi. Hasil pengujian menunjukkan bahwa kedua model berkinerja stabil dan sangat baik. Random Forest sedikit lebih unggul dengan tingkat akurasi 93,68%, dibandingkan Logistic Regression yang mencapai 93,65%. Kedua model sama-sama mencatatkan F1-Score sebesar 94%. Pendekatan ini terbukti efisien dan sangat akurat sebagai landasan sistem deteksi dini kesehatan mental secara otomatis