PREDIKSI DEPRESI PADA TWEET BERBAHASA INDONESIA MENGGUNAKAN MODEL INDOBERTWEET DENGAN METODE EXPLAINABLE AI SHAP

Ayrisa Trianida, . (2026) PREDIKSI DEPRESI PADA TWEET BERBAHASA INDONESIA MENGGUNAKAN MODEL INDOBERTWEET DENGAN METODE EXPLAINABLE AI SHAP. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_123220193.pdf Download (123kB)
	Text Abstrak_123220193.pdf Download (149kB)
	Text Halaman Pengesahan Penguji dan Pembimbing_123220193.pdf Download (1MB)
	Text Daftar Isi_123220193.pdf Download (269kB)
	Text Daftar Pustaka_123220193.pdf Download (162kB)
	Text Naskah Tugas Akhir_Ayrisa Trianida_123220193.pdf Restricted to Repository staff only Download (8MB)

Abstract

Depresi merupakan gangguan kesehatan mental dengan prevalensi tinggi yang berdampak luas pada individu dan masyarakat. Meskipun banyak individu mengekspresikan kondisi psikologisnya melalui media sosial X (Twitter), deteksi dini masih terbatas karena stigma sosial dan rendahnya akses layanan kesehatan mental. Penelitian terdahulu pada bidang ini lebih berfokus pada peningkatan akurasi model tanpa menjelaskan pola bahasa yang mendasari hasil prediksi, sehingga model bersifat black box dan sulit dipercaya dalam konteks kesehatan mental yang sensitif.
Penelitian ini menerapkan model pra-latih IndoBERTweet yang dikombinasikan dengan metode Explainable Artificial Intelligence (XAI) berbasis Shapley Additive Explanations (SHAP) untuk mendeteksi dan menjelaskan prediksi depresi pada tweet berbahasa Indonesia. Data dikumpulkan melalui web scraping sebanyak 25.732 tweet dari platform X, kemudian diproses melalui preprocessing, pelabelan otomatis berbasis model emosi IndoBERT, dan fine-tuning IndoBERTweet untuk klasifikasi biner depresi dan normal.
Hasil evaluasi menunjukkan model mencapai akurasi 94,43% dengan weighted F1-Score 94,44%. Evaluasi correctness menggunakan metrik AOPC membuktikan token yang diidentifikasi SHAP benar-benar berpengaruh terhadap keputusan model dengan gap tertinggi sebesar 0,4051 pada K=12. Evaluasi coherence menunjukkan 12 dari 20 token SHAP teratas sangat sesuai dengan indikator klinis DSM-5, seperti berduka, hampa, sedih, menyesal, bersalah, kesepian, gagal, lelah, kehilangan, dan kecewa. Penelitian ini membuktikan bahwa SHAP mampu menghasilkan penjelasan yang valid secara statistik dan koheren dengan pengetahuan domain psikologi.

Kata Kunci: Depresi, IndoBERTweet, Explainable Artificial Intelligence, SHAP, NLP

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Ayrisa Trianida (Penulis - 123220193) Dessyanto Boedi Prasetyo (Pembimbing)
Uncontrolled Keywords:	Depresi, IndoBERTweet, Explainable Artificial Intelligence, SHAP, NLP
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	13 Mar 2026 01:10
Last Modified:	13 Mar 2026 01:10
URI:	http://eprints.upnyk.ac.id/id/eprint/47355

Actions (login required)

View Item