INTERPRETABILITAS KLASIFIKASI TEKS KESEHATAN MENTAL BERBASIS TRANSFORMER MENGGUNAKAN LIME DAN KNOWLEDGE GRAPH

Abstract

Perkembangan model berbasis Transformer telah meningkatkan akurasi klasifikasi teks kesehatan mental secara signifikan, namun interpretabilitas model masih menjadi tantangan utama karena sifatnya yang black-box. Meskipun berbagai pendekatan XAI (Explainable Artificial Intelligence) telah dikembangkan, integrasi visualisasi pengetahuan konseptual untuk mendukung interpretasi hasil prediksi masih terbatas. Penelitian ini bertujuan mengembangkan kerangka post-hoc explainability dengan mengombinasikan metode LIME dan visualisasi Knowledge Graph untuk meningkatkan transparasi klasifikasi teks Kesehatan mental berbasis Transformer. Empat model Transformer yaitu BERT, RoBERTa, DistilBERT, dan XLNet, dievaluasi menggunakan metrics Accuracy, Precision, Recall, F1-Score, dan AUC. Hasil eksperimen menunjukan bahwa DistilBERT memberikan performa terbaik dengan akurasi 88.91%, precision 88.94%, recall 88.91%, F1-score 88.90%, dan AUC sebesar 92.60%. Pendekatan LIME digunakan untuk mengidentifikasi kontribusi fitur secara lokal terhadap prediksi, sementara Knowledge Graph memvisualisasikan hubungan semantik antar entitas yang berpengaruh dalam proses klasifikasi. Hasil visualisasi menunjukan bahwa fitur linguistik dengan muatan emosional tinggi memiliki peran dominan dalam penentuan kategori. Penelitian ini berkontribusi dengan menyediakan kerangka interpretabilitas berbasis visual yang mendukung transparasi model. Pendekatan ini berpotensi mendukung pengembangan sistem deteksi kesehatan mental berbasis AI yang lebih transparan, dapat dipercaya, dan berorientasi pada prinsip human-centered AI.
    
Kata Kunci: Explainable AI, Knowledge Graph, Kesehatan Mental, LIME, Model Transformer