PERBANDINGAN KINERJA MODEL MACHINE LEARNING UNTUK SENTIMEN ANALISIS ISU KESEHATAN MENTAL DI FORUM KESEHATAN ONLINE

Abstract

Kesehatan mental merupakan aspek penting dalam kehidupan manusia, namun sering kali kurang mendapat perhatian karena adanya stigma sosial dan keterbatasan akses layanan profesional. Di era digital, banyak individu akhirnya menjadikan forum daring seperti Quora dan Reddit sebagai ruang aman untuk mengekspresikan emosi, berbagi pengalaman, serta mencari dukungan. Penelitian ini hadir untuk memahami lebih dalam suara-suara tersebut melalui analisis sentimen, dengan tujuan menggambarkan kondisi emosional masyarakat sekaligus mengembangkan model machine learning yang mampu mengidentifikasi pola sentimen secara akurat. Menggunakan kerangka kerja CRISP-DM, penelitian ini mengumpulkan 2.000 ulasan terkait isu kesehatan mental, kemudian melakukan preprocessing, pelabelan sentimen berbasis leksikon InSet, dan pemodelan menggunakan lima algoritma: Bernoulli Naive Bayes, Decision Tree, Logistic Regression, XGBoost, dan IndoBERT. Hasil analisis menunjukkan bahwa percakapan daring didominasi oleh sentimen negatif seperti depresi, kecemasan, dan pikiran bunuh diri, yang menggambarkan adanya kebutuhan emosional yang besar dalam komunitas digital ini. Dari hasil evaluasi model, Logistic Regression menunjukkan akurasi tertinggi sebesar 72%, sementara XGBoost memberikan stabilitas terbaik melalui weighted F1-score tertinggi. IndoBERT unggul dalam mendeteksi sentimen positif berkat pemahaman konteks bahasa alami yang lebih mendalam. Temuan ini menegaskan bahwa analisis sentimen tidak hanya menjadi proses komputasional, tetapi juga sarana untuk memahami manusia emosi, beban, dan harapan mereka. Penelitian ini diharapkan dapat menjadi langkah awal menuju sistem pemantauan kesehatan mental yang lebih empatik dan responsif.