DETEKSI DEPRESI DAN KECEMASAN PENGGUNA TWITTER MENGGUNAKAN BIDIRECTIONAL LSTM
DOI:
https://doi.org/10.31328/ciastech.v0i0.3321Keywords:
depresi dan kecemasan, deep learning, RNN, BiLSTMAbstract
Gangguan mental yang paling umum dialami seseorang dalam kehidupan sehari-hari adalah depresi dan kecemasan. Stigma sosial membuat penderita depresi dan kecemasan diabaikan lingkungan sekitarnya. Oleh karena itu, mereka beralih ke media sosial seperti Twitter untuk mencari dukungan. Mendeteksi pengguna dengan potensi gangguan depresi dan kecemasan melalui data tekstual tidaklah mudah karena mereka tidak secara eksplisit berbicara tentang kondisi mentalnya. Dibutuhkan pemodelan yang mampu mengenali potensi pengguna yang mengalami depresi dan kecemasan pada data tekstual sehingga mereka mendapatkan penanganan lebih awal. Hal ini dapat dicapai dengan teknik klasifikasi teks. Salah satu pendekatan yang dapat digunakan adalah LSTM sebagai pengembangan aristektur RNN dalam menangani masalah vanishing gradient. LSTM standar tidak cukup menangkap informasi karena hanya mampu membaca kalimat dari satu arah. Sedangkan Bidirectional LSTM (BiLSTM) merupakan LSTM dua arah yang mampu menangkap informasi tanpa mengabaikan konteks dan arti dari suatu kalimat. Model BiLSTM yang diusulkan menunjukkan performa yang lebih tinggi daripada semua model machine learning tradisional dan LSTM standar. Berdasarkan hasil pengujian, akurasi tertinggi yang diperoleh BiLSTM mencapai 94.12%. Penelitian ini telah berhasil mengembangkan model untuk deteksi depresi dan kecemasan pengguna twitter.References
V. del Barrio, “Diagnostic and Statistical Manual of Mental Disorders,†in Encyclopedia of Applied Psychology, Elsevier, 2004, pp. 607–614.
D. Bolton, What is Mental Disorder? Oxford University Press, 2008.
A. Husseini Orabi, P. Buddhitha, M. Husseini Orabi, and D. Inkpen, “Deep Learning for Depression Detection of Twitter Users,†in Proceedings of the Fifth Workshop on Computational Linguistics and Clinical Psychology: From Keyboard to Clinic, 2018, vol. 19, no. 2, pp. 88–97, doi: 10.18653/v1/W18-0609.
World Health Organization, “World Health Statistics - Monitoring Health For The SDGs,†World Heal. Organ., p. 1.121, 2016.
“Centers for Disease Control and Prevention,†Suicide: Facts at a glance [fact sheet], 2015.
A. Yates, A. Cohan, and N. Goharian, “Depression and Self-Harm Risk Assessment in Online Forums,†in Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing, 2017, pp. 2968–2978, doi: 10.18653/v1/D17-1322.
M. A. S. Lexis et al., “Prevention of long-term sickness absence and major depression in high-risk employees: a randomised controlled trial,†Occup. Environ. Med., vol. 68, no. 6, pp. 400–407, Jun. 2011, doi: 10.1136/oem.2010.057877.
J. Camacho-collados, L. Espinosa-anke, and D. Owen, “Towards Preemptive Detection of Depression and Anxiety in Twitter,†in Social Media Mining for Health Applications (#SMM4H) Workshop & Shared Task, 2020, pp. 82–89.
P. Arora and P. Arora, “Mining Twitter Data for Depression Detection,†in 2019 International Conference on Signal Processing and Communication (ICSC), Mar. 2019, pp. 186–189, doi: 10.1109/ICSC45622.2019.8938353.
G. Xu, Y. Meng, X. Qiu, Z. Yu, and X. Wu, “Sentiment analysis of comment texts based on BiLSTM,†IEEE Access, vol. 7, no. c, pp. 51522–51532, 2019, doi: 10.1109/ACCESS.2019.2909919.
F. A. Gers, J. Schmidhuber, and F. Cummins, “Learning to Forget: Continual Prediction with LSTM,†Neural Comput., vol. 12, no. 10, pp. 2451–2471, Oct. 2000, doi: 10.1162/089976600300015015.
D. M. R. Rianto, L. P. Wisesa, and S. Hans, “Depression and Anxiety in Twitter (ID),†Kaggle, 2021. https://www.kaggle.com/stevenhans/depression-and-anxiety-in-twitter-id (accessed Nov. 11, 2021).
S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,†Neural Comput., vol. 9, no. 8, pp. 1735–1780, 1997, doi: 10.1162/neco.1997.9.8.1735.
D. E. Rumelhart, G. E. Hinton, and R. J. Williams, “Learning Internal Representations by Error Propagation,†in Readings in Cognitive Science: A Perspective from Psychology and Artificial Intelligence, MIT Press, 1987, pp. 318–362.
M. Kim and K.-H. Kang, “Comparison of Neural Network Techniques for Text Data Analysis,†Int. J. Adv. Cult. Technol., vol. 8, no. 2, pp. 231–238, 2020, doi: 10.17703/IJACT.2020.8.2.231.
A. Saxena and T. R. Sukumar, “Predicting bitcoin price using lstm And Compare its predictability with arima model,†Int. Journa Pure Appl. Math., vol. 119, no. 17, pp. 2591–2600, 2018.
Z. Zhao, W. Chen, X. Wu, P. C. Y. Chen, and J. Liu, “LSTM network: A deep learning approach for Short-term traffic forecast,†IET Intell. Transp. Syst., vol. 11, no. 2, pp. 68–75, Mar. 2017, doi: 10.1049/iet-its.2016.0208.
R. Jozefowicz, W. Zaremba, and I. Sutskever, “An empirical exploration of Recurrent Network architectures,†in 32nd International Conference on Machine Learning, ICML 2015, 2015, vol. 3, pp. 2332–2340.
H. Elfaik and E. H. Nfaoui, “Deep Bidirectional LSTM Network Learning-Based Sentiment Analysis for Arabic Text,†J. Intell. Syst., vol. 30, no. 1, pp. 395–412, Jan. 2021, doi: 10.1515/jisys-2020-0021.
