EUVIMEDEUVIMED entdecken
Crossref

Analisis Klasifikasi Teks Indikasi Gangguan Kesehatan Mental pada Platform X Berbahasa Indonesia Menggunakan Zero-Shot Classification dan Model Transformer

Yeni Ckrisdayanti Manalu, Wanda Surianto, Ridha Ferdhiana

Journal of Data Analysis · 27.06.2026 · 01-13

DOI: 10.24815/jda.v9i1.2156 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Journal of Data Analysis, online erschienen am 27.06.2026. Verfasst von Yeni Ckrisdayanti Manalu und 2 weiteren Autor:innen.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Media sosial X (Twitter) menjadi salah satu sarana yang digunakan masyarakat untuk mengekspresikan kondisi emosional dan psikologis, sehingga berpotensi dimanfaatkan dalam deteksi gangguan kesehatan mental. Penelitian ini bertujuan membandingkan kinerja pendekatan zero-shot classification dan model berbasis transformer dalam mengklasifikasikan teks berbahasa Indonesia yang mengindikasikan gangguan kesehatan mental. Data penelitian terdiri atas 7.796 tweet yang diperoleh melalui web scraping berdasarkan kata kunci terkait kesehatan mental. Data diperoleh, diberi label menggunakan zero-shot classification, kemudian dibagi menjadi data latih dan data uji dengan rasio 80:20. Model yang dievaluasi meliputi IndoBERT, DistilBERT-ID, dan RoBERTa-ID menggunakan metrik akurasi, macro F1-score, dan weighted F1-score. Hasil penelitian menunjukkan bahwa IndoBERT memberikan kinerja terbaik dengan akurasi 77,95%, macro F1-score 0,797, dan weighted F1-score 0,780. Sementara itu, pendekatan zero-shot classification menunjukkan performa yang lebih rendah, terutama pada kategori Normal. Hasil ini menunjukkan bahwa model berbasis transformer, khususnya IndoBERT, efektif untuk mengklasifikasikan teks yang mengindikasikan gangguan kesehatan mental pada media sosial berbahasa Indonesia. Social media platform X (Twitter) has become a medium through which individuals express their emotional and psychological conditions, making it a potential source for mental illness detection. This study aims to compare the performance of a zero-shot classification approach and transformer-based models in classifying Indonesian-language texts that indicate mental illness. The dataset consisted of 7,796 tweets collected through web scraping using mental illness-related keywords. The data were preprocessed, automatically labeled using zero-shot classification, and then divided into training and testing sets with an 80:20 ratio. The evaluated models included IndoBERT, DistilBERT-ID, and RoBERTa-ID, using accuracy, macro F1-score, and weighted F1-score as evaluation metrics. The results showed that IndoBERT outperformed the other models, achieving an accuracy of 77.95%, a macro F1-score of 0.797, and a weighted F1-score of 0.780. In contrast, the zero-shot classification approach demonstrated lower performance, particularly in the Normal category. These findings indicate that transformer-based models, especially IndoBERT, are effective for classifying Indonesian social media texts that indicate mental illness.

Zitieren

APA

Manalu, Y. C., Surianto, W., & Ferdhiana, R. (2026). Analisis Klasifikasi Teks Indikasi Gangguan Kesehatan Mental pada Platform X Berbahasa Indonesia Menggunakan Zero-Shot Classification dan Model Transformer. Journal of Data Analysis, 01-13. https://doi.org/10.24815/jda.v9i1.2156

Vancouver

Manalu YC, Surianto W, Ferdhiana R. Analisis Klasifikasi Teks Indikasi Gangguan Kesehatan Mental pada Platform X Berbahasa Indonesia Menggunakan Zero-Shot Classification dan Model Transformer. Journal of Data Analysis. 2026:01-13. doi:10.24815/jda.v9i1.2156

BibTeX
@article{Manalu2026,
  author = {Manalu, Yeni Ckrisdayanti and Surianto, Wanda and Ferdhiana, Ridha},
  title = {Analisis Klasifikasi Teks Indikasi Gangguan Kesehatan Mental pada Platform X Berbahasa Indonesia Menggunakan Zero-Shot Classification dan Model Transformer},
  journal = {Journal of Data Analysis},
  year = {2026},
  pages = {01--13},
  doi = {10.24815/jda.v9i1.2156}
}
Kostenlos starten →