KLASIFIKASI DEPRESI MENGGUNAKAN SUPPORT VECTOR MACHINE: PENDEKATAN BERBASIS DATA TEXT MINING
DOI:
https://doi.org/10.59823/jopacs.v2i2.53Keywords:
Deteksi depresi, Klasifikasi, Machine Learning, SVM, Kesehatan MentalAbstract
Deteksi dini depresi merupakan tantangan penting dalam bidang kesehatan mental. Penelitian ini bertujuan untuk mengembangkan model klasifikasi yang dapat memprediksi depresi dengan tingkat akurasi tinggi menggunakan teknik klasifikasi data. Data kuesioner digunakan sebagai dasar untuk pengembangan model ini. Melalui proses pembersihan data, ekstraksi fitur, dan normalisasi, data disiapkan untuk pelatihan dan pengujian model. Pembagian data dilakukan dengan proporsi 80:20 antara data pelatihan dan data pengujian. K-fold cross-validation digunakan untuk memastikan generalisasi model. Selanjutnya, parameter SVM dioptimalkan menggunakan grid search dan cross-validation. Model dilatih dan dievaluasi menggunakan metrik evaluasi yang mencakup akurasi, presisi, recall, dan F1-Score. Hasil penelitian menunjukkan bahwa model klasifikasi depresi mencapai tingkat keakuratan, presisi, recall, dan F1-Score sebesar 100%. Implikasi hasil ini dalam praktik klinis dibahas, bersama dengan rekomendasi untuk penelitian lebih lanjut. Kesimpulannya, penelitian ini menunjukkan potensi besar dalam pengembangan model klasifikasi depresi yang akurat dan andal untuk meningkatkan deteksi dini dan intervensi depresi.
References
Aziz, F. (2021). Klasifikasi Aktivitas Manusia menggunakan metode Ensemble Stacking berbasis Smartphone. Journal.Unpacti.Ac.Id, 1(2), 53. http://journal.unpacti.ac.id/index.php/JSCE/article/view/171
Aziz, Firman. (2020). Klasifikasi Pelanggan Deposito Potensial menggunakan Ensembel Least Square Support Vector Machine. Journal of System and Computer Engineering, 1(1), 1. http://journal.unpacti.ac.id/index.php/JSCE/article/view/80
Budhi, B. (2024). KEEFEKTIFAN ANALISIS TRANSAKSIONAL FOKUS SKRIP PASIEN DEPRESI PRAJURIT, SUATU PENDEKATAN MIXED METHOD.
Hardiyanti, N, & Lawi, A, F. A. (n.d.). Classification of human activity based on sensor accelerometer and gyroscope using ensemble SVM method. Ieeexplore.Ieee.Org, 2018. Retrieved June 15, 2022, from https://ieeexplore.ieee.org/abstract/document/8878627/
Hardiyanti, Nurul, Lawi, A., Diaraya, & Aziz, F. (2018). Classification of Human Activity based on Sensor Accelerometer and Gyroscope Using Ensemble SVM method. Proceedings - 2nd East Indonesia Conference on Computer and Information Technology: Internet of Things for Industry, EIConCIT 2018, 304–307. https://doi.org/10.1109/EICONCIT.2018.8878627
Lawi, A., Idris Rifai Sarro, M., & Aziz, F. (2019). Classification of Firm External Audit Using Ensemble Support Vector Machine Method. https://doi.org/10.4108/eai.2-5-2019.2284605
Puspitasari, C. E., Andayani, T. M., & Irijanto, F. (2019). Pengaruh Keselamatan dan Kesehatan Kerja serta Beban Kerja terhadap Kinerja Pekerja Proyek Konstruksi. Ejurnal.Politeknikpratama.Ac.Id, 9(3), 182–191. https://doi.org/10.22146/jmpf.43187
Rijal, M., Aziz, F., & Abasa, S. (2024). PREDIKSI DEPRESI: INOVASI TERKINI DALAM KESEHATAN MENTAL MELALUI METODE MACHINE LEARNING. Journal Pharmacy and Application of Computer Sciences, 2(1), 9-14.
Untuk, D., Salah, M., Syarat, S., Gelar, M., Keperawatan, S., Keperawatan, J., Kedokteran, F., Ilmu, D., Uin, K., Makassar, A., & Sari, M. (n.d.). Analisis Kejadian Depresi dan Risiko Bunuh Diri menggunakan Buddy App pada Remaja di Wilayah Kota Makassar. Core.Ac.Uk. Retrieved June 12, 2024, from https://core.ac.uk/download/pdf/198227062.pdf
Wijayati, F., Nasir, T., Hadi, I., Keperawatan, J., Kemenkes Kendari, P., & Mandala Waluya, Stik. (n.d.). Faktor-faktor yang berhubungan dengan kejadian harga diri rendah pasien gangguan jiwa. Myjurnal.Poltekkes-Kdi.Ac.Id. Retrieved June 7, 2024, from https://myjurnal.poltekkes-kdi.ac.id/index.php/HIJP/article/view/234
Zebua, R., Khairunnisa, K., Hartatik, H., & Pariyadi, P. (2023). Fenomena Artificial Intelligence (Ai).
Make A Submission 
