Deteksi Stres Teks Percakapan Digital Menggunakan Model LSTM
DOI:
https://doi.org/10.25077/TEKNOSI.v12i1.2026.152-159Kata Kunci:
Deteksi Stres, Long Short-Term Memory (LSTM), Pemrosesan Bahasa Alami, Kesehatan Mental, Analisis HyperparameterAbstrak
Deteksi dini stres melalui teks percakapan digital sangat penting untuk kesehatan mental, namun penelitian dalam bahasa Indonesia masih terbatas. Studi ini merancang dan mengevaluasi model deep learning berbasis Long Short-Term Memory (LSTM) untuk mengklasifikasikan teks berbahasa Indonesia sebagai stres atau non-stres. Model dilatih dan diuji menggunakan dataset berlabel sebanyak 11.000 sampel. Metodologi mencakup pra-pemrosesan teks, pelatihan model, dan analisis sensitivitas hyperparameter seperti learning rate, batch size, dan jumlah unit LSTM untuk menemukan konfigurasi optimal. Model yang diusulkan menunjukkan performa yang kuat dengan akurasi 86,48% dan F1-Score yang seimbang sebesar 0,87 (non-stres) dan 0,86 (stres), serta mengungguli beberapa baseline sebelumnya. Analisis kurva pelatihan mengidentifikasi adanya overfitting yang jelas, sementara analisis sensitivitas hyperparameter mengungkap bahwa konfigurasi utama dengan 64 unit LSTM bersifat sub-optimal—kinerja meningkat dengan penggunaan 128 unit LSTM atau batch size 128. Penelitian ini menegaskan efektivitas LSTM untuk deteksi stres pada teks berbahasa Indonesia, sekaligus menunjukkan kebutuhan optimasi hyperparameter lebih lanjut dan perlunya teknik penanganan overfitting yang lebih kuat.Referensi
T. Zhang, A. M. Schoene, S. Ji, and S. Ananiadou, ‘Natural language processing applied to mental illness detection: a narrative review’, Dec. 01, 2022, Nature Research. doi: 10.1038/s41746-022-00589-7.
A. Sherstinsky, ‘Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) Network’, Jul. 2023, doi: 10.1016/j.physd.2019.132306.
M. Dwirizqy Wimbassa, T. Marsyah Noor, S. Yasara, and T. Muhammad Arsyah, ‘Emotional Text Detection dengan Long Short Term Memory (LSTM) 1’, Jurnal Format, vol. 12, 2023.
M. Liang and T. Niu, ‘Research on Text Classification Techniques Based on Improved TF-IDF Algorithm and LSTM Inputs’, in Procedia Computer Science, Elsevier B.V., 2022, pp. 460–470. doi: 10.1016/j.procs.2022.10.064.
K. S. Witanto, N. A. Sanjaya ER, A. E. Karyawati, I. G. A. G. A. Kadyanan, I. K. G. Suhartana, and L. G. Astuti, ‘Implementasi LSTM Pada Analisis Sentimen Review Film Menggunakan Adam Dan RMSprop Optimizer’, JELIKU (Jurnal Elektronik Ilmu Komputer Udayana), vol. 10, no. 4, p. 351, Jun. 2022, doi: 10.24843/jlk.2022.v10.i04.p05.
A. Lisanthoni et al., ‘Penerapan LSTM dalam Analisis Sentimen Berbasis Lexicon untuk Meningkatkan Sistem Pemantauan Citra PLN di Platform Digital’, Seminar Nasional Sains Data, vol. 2024.
L. Ilias, S. Mouzakitis, and D. Askounis, ‘Calibration of Transformer-based Models for Identifying Stress and Depression in Social Media’, Jul. 2023, doi: 10.1109/TCSS.2023.3283009.
S. Inamdar, R. Chapekar, S. Gite, and B. Pradhan, ‘Machine Learning Driven Mental Stress Detection on Reddit Posts Using Natural Language Processing’, Human-Centric Intelligent Systems, vol. 3, no. 2, pp. 80–91, Mar. 2023, doi: 10.1007/s44230-023-00020-8.
X. Wan and L. Tian, ‘User Stress Detection Using Social Media Text: A Novel Machine Learning Approach’, International Journal of Computers, Communications and Control, vol. 19, no. 5, pp. 1–15, 2024, doi: 10.15837/ijccc.2024.5.6772.
T. Nijhawan, G. Attigeri, and T. Ananthakrishna, ‘Stress detection using natural language processing and machine learning over social interactions’, J Big Data, vol. 9, no. 1, Dec. 2022, doi: 10.1186/s40537-022-00575-6.
M. Krichen and A. Mihoub, ‘Long Short-Term Memory Networks: A Comprehensive Survey’, Sep. 01, 2025, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/ai6090215.
K. Taha, P. D. Yoo, C. Yeun, D. Homouz, and A. Taha, ‘A comprehensive survey of text classification techniques and their research applications: Observational and experimental insights’, Nov. 01, 2024, Elsevier Ireland Ltd. doi: 10.1016/j.cosrev.2024.100664.
F. Zakariya, J. Zeniarja, and S. Winarno, ‘Pengembangan Chatbot Kesehatan Mental Menggunakan Algoritma Long Short-Term Memory’, Jurnal Media Informatika Budidarma, vol. 8, no. 1, p. 251, Jan. 2024, doi: 10.30865/mib.v8i1.7177.
R. Ilyas, F. Kasyidi, and M. N. Eriyadi, ‘Penanganan Overfitting pada Klasifikasi Berita Hoax berbasis Neural Networks dengan Dropout dan Regularization’, vol. 10, no. 2, pp. 156–162, 2024, doi: 10.31294/jtk.v4i2.
N. Nordin, Z. Zainol, M. H. Mohd Noor, and L. F. Chan, ‘An explainable predictive model for suicide attempt risk using an ensemble learning and Shapley Additive Explanations (SHAP) approach’, Asian J Psychiatr, vol. 79, p. 103316, 2023, doi: 10.1016/j.ajp.2022.103316.
J. Cahyani, S. Mujahidin, and T. P. Fiqar, ‘Implementasi Metode Long Short Term Memory (LSTM) untuk Memprediksi Harga Bahan Pokok Nasional’, Jurnal Sistem dan Teknologi Informasi (JustIN), vol. 11, no. 2, p. 346, Jul. 2023, doi: 10.26418/justin.v11i2.57395.
Unduhan
Telah diserahkan
Diterima
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Jurnal Nasional Teknologi dan Sistem Informasi
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.
Kami menyatakan bahwa:
- Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
- Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
- Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.
Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.
Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.
Hak / Syarat dan Ketentuan yang dipertahankan :
- Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
- Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
- Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.
This work is licensed under a 