Stress Detection in Digital Conversational Text Using a Long Short-Term Memory (LSTM) Model
DOI:
https://doi.org/10.25077/TEKNOSI.v12i1.2026.152-159Keywords:
Stress Detection, Long Short-Term Memory (LSTM), Natural Languange Processing, Mental Health, Hyperparameter AnalysisAbstract
Early stress detection through digital conversational text is crucial for mental health, but research in Indonesian is still limited. This study designs and evaluates a Long Short-Term Memory (LSTM)-based deep learning model to classify Indonesian text as stressful or non-stressful. The model was trained and tested using a labeled dataset of 11,000 samples. The methodology included text preprocessing, model training, and sensitivity analysis of hyperparameters such as learning rate, batch size, and number of LSTM units to find the optimal configuration. The proposed model demonstrated strong performance with an accuracy of 86.48% and a balanced F1-Score of 0.87 (non-stress) and 0.86 (stress), outperforming several previous baselines. Training curve analysis identified clear overfitting, while hyperparameter sensitivity analysis revealed that the default configuration with 64 LSTM units was suboptimal—performance improved with the use of 128 LSTM units or a batch size of 128. This study confirms the effectiveness of LSTM for stress detection in Indonesian text, while also demonstrating the need for further hyperparameter optimization and the need for more robust overfitting handling techniques.References
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.
Downloads
Submitted
Accepted
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jurnal Nasional dan Sistem Informasi
This work is licensed under a Creative 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 