Deteksi Depresi & Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM

The 4th Conference on Innovation and Application of Science and Technology (CIASTECH 2021)

https://ciastech.widyagama.ac.id

Transcript

1. Deteksi Depresi & Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM Kuncahyo Setyo Nugroho, Ismail Akbar, Affi Nizar Suksmawati, Istiadi The 4th Conference on Innovation and Application of Science and Technology (CIASTECH) 15 Desember 2021
2. Pendahuluan Deteksi Depresi & Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM | CIASTECH 2021 • Gangguan mental yang paling umum adalah depresi dan kecemasan. (WHO, 2016) • Penderita depresi dan kecemasan beralih ke media sosial untuk mencari dukungan. • Diagnosis awal harus dilakukan tepat waktu. Photo by Nik Nik Shuliahin on Unsplash.
3. Kajian Pustaka Maret, 2019 Menggunakan NB, SVR, k-means clustering, SVM untuk deteksi depresi pengguna Twitter. SVR terbaik, akurasi 79,7% Juni, 2019 Menggunakan random forest untuk deteksi depresi social media networks. April, 2019 NB, RNN, CNN, LSTM, BiLSTM untuk analisis sentiment, BiLSTM terbaik. Deteksi Depresi & Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM | CIASTECH 2021
4. Metode Penelitian Deteksi Depresi & Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM | CIASTECH 2021 Gambar 1. Alur Penelitian Accuracy, recall, dan precision Baseline model (machine learning) & LSTM, BiLSTM Menghapus angka, URL, mention / username, dan tanda baca Teknik scraping Output detection
5. Dataset Deteksi Depresi & Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM | CIASTECH 2021 Index Tweet Label 5 ngga enak bgt akhir2 ini rasanya, sering cemas berlebihan 1 126 Gak tau kenapa perasaan aku sedih gelisah y 1 273 Sedikit cemas banyak rindunya.... 0 1789 dulu dipaksa untuk menjadi yang paling cemas, sekarang terpaksa untuk jadi yang paling ikhlas 😊 0 • Jumlah tweet 2.751 Bahasa Indonesia yang telah dianotasi. • Label 1 → potensi depresi atau kecemasan, label 0 → normal. • Dataset dibagi: data latih, data uji, dan data validasi. Gambar 2. Distribusi tweet berdasarkan label Link dataset (Kaggle, 2021).
6. Arsitektur LSTM Long Short-Term Memory (LSTM) • Pengembangan arsitektur RNN untuk menangani permasalahan vanishing gradient. • Menggunakan blok memori dengan menakisme gerbang: forget gate, input gate, dan output gate. • Terdiri dari neuron yang diproses secara berulang (sekuensial). Deteksi Depresi & Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM | CIASTECH 2021 Gambar 3. Ilustrasi neuron tunggal pada arsitektur LSTM
7. Arsitektur Bidirectional LSTM • LSTM tidak cukup memperhitungkan informasi dari kata terakhir karena hanya membaca kalimat dari satu arah saja. • Bidirectional LSTM (BiLSTM) membaca kalimat dari dua arah sekaligus. Secara teknis menggunakan dua jaringan LSTM terpisah. Deteksi Depresi & Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM | CIASTECH 2021 Gambar 4. Arsitektur BiLSTM yang diusulkan
8. Hasil: Baseline Model Deteksi Depresi & Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM | CIASTECH 2021
9. Hasil: Perbandingan LSTM & BiLSTM Deteksi Depresi & Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM | CIASTECH 2021 LSTM BiLSTM (a) Akurasi & validasi pelatihan, (b) training & validation loss
10. Kesimpulan & Saran • BiLSTM menunjukkan performa yang lebih tinggi dari semua baseline model dan LSTM standar. • Kemampuan BiLSTM untuk membaca kalimat dari dua arah mampu menangkap informasi konteks yang lebih kaya untuk deteksi depresi dan kecemasan pengguna Twitter. • Selanjutnya, diperlukan kombinasi word embedding dan melakukan hyperparameter- tuning untuk mencapai performa yang lebih baik. Deteksi Depresi & Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM | CIASTECH 2021
11. CREDITS: This presentation template was created by Slidesgo, including icons by Flaticon and infographics & images by Freepik. Terima Kasih ksnugroho26@gmail.com Deteksi Depresi & Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM | CIASTECH 2021