Early Detection of Mental Health Disorders based on Sentiment using Stacking Method

Abstract

Abstrak Gangguan kesehatan mental merupakan masalah serius yang semakin meningkat secara global, termasuk di Indonesia. Penelitian ini bertujuan untuk memprediksi gangguan mental melalui analisis sentimen dengan menggunakan pendekatan Stacking Classifier, yang menggabungkan algoritma Random Forest, Gradient Boosting Classifier, dan Logistic Regression. Dataset yang digunakan berasal dari berbagai platform media sosial, dengan data teks yang diklasifikasikan ke dalam tujuh kategori kesehatan mental, seperti depresi, kecemasan, dan gangguan kepribadian. Data diproses melalui tahap prapemrosesan, termasuk pembersihan, penyeimbangan, dan reduksi kata menggunakan algoritma TF-IDF. Hasil penelitian menunjukkan bahwa metode Stacking Classifier mampu mencapai akurasi sebesar 95,66%, dengan precision 95,63%, recall 95,66%, dan F1-Score 95,64%. Hasil ini lebih unggul dibandingkan algoritma individual yang diuji dalam penelitian. Temuan ini menunjukkan potensi besar analisis sentimen berbasis machine learning dalam membantu deteksi dini gangguan mental, sehingga dapat digunakan sebagai alat pendukung untuk meningkatkan diagnosis dan intervensi kesehatan mental secara lebih efektif. Kata kunci: kesehatan mental, analisis sentimen, stacking classifier, machine learning, prediksi kesehatan mental. Abstract Mental health disorders are a serious and growing global concern, including in Indonesia. This study aims to predict mental health disorders through sentiment analysis using the Stacking Classifier approach, which combines Random Forest, Gradient Boosting Classifier, and Logistic Regression algorithms. The dataset was sourced from various social media platforms, consisting of textual data classified into seven mental health categories, such as depression, anxiety, and personality disorders. The data underwent preprocessing steps, including cleaning, balancing, and dimensionality reduction using the TF-IDF algorithm. The study results indicate that the Stacking Classifier method achieved an accuracy of 95.66%, with a precision of 95.63%, recall of 95.66%, and F1-Score of 95.64%. These results outperform the individual algorithms tested in the research. The findings demonstrate the significant potential of sentiment analysis powered by machine learning for early detection of mental health disorders, making it a valuable tool to enhance diagnosis and intervention in mental health care more effectively.