Share
Embed
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
Kuncahyo Setyo Nugroho
December 12, 2021
Transcript
11 slides
-
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 -
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. -
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 -
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 -
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). -
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 -
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 -
Hasil: Baseline Model Deteksi Depresi & Kecemasan Pengguna Twitter Menggunakan
Bidirectional LSTM | CIASTECH 2021 -
Hasil: Perbandingan LSTM & BiLSTM Deteksi Depresi & Kecemasan Pengguna
Twitter Menggunakan Bidirectional LSTM | CIASTECH 2021 LSTM BiLSTM (a) Akurasi & validasi pelatihan, (b) training & validation loss -
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 -
CREDITS: This presentation template was created by Slidesgo, including icons
by Flaticon and infographics & images by Freepik. Terima Kasih [email protected] Deteksi Depresi & Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM | CIASTECH 2021