Implementasi Metode Naive Bayes untuk Mendeteksi Stres Siswa Berdasarkan Tweet pada Sistem Monitoring Stres

Penulis

  • Diva Fardiana Risa Universitas Brawijaya, Malang
  • Fajar Pradana Universitas Brawijaya, Malang
  • Fitra Abdurrachman Bachtiar Universitas Brawijaya, Malang

DOI:

https://doi.org/10.25126/jtiik.2021864372

Abstrak

Gangguan mental saat ini masih menjadi permasalahan bagi bidang kesehatan di seluruh dunia. Salah satu jenis dari gangguan mental yang dapat diprediksi saat ini adalah stres. Stres memiliki dampak yang sangat besar bagi Kesehatan penderitanya, namun masih banyak masyarakat yang terlalu meremehkan perihal keberadaan penyakit stres ini. Hal ini salah satunya disebabkan oleh media yang dapat digunakan untuk melakukan pengecekan tingkat stres masih sangat sedikit. Sejauh ini, pengecekan kondisi kesehatan mental khususnya stres dapat dilakukan melalui konsultasi ke psikolog terdekat. Namun, tidak banyak masyarakat yang mengetahui hal itu. Ketika seseorang mengalami gangguan kecemasan khususnya stres, maka ia akan cenderung melakukan tindakan yang dapat mengekspresikan kecemasannya di media sosial. Kegiatan ini dinamakan Self Disclosure. Hal ini dianggap dapat mengurangi beban penderita gangguan mental tersebut. Mengenai hal itu, saat ini penggunaan media sosial menjadi hal yang sangat lumrah dimasyarakat khususnya remaja. Salah satu jenis sosial media yang banyak digunakan oleh masyarakat adalah Twitter. Salah satu keunggulan Twitter adalah dikarenakan twitter lebih mudah digunakan dan memiliki tampilan yang sederhana. Selain itu, penulisan tweet pada akun twitter memiliki pembatasan jumlah karakter sehingga tweet yang ditulis pengguna lebih jelas dan ringkas. Oleh karena itu,pada penelitian ini akan dibangun fitur untuk mendeteksi tingkat stres melalui tweet pada akun twitter dengan menggunakan metode Naïve Bayes yang mana akan dapat mengklasifikasikan tingkat stres siswa berdasarkan tweet siswa kedalam tiga kelas yaitu kelas stres ringan, stres sedang dan stres berat. Fitur ini nantinya akan diimplementasikan pada sistem monitoring stres siswa berbasis website sebagai bahan pertimbangan bagi siswa dan guru bimbingan konseling dalam proses konseling siswa. Berdasarkan pengujian akurasi yang dilakukan dengan 90 data latih dan 4 data uji, maka didapatkan tingkat akurasi fitur ini mencapai angka 75%.

 

Abstract

Mental disorders are currently still a problem for the health sector around the world. Stress is one type of mental disorder that can be predicted today. Stress has a huge impact on the health of sufferers, but there are still many people who underestimate the existence of the stress disease. This is partly due to the very few media that can be used to check stress levels. So far, checking mental health conditions, especially stress can be done through consultation with the nearest psychologist. However, not many people know about it. When a person experiences anxiety disorders, especially stress, he will tend to take actions that can express his anxiety on social media. This activity is called Self Disclosure. This is considered to reduce the burden on those with mental disorders. Regarding this, currently the use of social media is very common in society, especially teenagers. One type of social media that is widely used by the public is Twitter. One of the advantages of Twitter is that it is easier to use and has a simple interface. In addition, writing tweets on a Twitter account has a limit on the number of characters so that the tweet that the user writes is clearer and more concise. Therefore, this research will build a feature to detect stress levels via tweet on a twitter account using the Naïve Bayes method which will be able to classify students' stress levels based on student tweets into three classes, namely light stress, moderate stress and severe stress classes. This feature will later be implemented in a website-based student stress monitoring system as a consideration for students and counseling teachers in the student counseling process. Based on accuracy testing carried out with 90 training data and 4 test data, the accuracy rate of this feature is 75%.


Downloads

Download data is not yet available.

Referensi

AGUSTA, L., 2009. Perbandingan Algoritma Stemming Porter Dengan. Konferensi Nasional Sistem Dan Informatika, pp. 196-201.

AJI, RIZQY BAYU., BAIZAL, ABDURRAHMAN, & FIRDAUS, YANUAR, 2011. Automatic Essay Grading System Menggunakan Metode Latent Semantic Analysis. Seminar Nasional Aplikasi Teknologi Informasi (SNATI), pp. 78-86.

ALONSO, J., LIU, Z., LACKO, S. E. & SADIKOVA, E., 2018. Treatment Gap For Anxiety Disorders is Global : Results of the World Mental Healt Surveys in 21 Countries. FOCUS ON: ANXIETY AND DEPRESSION WORLDWIDE, 35(3), pp. 185-282.

CLINTEN, B., 2019. Kompas.com: Pengguna Aktif Harian Twitter Indonesia Diklaim Terbanyak. [Online] Tersedia di : https://tekno.kompas.com/read/2019/10/30/16062477/pengguna-aktif-harian-twitter-indonesia-diklaim-terbanyak [Diakses pada 12 Agustus 2020].

FOREST, A. L. & WOOD, J. V., 2012. When Social Networking Is Not Working: Individuals With Low Self-Esteem Recognize but Do Not Reap the Benefits of Self-Disclosure on Facebook. PSYCHOLOGICAL SCIENCE, 23(3), pp. 295-302.

HANDAYANI, F. & PRIBADI, F. D., 2015. Implementasi Algoritma Naïve Bayes Classifier. Jurnal Teknik Elektro , 7(1), pp. 19-24.

KAPLAN, A. M. & HAENLIN, M., 2010. User of The World, Unite! The Challenges and Oppertunities of Social media. Jakarta: Kompas Gramedia.

KUPRIYANOV, R. & ZHDANOV., 2014. The Eustres Concept: Problems and Outlooks. JOUR, Volume 11, pp. 179-185.

MARDIYAH, F., 2019. Websindo: Indonesia Digital 2019 : Media Sosial. [Online] Tersedia di : https://websindo.com/indonesia-digital-2019-media-sosial/ [Diakses 12 Agustus 2020]

PUTRI, E. & SETIADI, T., 2014. Penerapan Text Mining Pada Sistem Klasifikasi Email Spam Menggunakan Naïve Bayes. Jurnal Sarjana Teknik Informatika, 2(3), pp. 73-83.

RASMUND, 2004. Stres, Koping dan Adaptasi. Jakarta: Sagung Seto.

RISH, I., 2001. An Empirical Study of the Naïve Bayes Classifier. JCAI 2001 Work Empir Methods Artif Intell, Volume 3. pp. 41-46.

ROONEN, F., 2007. The Text Mining Handbook: Advanced Approaches In Analyzing Unstructured Data.

SARAFINO, E. P., 2008. Health Psychology : Biopsychosocial Interactions. 6th ed. New Jersey: USA: The College of New Jersey.

SLAVICH, G. M., 2016. Life Stress and Health: A Review of Conceptual Issues and Recent Findings. Teaching of Psychology , 43(4), pp. 346-355.

SUBHANI, A. R. ET AL., 2017. Machine Learning Framework for the Detection of Mental Stress at Multiple Levels. IEEE, Volume 5, pp. 13545-13556.

SUKADIYANTO, 2010. Stres dan Cara Menanganinya. Cakrawala Pendidikan, Issue 1, pp. 55-64.

TRIAWATI, C., BIJAKSANA M. A., INDRAWATI, N., & SAPUTRO W. A., 2009. Pemodelan Berbasis Konsep Untuk Kategorisasi Artikel Berita.

Seminar Nasional Aplikasi Teknologi Informasi 2009, pp. 48-53.

WHO, 2017. Depression And Other Common Mental Disorders. [online] Tersedia di : <https://www.who.int/mental_health/management/depression/prevalence_global_health_estimates/en/> [Diakses pada 11 Agustus 2020].

YUSUF, 2004. Psikologi Perkembangan Anak dan Remaja. Bandung: Remaja Rosdakarya,

Diterbitkan

24-11-2021

Terbitan

Bagian

Ilmu Komputer

Cara Mengutip

Implementasi Metode Naive Bayes untuk Mendeteksi Stres Siswa Berdasarkan Tweet pada Sistem Monitoring Stres. (2021). Jurnal Teknologi Informasi Dan Ilmu Komputer, 8(6), 1301-1308. https://doi.org/10.25126/jtiik.2021864372