Metode Pembelajaran Mesin Untuk Menilai Data Depresi Dan Kesehatan Mental

Maritza Anastasia; Vivia Surya Maulivia; Suharjito Suharjito

doi:10.31539/intecoms.v7i3.9584

Maritza Anastasia Universitas Bina Nusantara
Vivia Surya Maulivia Universitas Bina Nusantara
Suharjito Suharjito Universitas Bina Nusantara

DOI: https://doi.org/10.31539/intecoms.v7i3.9584

Abstract

Salah satu gangguan kesejahteraan mental yang sering terjadi pada manusia adalah depresi. Mengenali depresi secara dini penting bagi individu. Namun, pada kenyataannya, melakukan skrining depresi secara dini masih memiliki beberapa kelemahan. Jika terus diabaikan, hal ini dapat berdampak pada kesejahteraan individu. Oleh karena itu, diperlukan metode lain yang dapat menggambarkan tingkat depresi pada individu. Penelitian ini bertujuan untuk menentukan gambaran persepsi pekerja tentang komponen psikososial dari lingkungan dan isi kerja serta menentukan gejala stres kerja yang mereka keluhkan. Variabel dependen adalah gejala stres kerja (fisik, mental, kognitif, dan perilaku), sedangkan variabel independen adalah karakteristik individu (usia, jenis kelamin, jenis pekerjaan, dan lama bekerja). Metode klasifikasi menggunakan berbagai model klasifikasi, yaitu K-Nearest Neighbor (KNN), Decision Tree, Random Forest Tree, Naïve Bayes, Support Vector Machine (SVM), dan model penghitungan AdaBoost. Hasil penelitian berdasarkan pengujian berbagai model penghitungan dapat disimpulkan bahwa model penghitungan terbaik untuk mengukur gaji pekerja adalah menggunakan K-Nearest Neighbor (KNN). Analisis variabel berdasarkan faktor Pekerjaan dan Jenis Kelamin memprediksi tingkat depresi dan kesejahteraan mental yang dirasakan oleh anggota berusia 25-30 tahun.

Kata Kunci: Depresi dan Kesehatan Mental, Pembelajaran Mesin, Perbandingan Metode Algoritma.

References

[1] World Mental Health Day: An Opportunity to Kick-Start a Massive Scale-Up in Investment in Mental Health. Available online: https://www.who.int/news/item/27-08-2020-world-mental-health-day-an-opportunity-to-kick-start-a-massive-scale-up-in-investment-in-mental-health (accessed on 20 February 2022).
[2] World Health Organization. Depression and Other Common Mental Disorders: Global Health Estimates. Available online: https://apps.who.int/iris/bitstream/handle/10665/254610/WHO-MSD-MER-2017.2-eng.pdf (accessed on 20 February 2022)
[3] Pieper, J. dan Uden, M.V. 2006. Religion in Coping and Mental Health Care. New York: Yord University Press, Inc
[4] Dachi, J. (2023). Analisis Perbandingan Algoritma XGBoost dan Algoritma Random Forest Ensemble Learning pada Klasifikasi Keputusan Kredit.
[5] Giri, GA (2018). Klasifikasi Musik Berdasarkan Genre dengan Metode K-Nearest Neighbor. Jurnal Ilmu Komputer VOL. XI No.2
[6] Indriyawati, H., & Khoirudin. (2019). Penerapan Metode Regresi Linier Dalam Koherensi Pengolahan Data Bahan Baku Tiandra Store Guna Meningkatkan Mutu Produksi. Sintak Prosiding,https://www.unisbank.ac.id/ojs/index.php/ sintak/ article/ view/ 7603
[7] Sau, A., Bhakta, I. (2017)"Predicting anxiety and depression in elderly patients using machine learning technology. "Healthcare Technology Letters 4 (6): 238-43.
[8] Tyshchenko, Y. (2018)"Depression and anxiety detection from blog posts data."Nature Precis. Sci., Inst. Comput. Sci., Univ. Tartu, Tartu, Estonia.
[9] Sau, A., Bhakta, I. (2018) "Screening of anxiety and depression among the seafarers using machine learning technology."Informatics in Medicine Unlocked :100149.
[10] Saha, B., Nguyen, T., Phung, D., Venkatesh, S. (2016) "A framework for classifying online mental health-related communities with an interest in depression."IEEE journal of biomedical and health informatics 20 (4): 1008-1015.
[11] Reece, A. G., Reagan, A. J., Lix, K. L. M., Dodds, P. S., Danforth, C. M., Langer, E. J.(2016) "Forecasting the Onset and Course of Mental Illness with Twitter Data."Scientific reports 7 (1): 13006.
[12] Braithwaite, S. R., Giraud-Carrier, C., West, J., Barnes, M. D., Hanson, C.L. (2016) "Validating machine learning algorithms for Twitter data against established measures of suicidality."JMIR mental health 3 (2): e21.
[13] Du, J., Zhang, Y., Luo, J., Jia, Y., Wei, Q., Tao, C., Xu, H. (2018) "Extracting psychiatric stressors for suicide from social media using deep learning."BMC medical informatics and decision making 18 (2): 43
[14] Al Hanai, T., Ghassemi, M. M., Glass, J.R. (2018) "Detecting Depression with Audio/Text Sequence Modeling of Interviews." InInterspeech: 1716-1720.
[15] Young, C., Harati, S., Ball, T., Williams, L. (2019) "Using Machine Learning to Characterize Circuit-Based Subtypes in Mood and Anxiety Disorders."Biological Psychiatry 85 (10): S310.
[16] Liu, X. Y., Wu, J., Zhou, Z. H. (2009)"Exploratory undersampling for class-imbalance learning."IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics) 39 (2): 539-50.
[17] Dietterich, T. G. (2000) "Ensemble methods in machine learning."InInternational workshop on multiple classifier systemsSpringer, Berlin, Heidelberg: 1-15.