Analisis Dan Klasifikasi Tingkat Depresi Seseorang Berdasarkan Tweet Pada

Media Sosial Twitter Dengan Menggunakan Metode Naïve Bayes Classifier

(NBC)

Proposal Tugas Akhir

Kelas MK Penulisan Proposal (CCH4A3)

1303174050
Afwatul Mumthazah RA

Program Studi Sarjana Teknologi Informasi

Fakultas Informatika
Universitas Telkom
Bandung
2020
 Lembar Persetujuan
Analisis Dan Klasifikasi Tingkat Depresi Seseorang Berdasarkan Tweet Pada
Media Sosial Twitter Dengan Menggunakan Metode Naïve Bayes Classifier
(NBC)

Title of TA in English

Analysis and classification of depression levels in a person based on tweets on

social media Twitter using the Naive Bayes classification (NBC) method

NIM : 1303174050
Afwatul Mumthazah RA
Proposal ini diajukan sebagai usulan pembuatan tugas akhir pada
Program Studi Sarjana Teknologi Informasi
Fakultas Informatika Universitas Telkom

Bandung, 2 Desember 2020

Menyetujui

Calon Pembimbing

Dr. Warih Maharani, S.T,M.T

ABSTRAK
 BAB 1

1. PENDAHULUAN

1.1. Latar Belakang

Media sosial menjadi primadona baru dalam perkembangan media dunia, media
sosial atau akrab disebut dengan jejaring sosial ini juga menyita perhatian masyarakat
Indonesia. Media sosial dinilai bisa menjadi wadah bagi karya, ide, tanggapan bahkan media
untuk mengekspresikan keadaan yang terjadi. Hanya dengan membuat akun pribadi, para
pengguna bisa mendapatkan kemudahan dalam menuliskan dan mempublikasikan karya
maupun tanggapannya pada khalayak. Inilah yang menjadi daya tarik media sosial, ketika
apa yang ditulis bisa dibaca, dipahami kemudian mendapatkan komentar dari orang lain.
Beberapa jejaring sosial tersebut diantaranya Facebook, Twitter, Instagram, Path, Skype, dan
YouTube [1]. Dari sekian banyak media sosial yang paling cepat pertumbuhannya adalah
twitter, dengan cepat mengambil perhatian masyarakat Indonesia, remaja khususnya,
kebanyakan isi dalam twitter adalah hal-hal pribadi dimana seorang berbagi cerita, opini,
aktivitasnya, kepada orang-orang pilihan [1].Dimana pembatasan karakter saat men-tweet
di twitter hanya 140 karakter, jadi membuat pesan yang disampaikan oleh penggunanya
menjadi singkat, padat dan jelas [2].

Pada media sosial twitter tidak jarang pengguna melampikaskan emosinya dalam
sebuah tweet, pelampiasan emosi dalam sebuah kata-kata dilakukan untuk
melampiaskan rasa marah, kesedihan, kesepian, ketakutan, ataupun rasa sakit
(Schwartz, et al., 2013). Pelampiasan emosi tersebut merupakan salah satu ciri seseorang
sedang dalam tekanan depresi [2]. Kesehatan mental atau kesehatan jiwa merupakan aspek
penting dalam mewujudkan kesehatan secara menyeluruh. Kesehatan mental juga penting
diperhatikan selayaknya kesehatan fisik [3]. Menurut data dari Word Health Organization
(WHO) terdapat 35 juta orang yang mengalami depresi, 60 juta orang yang terkena bipolar
dan 21 juta terkena skizofrenia, serta 47,5 juta terkena dimensia [4]. Rice PL (1992)
menyebutkan bahwa depresi adalah gangguan mood, kondisi emosional berkepanjangan
yang mewarnai seluruh proses mental (berpikir, berperasaan dan berperilaku)
seseorang [5]. Pada umumnya mood yang secara dominan muncul adalah perasaan tidak
berdaya dan kehilangan harapan, dari perasaan-perasaan negatif tersebutlah bisa timbul
pikiran-pikiran yang bisa membahayakan bunuh diri salah satu dampaknya [6].

Karena para pengguna media sosial sering memberikan informasi tentang dirinya dan
keluh-kesah yang dialaminya di internet dan media sosial yang dimilikinya salah satunya
yaitu twitter. Oleh sebab itu media sosial twitter mejadi pilihan yang tepat untuk
menganalisis dan klasifikasi tingkat depresi yang dialami seseorang. Hal itu dikarenakan
 tweet yang berada dimedia sosial twitter ini mewakili secara umum aspek kejiwaan yang
sedang dialami oleh penulis tweet atau status media sosial.

Terdapat berbagai penelitian sebelumnya yang telah dilakukan mengenai prediksi

dan klasifikasi tingkat depresi berdasarkan status pada media sosial. Pada penelitian yang
dilakukan Nanda Wawan Kurniawan [4] menggunakan metode SVM sebagai metode
klasifikasi menghasilkan akurasi sebesar 100-80%, kemudian untuk mendapatkan hasil
tingkat depesinya menggunakan metode Certainty factor menghasilkan 1 kasus diprediksi
depresi dari 11 kasus. Munmun De Choudhury,dkk [7] yang hanya menggunakan metode
SVM untuk mengklasifikasi menghasilkan akurasi sebesar 70%. Anshu Maholtra,dkk [8]
menggunakan metode Deep Learning untuk mengklasifikasi menghasilkan akurasi sebesar
75%. Bayu Yudha Pratama [9] menggunakan tiga metode untuk klasifikasi yaitu Naïve
Bayes Classifier, SVM, dan KNN. Pada 10-Cross validation pada metode Naïve Bayes
Classifier menghasilkan akurasi sebesar 63% sedikit lebih unggul dibandingkan SVM dan
KNN yaitu dengan akurasi sebesar 60.63%. Sementara itu, SVM mendapatkan nilai standar
deviasi terkecil (±1.54) dibanding metode lainnya yang menunjukkan bahwa nilai akurasi
yang didapat lebih tepat/akurat.Nafiz Al Asad,dkk [10] mengklasifikasi data tweet depresi
dengan menggunakan metode naïve bayes classifier meghhasilkan akurasi sebebsar 93%.

1.2. Perumusan Masalah

Berdasarkan latar belakang di atas maka diperoleh rumusan masalah yaitu :
1. Bagaimana cara kinerja metode Naïve Bayes Classifier dalam mengklasifikasi
tingkat depresi seseorang berdasarkan tweet pada media sosial twitter?

1.3. Tujuan
Tujuan penelitian ini adalah untuk menganalisis kinerja metode Naïve Bayes
Classifier dalam mengklasifikasi tingkat depresi seseorang berdasarkan tweet pada media
sosial twitter dengan menghasilkan nilai akurasi yang baik.

1.4. Rencana Kegiatan

a. Studi Literatur

Pada tahap ini akan dilakukan pengumpulan dan pemahaman informasi dengan
melakukan studi literatur dari jurnal ataupun artikel yang sesuai dengan topik yang
diangkat yaitu klasifikasi tingkat depresi , klasifikasi disini menggunakan Naïve Bayes
Classifier, serta teori-teori lain yang menunjang pada penelitian ini.

b. Pengumpulan Data

Pada tahap ini akan melakukan pengumpulan data dengan melakukan crawling pada
media sosial twitter berbahasa Indonesia.
 c. Perancangan Sistem

Pada tahap ini akan melakukan perancangan sistem dengan menggunakan metode Naife
Bayes Classifier.

d. Implementasi Sistem

Pada tahap ini, data hasil crawling pada media sosial twitter akan diolah pada sistem yang
sudah dirancang sebelumnya dengan menggunakan Naïve Bayes Classifier.

e. Analisis Hasil

Pada tahap ini akan dianalisis apakah metode Naive Bayes Classifier memengaruhi hasil
akurasi klasifikasi tingkat depresi dari media sosial twitter.

f. Penyusunan Laporan Tugas Akhir

Pada tahap selanjutnya adalah menyusun laporan tugas akhir sesuai dengan hasil yang
sudah dilakukan pada proses-proses sebelumnya.

1.5. Jadwal Kegiatan

Berdasarkan rencana kegiatan diatas, maka jadwal kegiatan dari penelitian ini dapat
digambarkan sebagai berikut :

Kegiatan Bulan

Studi Literatur 1 2 3 4 5 6

Pengumpulan data

Perancangan Sistem

Implementasi Sistem

Analisis Hasil

Penyusunan Laporan Akhir

 BAB 2

2. KAJIAN PUSTAKA

2.1. Studi Terkait

Terdapat berbagai penelitian sebelumnya yang telah dilakukan mengenai prediksi
dan klasifikasi tingkat depresi berdasarkan status pada media sosial. Pada penelitian yang
dilakukan Nanda Wawan Kurniawan [4] menggunakan metode SVM sebagai metode
klasifikasi menghasilkan akurasi sebesar 100-80%, kemudian untuk mendapatkan hasil
tingkat depesinya menggunakan metode Certainty factor menghasilkan 1 kasus diprediksi
depresi dari 11 kasus. Munmun De Choudhury,dkk [7] yang hanya menggunakan metode
SVM untuk mengklasifikasi menghasilkan akurasi sebesar 70%. Anshu Maholtra,dkk [8]
menggunakan metode Deep Learning untuk mengklasifikasi menghasilkan akurasi sebesar
75%. Bayu Yudha Pratama [9] menggunakan tiga metode untuk klasifikasi yaitu Naïve
Bayes Classifier, SVM, dan KNN. Pada 10-Cross validation pada metode Naïve Bayes
Classifier menghasilkan akurasi sebesar 63% sedikit lebih unggul dibandingkan SVM dan
KNN yaitu dengan akurasi sebesar 60.63%. Sementara itu, SVM mendapatkan nilai standar
deviasi terkecil (±1.54) dibanding metode lainnya yang menunjukkan bahwa nilai akurasi
yang didapat lebih tepat/akurat.Nafiz Al Asad,dkk [10] mengklasifikasi data tweet depresi
dengan menggunakan metode naïve bayes classifier meghhasilkan akurasi sebebsar 93%.

2.2. Depresi
Menurut Gerald C. Davison (2004) menyebutkan bahwa depresi merupakan
kondisi emosional yang biasanya ditandai dengan kesedihan yang amat sangat dalam,
perasaan tidak berarti dan bersalah (menarik diri, tidak dapat tidur, kehilangan
selera, minat dalam aktivitas sehari-hari) [11]. Depresi bisa dikatakan juga sebagai
gangguan kejiwaan yang mempengaruhi fungsi fisik, psikologis dan sosial seseorang.
Depresi dapat dilihat dengan beberapa kondisi yang ditunjukkan oleh orang tersebut sebagai
sebuah kemerosotan perasaan, aktifitas dan sebagainya,keadaan tersebut timbul tanpa alasan
yang jelas baik pada tubuh maupun pada pikiran seseorang. Keadaan melankolia (kesedihan)
tersebut dimungkinkan sebagai reaksi terhadap suatu kejadian yang menjadi penyebabnya.
Rasa sedih tersebut dapat menimbulkan gangguan fungsi fisik dan mental, seperti
kemampuan kerja, nafsu makan dan kemampuan berfikir meskipun sederhana (Shreeve,
1992) [12]. Harrington (2003) membedakan antara kesedihan dan depresi. Perasaan sedih
adalah bagian pengalaman yang normal, sedangkan konsep depresi berbeda dengan
kesedihan atau ketidakgembiraan. Ketidakgembiraan adalah komponen yang umum pada
suasana perasaan depresif yang berkaitan dengan depresi. Suasana depresi pada depresi lebih
dipresentasikan oleh gambaran seperti kekosongan emosi atau suatu perasaan datar atau
tumpul. Perasaan ini bervarasi dalam tingkat keparahan dan menunjukkan variasi harian
 misalnya: memburuk pada suatu waktu pada hari itu atau pada waktu yang lain. Gejala lain
yang berkaitan dengan suasana perasaan depresi adalah gejala anhedonia yaitu suatu
ketidakmampuan untuk mendapatkan kenikmatan dari suatu yang sebelumnya telah [12].

2.3. Twitter
Twitter adalah sebuah situs jejaring sosial yang sedang berkembang pesat saat ini
karena pengguna dapat berinteraksi dengan pengguna lainnya dari komputer ataupun
perangkat mobile mereka dari manapun dan kapanpun. Setelah diluncurkan pada Juli 2006,
jumlah pengguna Twitter meningkat sangat pesat. Pada September 2010, diperkirakan
jumlah pengguna Twitter yang terdaftar sekitar 160 juta pengguna (Chiang, 2011). Pengguna
Twitter sendiri bisa terdiri dari berbagai macam kalangan yang para penggunanya ini dapat
berinteraksi dengan teman, keluarga hingga rekan kerja. Twitter sebagai sebuah situs
jejaring sosial memberikan akses kepada penggunanya untuk mengirimkan sebuah pesan
singkat yang terdiri dari maksimal 140 karakter (disebut tweet). Tweet sendiri bisa terdiri
dari pesan teks dan foto. Melalui tweet inilah pengguna Twitter dapat berinteraksi lebih
dekat dengan pengguna Twitter lainnya dengan mengirimkan tentang apa yang sedang
mereka pikirkan, apa yang sedang dilakukan, tentang kejadian yang baru saja terjadi, tentang
berita terkini serta hal lainnya [13].

2.4. Naïve Bayes Classifier

Naive Bayes Classifier adalah sebuah metode klasifikasi yang berdasar pada teorema
Bayes. Metode pengklasifikasian ini menggunakan metode probabilitas dan statistik yang
pertama kali dikemukakan oleh ilmuwan Inggris bernama Thomas Bayes, yaitu suatu
metode untuk memprediksi peluang di masa depan berdasarkan pengalaman di masa
sebelumnya,sehingga metode ini dikenal sebagaiTeorema Bayes [14]. Ciri utama dari Naive
Bayes Classifier ini adalah asumsi yang sangat kuat akan independensi dari masing-masing
kondisi atau kejadian. Naïve Bayes Clasifier juga dapat digunakan untuk memprediksi
probabilitas keanggotaan suatu kelas. Bayesian Classification terbukti memiliki akurasi dan
kecepatan yang tinggi saat diaplikasikan ke dalam database yang besar [15]. keuntungan dari
penggunaan metode Naïve Bayes adalah hanya membutuhkan sejumlah kecil data pelatihan
untuk memperkirakan parameter (sarana dan varians dari variabel-variabel) yang diperlukan
untuk klasifikasi [16] Bentuk umum teorema bayes adalah sebagai berikut:

P ( x|h ) p (h)
p(h∨x)= (1)
p ( x)
Dimana :
x = Data dengan kelas yang belum diketahui
h = Hipotesa data X merupakan suatu kelas spesifik
p(h|x) = Probabilitas hipotesis H berdasarkan kondisi X (posterior probability)
 P(h) = Probabilitas hipotesis H (prior probability) [15]

2.5. TF-IDF
  TF-IDF (Term Frequency Inverse Document Frequency) merupakan metode yang
digunakan untuk menentukan nilai frekuensi sebuah kata di dalam sebuah dokumen atau
artikel dan juga frekuensi di dalam banyak dokumen. Perhitungan ini menentukan seberapa
relevan sebuah kata di dalam sebuah dokumen (Evan, 2014). TFIDF adalah sebuah algoritma
yang umumnya digunakan untuk pengolahan data besar (Kamath, 2014). TF-
IDF ini juga terkenal efisien, mudah dan memiliki hasil yang akurat [17]. TF-IDF pada
dasarnya merupakan hasil dari perhitungan antara TF (Term Frequency) dan IDF (Inverse
Document Frequency). Banyak cara untuk menentukan nilai yang tepat dari kedua statistik
yang ada. Dalam kasus term frequency tf (t, d), cara yang paling sederhana adalah dengan
menggunakan raw frequency di dalam dokumen, yaitu berapa kali term t muncul di dokumen
d. Jika menyatakan raw frequency t sebagai f (t,d), maka skema tf yang sederhana adalah tf
(t, d) = f (t,d). Nilai idf sebuah term (kata) dapat dihitung menggunakan persamaan sebagai
berikut:

D
IDF=log 10( ) (2)
dfi

D adalah jumlah dokumen yang berisi term (t) dan dfi adalah jumlah kemunculan (frekuensi)
kata terhadap D. Adapun algoritma yang digunakan untuk menghitung bobot (W)
masingmasing dokumen terhadap kata kunci (query), yaitu :

Wdt=tfdt∗Idft (3)

Dimana: 
d = dokumen ke–d
t = kata ke–t dari kata kunci
W = bobot dokumen ke–d terhadap kata ke–t
tf = term frekuensi/frekuensi kata
Wdt= bobot dokumen ked terhadap kata ke-t  
tfdt = banyaknya kata yang dicari pada sebuah  dokumen 
Idft = Inversed Document Frequency (log  (N/df) ) N = total dokumen  
df = banyak dokumen yang mengandung kata  yang dicari.
Setelah bobot (W) masing-masing dokumen diketahui, maka dilakukan proses pengurutan
(sorting) dimana semakin besar nilai W, semakin besar tingkat kesamaan (similarity)
dokumen tersebut terhadap kata yang dicari, demikian pula sebaliknya [17].
2.6. Confusion Matrix
Confusion Matrix adalah sebuah metode yang biasa digunakan untuk perhitungan
akurasi. Sistem classifier yang dibangun untuk mengetahui tingkat akurasi dengan
menggunakan parameter performansi. Parameter performansi yang digunakan yaitu
diantaranya nilai akurasi, precision, dan recall. [17]. Rumus Confusion Matrix adalah
sebagai berikut :

Keterangan:
TP (True Positive) = Jumlah prediksi yang benar dari data yang relevant.
FP (False Positive) = Jumlah prediksi yang salah dari data yang tidak relevant.
FN (False Negative) = Jumlah prediksi yang salah dari data yang tidak relevant.
TN (True Negative) = Jumlah prediksi yang benar dari data yang relevant.
Sehingga,   rumusnya   adalah   sebagai berikut:

1. Precision

Precision adalah tingkat ketepatan antara informasi yang diminta oleh pengguna
dengan jawaban yang diberikan oleh sistem. Bila di data mining precision adalah jumlah
dokumen yang dengan benar diklasifikasikan dalam sebuah kelas dibagi jumlah total
dokumen dalam kelas tersebut. Dengan persamaan [18]

tp
Precision=( ) (4)
tp+fp
2. Recall

Recall adalah tingkat keberhasilan sistem dalam menemukan kembali sebuah

informasi. Dalam data mining recall dapat didefinisikan sebagai jumlah dokumen yang
dengan benar diklasifikasikan dalam sebuah kelas dibagi jumlah total dokumen yang
diklasifikasikan dalam kelas tersebut. Dengan persamaan [18]

tp
Recall=( ) (5)
tp+ fn
3. Accuracy

Accuracy didefinisikan sebagai tingkat kedekatan antara nilai prediksi dengan nilai
aslinya. Akurasidigunakan untuk mengevaluasi banyaknya label prediksi yang sesuai dengan
label aktual. Semakin besar nilaiakurasinya, maka performansi klasifikasi semakin baik.
Berikut persamaannya [18]
 tp+tn
Accuracy=( ) (6)
tp+ fp+tn+ fn
 BAB 3

3. PERANCANGAN SISTEM

3.1. Gambaran Umum Rancangan Sistem

Untuk rancangan sistem dalam prediksi dan klasifikasi tingkat depresi seseorang
berdasarkan tweet melalui media sosial Twitter terdapat beberapa tahapan, diantanya yaitu
yang pertama melakukan crawling data melalui Twitter. Setelah data didapatkan, maka
dilakukan proses pelabelan kelas. Setelah pelabelan kelas selanjutnya melakukan
preprocessing. Teknik preprocessing teks merupakan tahap sebelum dilakukannya proses
pembobotan. Preprocessing yang dilakukan adalah case folding, tokenizing, filtering, dan
stemming. Setelah selesai melakukan tahap preprocessing, maka dilakukan pembobotan kata
dengan fitur ekstraksi. Pada fitur ini, data yang sebelumnya telah dikelompokkan menjadi
data training dan data testing digunakan untuk mendapatkan hasil bobot dari dokumen.
Kemudian data training lanjut ke tahapan klasifikasi dengan menggunakan metode Naïve
Bayes Classifier. Dari dua data itu nanti akan dievaluasi. Tahapan terakhir adalah
pengukuran performansi. Berikut merupakan tahapan penelitian yang digambarkan :

3.2. Data Crawling

Crawling data merupakan tahap yang bertujuan untuk mendapatkan data yang akan
digunakan sebagai data acuan oleh sistem yang berupa user dan tweet. Data didapatkan
dengan cara mengunduh secara otomatis yang didapat dari API Twitter menggunakan
implementasi bahasa pemograman PHP. Hasil keluaran dalam tahap ini yaitu data user yang
sudah ada label dan data tweet.
3.2.1. Data Twitter
Pada tahap ini merupakan pengumpulan data dari hasil crawling yang diperoleh dari
twitter yang selanjutnya dibagi menjadi dua data yaitu data training dan data testing.

3.2.2. Pelabelan
Pada proses ini dilakukan pemberian label kelas menjadi lima kelas depresi.

3.3. Preprocessing
Tahap pre-processing atau praproses data merupakan proses untuk mempersiapkan
data mentah sebelum dilakukan proses lain. Pada umumnya, praproses data dilakukan
dengan cara mengeliminasi data yang tidak sesuai atau mengubah data menjadi bentuk yang
lebih mudah diproses oleh sistem. Praproses sangat penting dalam melakukan analisis
sentimen, terutama untuk media sosial yang sebagian besar berisi kata-kata atau kalimat
yang tidak formal dan tidak terstruktur serta memiliki noise yang besar. Tahap
Preprocessing yang dilakukan terhadap data tweet adalah sebagai berikut :

3.3.1. Case Folding

Pada tahap ini bertujuan membuat semua text menjadi huruf kecil.

Sebelum Setelah

Terkadang aku menangis ketika ada teman yang terkadang aku menangis ketika ada teman
menceritakan kebahagiaan suasana keluarganya
yang menceritakan kebahagiaan suasana
ungkin aku iri
keluarganya mungkin aku iri
3.3.2. Tokenisasi
Pada tahap ini dilakukan tokenisasi yaitu tahap pemotongan string input berdasarkan
tiap kata yang menyusunnya Tokenisasi secara garis besar memecah sekumpulan karakter
dalam suatu teks ke dalam satuan kata, bagaimana membedakan karakter-karakter tertentu
yang dapat diperlakukan sebagai pemisah kata atau bukan.

Sebelum Setelah

Terkadang aku menangis ketika ada teman yang Terkadang | aku | menangis | ketika |ada |
menceritakan kebahagiaan suasana keluarganya
teman | yang | menceritakan | kebahagiaan |
mungkin aku iri
suasana | keluarganya | mungkin | aku | iri |

3.3.3. Fitering
Pada tahap ini dilakukan filtering dengan penghapusan stop-words atau tahap
mengambil kata-kata penting dari hasil token. Bisa menggunakan algoritma stoplist
(membuang kata kurang penting) atau wordlist (menyimpan kata penting). Stoplist/stopword
adalah kata-kata yang tidak deskriptif yang dapat dibuang dalam pendekatan bag-of-words

Sebelum Setelah

Terkadang aku menangis ketika ada teman yang Aku menangis ketika teman menceritakan
menceritakan kebahagiaan suasana keluarganya
kebahagiaan keluarganya aku iri
mungkin aku iri

3.3.4. Stemming
Pada tahap stemming yaitu mengubah term kembali menjadi bentuk kata dasar. Atau
Teknik Stemming diperlukan selain untuk memperkecil jumlah indeks yang berbeda dari
suatu dokumen, juga untuk melakukan pengelompokan kata-kata lain yang memiliki kata
dasar dan arti yang serupa namun memiliki bentuk atau form yang berbeda karena
mendapatkan imbuhan yang berbeda

Sebelum Setelah

Terkadang aku menangis ketika ada teman yang Kadang aku nangis ketika ada teman yang
menceritakan kebahagiaan suasana keluarganya
cerita Bahagia suasana keluarga mungkin aku
mungkin aku iri
iri
3.4. Pembobotan
Pada tahap ini data yang tadi telah di preprocessing akan melakukan pembobotan
kata dengan menggunakan metode TF-IDF.

3.5. Klasifikasi Naïve Bayes Classifier

Proses ini merupakan proses utama yang bertujuan untuk mengklasifikasikan data
yang sudah melewati proses preprocessing dan pembobotan kata dengan menggunakan
metode Naïve Bayes Classifier

3.6. Model Klasifikasi

Model klasifikasi yang telah melalui tahap pengklasifikasian tadi akan diuji dengan
data testing dan menghasilkan hasil klasifikasi yang sesungguhnya.

3.7. Confussion Matrix

Pada tahap ini merupakan tahap terakhir yaitu akan dilakukan perhitungan untuk
melihat performansi dari hasil klasifikasi yang sudah dilakukan. performansi diukur dengan
beberapa teknik perhitungan diantaranya precision, recall, akurasi.
 DAFTAR PUSTAKA

[1] Z. F. Nurhadi, Model Komunikasi Sosial Remaja Melalui Media Twitter, vol. 3, pp. 1-11, 2017.

[2] I. A. A. S. Mohammad Imron Maulana, Klasifikasi Tingkat Stres Berdasarkan Tweet pada Akun Twitter
menggunakan Metode Improved k-Nearest Neighbor dan Seleksi Fitur Chi-square, Vols. 3, No 07, pp. 1-
8, 2019.

[3] M. M. R. Dumilah Ayuningtyas, Analisis Situasi Kesehatan Mental Pada Masyarakat Di IndonesiaDan
Strategi Penanggulangannya, vol. 9 No 1, pp. 1-10, 2018.

[4] N. W. Kurniawan, Prediksi Tingkat Depresi Berdasarkan Status Pada Media Sodial Menggunkan
Metode Support Vctore Mechine danCertainty Factor, pp. 1-9, 2018.

[5] A. Dirgayunita, Depresi: Ciri, Penyebab dan Penangannya, vol. 1 No 1, pp. 1-14, 2016.

[6] D. H. S. A. C. I. K. Meilanny Budiarti Santoso, Bunuh Diri Dan Depresi Dalam Perspektif Pekerjaan Sosial,
vol. 4 No 3, pp. 1-9, 2017.

[7] M. G. S. C. E. H. Munmun De Choudhury, Predicting Depression via Social Media, pp. 1-10, 2013.

[8] R. J. Anshu Malhotra, Multimodal Deep Learning based Framework for Detecting Depression and
Suicidal Behaviour by Affective Analysis of Social Media Posts, pp. 1-9, 2018.

[9] B. Y. Pratama, Klasifikasi Tingkat Depresi Berdasarkan Tulisan Di Twitter Menggunakan Metode Naive
Bayes Classifier, Support Vector Mechine, K-Nearest Neighbor, pp. 1-131, 2015.

[10] M. A. M. P. S. A. M. M. I. Nafiz Al Asad, Depression Detection by Analyzing Social Media Posts of User,
pp. 1-17, 2019 IEEE International Conference on Signal Processing, Information, Communication &
Systems (SPICSCON), Dhaka, Bangladesh.

[11] G. C. Davidson, Psikologi, 2004.

[12] P. Andana, Terapi Murattal Untuk Menurunkan Depresi, pp. 1-58, 2017.

[13] willi, Distributed twitter crawler, pp. 1-6, 2015.

[14] M. R. R. A. P. T. M. Syukri Mustafa, Implementasi Data Mining untuk Evaluasi Kinerja Akademik
Mahasiswa Menggunakan Algoritma Naive Bayes Classifier (NBC), Vols. Vol 4, No 2, pp. 1-151, 2017.

[15] C. A. P. N. A. S. L. S. I. C. Husin Muhamad, Optimasi Naive Bayes Classifier Dengan Menggunakan

Particle Swarm Optimization Pada Data Iris, Vols. Vol. 4, No. 3, pp. 1-5, 2017.

[16] Y. H. C. R. Y. Luthfia Oktasari, Text Mining Dalam Analisis Sentiment Asuransi Menggunakan Metode
Naive Byes Classifier (NBC), Vols. Vol.1, No. 1, pp. 1-6, 2016.

[17] V. A. H. B. S. T. D. Ria Melita, Penerapan Metode Term Frequency Invers dokumen frequency, vol. Vol.
11 No.2, pp. 1-16, 2018.

[18] F. I. N. Haq, Implementasi Naive Bayes Classifier untuk Prediksi KepribadianBig Five pada Twitter
Menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) dan Term Frequency-Relevance
Frequency (TF-RF), vol. Vol.6 No.2, pp. 1-11, 2019.