Media sosial kini bukan hanya tempat berbagi aktivitas sehari-hari, tetapi juga ruang untuk mengekspresikan emosi, tekanan hidup, dan kondisi psikologis. Banyak orang menuliskan perasaan sedih, lelah, putus asa, hingga gangguan tidur di platform seperti X (Twitter). Dari sudut pandang penelitian, ekspresi tersebut dapat menjadi sinyal penting untuk membantu mengidentifikasi potensi depresi secara lebih dini. Penelitian yang dilakukan oleh Munawar dan Yulhendri dari Universitas Esa Unggul menyoroti bagaimana analisis sentimen dan pembelajaran mesin dapat dimanfaatkan untuk mendeteksi indikasi depresi melalui unggahan media sosial.
Dalam penelitian ini, data dikumpulkan dari platform X selama tiga bulan menggunakan kata kunci depression, mental health, dan mental disorders. Dari 5.000 data awal, setelah melalui tahap pembersihan data seperti penghapusan duplikasi, normalisasi kata, penghilangan stopword, dan stemming, tersisa 1.502 unggahan yang layak dianalisis. Tahapan ini penting agar model dapat bekerja dengan data yang lebih bersih dan representatif.
Penelitian ini menggunakan dua pendekatan leksikon untuk pelabelan sentimen, yaitu VADER dan InSet, lalu hasilnya divalidasi oleh psikolog. Menariknya, hasil validasi menunjukkan bahwa VADER memiliki akurasi yang jauh lebih tinggi, yakni 95,1%, dibandingkan InSet yang mencapai 76,9%. Temuan ini menunjukkan bahwa pemilihan leksikon sangat memengaruhi kualitas identifikasi emosi dalam teks media sosial, terutama ketika dikaitkan dengan isu kesehatan mental.
Setelah proses pelabelan, penelitian melanjutkan ke tahap pemodelan klasifikasi menggunakan tiga algoritma: Naive Bayes, Support Vector Machine (SVM), dan Random Forest. Hasilnya menunjukkan bahwa Random Forest memberikan performa terbaik dengan akurasi 83,33%, disusul Naive Bayes 80,5% dan SVM 80,4%. Ini berarti pendekatan machine learning memiliki potensi besar dalam membantu mendeteksi unggahan yang mengandung indikasi depresi, meskipun belum dapat menggantikan diagnosis profesional.
Salah satu hal penting dari penelitian ini adalah temuan mengenai pola bahasa dalam unggahan yang berpotensi menunjukkan depresi. Kata-kata seperti depresi, stres, sedih, tidak berharga, dan bentuk-bentuk ekspresi negatif lainnya muncul cukup dominan. Pada bagian visualisasi, word cloud positif dan negatif memperlihatkan bahwa kata “depresi” menjadi istilah yang paling sering muncul, khususnya dalam sentimen negatif. Selain itu, penelitian ini juga mencatat bahwa individu yang mengalami depresi cenderung lebih sering menggunakan kata ganti orang pertama, kata-kata absolut seperti “selalu” atau “tidak pernah”, serta membahas topik seperti hidup, kematian, agama, rasa sakit, dan kesepian.
Tidak hanya isi pesan, penelitian ini juga menyoroti pola perilaku unggahan. Postingan yang berulang pada jam-jam tidak biasa, seperti tengah malam, dapat menjadi salah satu sinyal potensi depresi. Demikian juga dengan unggahan yang memuat tema insomnia, keputusasaan, kecemasan, penyakit fisik, atau bahkan ide bunuh diri. Meski demikian, peneliti menegaskan bahwa sinyal-sinyal ini tidak boleh digunakan sebagai diagnosis tunggal. Temuan dari media sosial harus dipandang sebagai indikator awal yang tetap memerlukan validasi lebih lanjut oleh tenaga kesehatan mental.
Dari sisi kontribusi ilmiah, penelitian ini memperlihatkan bahwa media sosial dapat menjadi sumber data yang relevan untuk mendukung deteksi dini masalah kesehatan mental. Jika dimanfaatkan dengan etis, pendekatan ini dapat membantu lembaga kesehatan, peneliti, maupun pengembang teknologi dalam membangun sistem pemantauan yang lebih responsif. Namun, ada beberapa keterbatasan yang juga diakui dalam studi ini. Analisis hanya berfokus pada teks, padahal gambar, emoji, dan konteks visual lain juga bisa memberikan makna emosional yang kuat. Selain itu, data media sosial tidak selalu merepresentasikan kondisi nyata seseorang secara utuh, karena dipengaruhi budaya, kebiasaan berkomunikasi, dan konteks sosial pengguna.
Kesimpulannya, penelitian ini menegaskan bahwa analisis sentimen berbasis media sosial dapat membantu mengidentifikasi potensi depresi sejak dini. Kombinasi leksikon VADER, validasi psikolog, dan algoritma Random Forest terbukti memberikan hasil yang cukup baik untuk klasifikasi unggahan yang berkaitan dengan depresi. Walaupun belum dapat menggantikan pemeriksaan klinis, pendekatan ini membuka peluang besar bagi pengembangan sistem pendukung kesehatan mental yang lebih cepat, murah, dan adaptif terhadap dinamika komunikasi digital masyarakat saat ini.
Referensi penelitian
- Munawar, & Yulhendri. Identification of potential depression in social media posts. IAES International Journal of Artificial Intelligence (IJ-AI), Vol. 14, No. 3, 2025, pp. 2096–2103.
https://www.scopus.com/pages/publications/105008145424?origin=resultslist
(MHN)
