Bumil Bahagia: Klasifikasi Emosi Multi-Label Berbasis Teks Menuju Prediksi Risiko Depresi Pasca Persalinan pada Unggahan Reddit

Yudhantorro, Bayu Azra (2023) Bumil Bahagia: Klasifikasi Emosi Multi-Label Berbasis Teks Menuju Prediksi Risiko Depresi Pasca Persalinan pada Unggahan Reddit. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05211940000076-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (2MB) | Request a copy

Abstract

Sebuah penelitian pada tahun 2018 menemukan bahwa sekitar 10.7% orang didunia mengalami gangguan mental. Dampak dari gangguan mental pada seseorang adalah menurunnya kemampuan seseorang untuk meregulasi emosi. Salah satu gangguan mental, depresi, menyebabkan penderitanya cenderung untuk merepresi regulasi emosi positif mengakibatkan timbulnya kecenderungan untuk merelugasi emosi negatif. Gangguan regulasi ini juga memengaruhi cara seseorang meregulasikan emosinya saat berkomunikasi, termasuk via teks. Memahami emosi yang dimiliki seseorang secara tidak langsung dapat membantu untuk mendeteksi adanya gejala gangguan mental. Depresi memiliki sejumlah sub-kategori spesifik, salah satunya adalah depresi yang terjadi pada seorang perempuan setelah menjalani proses persalinan yang dikenal dengan istilah depresi pasca persalinan. Penelitian menemukan bahwa seorang perempuan memiliki kemungkinan sebesar 25% untuk menderita depresi pasca persalinan. Semenjak pandemi, yang menyebabkan berkurangnya kesempatan untuk melakukan konsultasi kehamilan, ibu yang sedang hamil didorong untuk lebih sering memonitor Kesehatan fisik serta mentalnya secara mandiri. Karena itu, sebuah sistem untuk memonitor risiko depresi berdasarkan regulasi emosi ibu hamil diperlukan. Beberapa penelitian berusaha memecahkan masalah ini dengan menggunakan model pembelajaran mesin untuk mengklasifikasi emosi pada teks, dan disaat yang sama, banyak algoritma baru yang lebih baik bermunculan. Penelitian ini akan membangun sebuah model klasifikasi multi-label untuk memprediksi emosi pada teks. Algoritma state-of-the-art berbasis Transformer yaitu XLNet akan digunakan untuk membuat model tersebut. Algoritma ini sudah terbukti dapat menghasilkan beberapa performa terbaik untuk berbagai kasus klasifikasi multi-label hingga saat ini. Algoritma transformer, yang mendasari algoritma tersebut, juga menjadi salah satu pilihan dalam memecahkan kasus pengolahan bahasa alami. Performa dari algoritma ini akan dievaluasi dengan melihat nilai Precision, recall, dan f1-score. Hasil penelitian tugas akhir ini adalah didapatkannya model untuk proses klasifikasi multi-label emosi untuk teks. Proses klasifikasi multi-label ini juga akan menerapkan metode Klasifikasi Hierarkis yang memecah kelas emosi menjadi sebuah hierarki.Hasil yang didapatkan dari penelitian ini adalah lima buah model klasifikasi multi-label yaitu model klasifikasi kelas emosi Ekkman dengan f1-score sebesar 0.452, model klasifikasi sub-kelas emosi anger dengan f1-score sebesar 0.546, model klasifikasi sub-kelas emosi fear dengan f1-score sebesar 0.691, model klasifikasi sub-kelas emosi joy dengan f1-score sebesar 0.633, model klasifikasi sub-kelas emosi sadness dengan f1-score sebesar 0.531, dan model klasifikasi emosi sub-kelas surprise dengan f1-score sebesar 0.586.
======================================================================================================================================
A study in 2018 found that about 10.7% of people worldwide experience mental disorders. The impact of mental disorders on an individual is a decrease in their ability to regulate emotions. One mental disorder, depression, causes the sufferer to tend to repress positive emotion regulation, resulting in a tendency to release negative emotion. This emotion regulation disorder also affects the way an individual regulates their emotions when communicating, including through text. Understanding the emotions that an individual possesses indirectly can help to detect the symptoms of mental disorders. Depression has several specific subcategories, one of which is depression that occurs in a woman after giving birth, known as postpartum depression. Research has found that a woman has a 25% chance of suffering from postpartum depression. Since the pandemic, which has resulted in a decrease in the opportunity for prenatal consultation, pregnant women are being encouraged to more frequently self-monitor their physical and mental health. Therefore, a system is needed to monitor the risk of depression based on the emotion regulation of pregnant women. Some research is trying to solve this problem by using machine learning models to classify emotions in text, and at the same time, many better algorithms are emerging. This research will build a multi-label classification model to predict emotions in text. The state-of-the-art Transformer-based algorithm, XLNet, will be used to create the model. This algorithm has proven to be able to produce some of the best performance for various multi-label classification cases so far. The transformer algorithm, which underlies this algorithm, is also a choice in solving natural language processing cases. The performance of this algorithm will be evaluated by looking at the precision, recall, and f1-score values. The result of this final project research is the creation of a model for the multi-label classification process of emotions for text.This multi-label classification process will also apply a hierarchical classification method that breaks the emotion class into a hierarchy. The results obtained from this research are five multi-label classification models, namely the Ekkman emotion class classification model with an f1-score of 0.452, the anger sub-class classification model with an f1-score of 0.546, the fear sub-class classification model with an f1-score of 0.691, the joy sub-class classification model with an f1-score of 0.633, the sadness sub-class classification model with an f1-score of 0.531, and the surprise sub-class emotion classification model with an f1-score of 0.586.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Depresi Pasca Persalinan, Klasifikasi Emosi, Klasifikasi Hierarkis, Multi-label, XLNet, Postpartum Depression, Emotion Classification, Hierachical Classification
Subjects:	B Philosophy. Psychology. Religion > BF Psychology Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Information and Communication Technology > Information Systems > 57201-(S1) Undergraduate Thesis
Depositing User:	Bayu Azra Yudhantorro
Date Deposited:	04 Aug 2023 02:02
Last Modified:	04 Aug 2023 02:02
URI:	http://repository.its.ac.id/id/eprint/100190

Actions (login required)

View Item