ANALISIS KOMPARATIF NAIVE BAYES, RANDOM FOREST: INDIKATOR DEPRESI TEKS PADA TWITTER
DOI:
https://doi.org/10.24076/joism.2026v8i1.2547Keywords:
Depresi, Machine Learning, Random Forest, Naive Bayes, Media SosialAbstract
Depresi mereupakan isu kesehatan mental krusial pada remaja, di mana stigma sosial mendorong ekspresi emosional secara daring. Penelitian ini bertujuan melakukan studi komparatif antara algoritma Naïve Bayes (NB) dan Random Forest (RF) untuk mengidentifikasi model klasifikasi yang paling efektif dalam deteksi depresi berbasis teks. Data dikumpulkan melalui Twitter API (N = 100 pengguna) dengan prapemrosesan seperti normalisasi slang dan penanganan negasi, kemudian diubah menjadi vektor menggunakan TF-IDF. Hasil menunjukkan Random Forest mencapai akurasi 90%, mengungguli Naïve Bayes yang mencatat akurasi 80%. RF menunjukkan kinerja superior pada metrik diagnostik dengan F1-Score 89,3%, sementara NB memiliki Recall tinggi namun rentan terhadap False Positive. Random Forest direkomendasikan untuk sistem deteksi dini karena stabilitas akurasi dan presisi yang tinggi dalam menangani data teks media sosial yang tidak terstruktur.
References
[1] M. Fadhilla, R. Wandri, A. Hanafiah, P. R. Setiawan, Y. Arta, and S. Daulay, “Analisis Performa Algoritma Machine Learning Untuk Identifikasi Depresi Pada Mahasiswa,” J. Informatics Manag. Inf. Technol., vol. 5, no. 1, pp. 40–47, 2025, doi: 10.47065/jimat.v5i1.473.
[2] Ismail Setiawan, I. Fatah Yasin, and Y. Tri Desianti, “Komparasi Kinerja Algoritma Random Forest, Decision Tree, Naïve Bayes, dan KNN dalam Prediksi Tingkat Depresi Mahasiswa menggunakan Student Depression Dataset,” J. Ilmu Komput. dan Teknol., vol. 6, no. 1, pp. 47–58, 2025, doi: 10.35960/ikomti.v6i1.1756.
[3] S. Zacksavira, C. A. Br Sebayang, J. Imanuel, and G. Br Sibarani, “Implementasi Algoritma Decision Tree untuk Deteksi Depresi Pada Pelajar,” Innov. J. Soc. Sci. Res., vol. 5, no. 3, pp. 5915–5934, 2025, doi: 10.31004/innovative.v5i3.19793.
[4] M. Rahma, M. Fikry, and Y. Afrillia, “Prediksi Kesehatan Mental Remaja Berdasarkan Faktor Lingkungan Sekolah Menggunakan Machine Learning,” J. Inform. J. Pengemb. IT, vol. 10, no. 2, pp. 382–390, 2025, doi: 10.30591/jpit.v10i2.8556.
[5] N. Supriani, S. Wahyu Ningrum, and A. Gusti Nugraheni, “Penerapan Algoritma Naive Bayes Dalam Machine Learning Untuk Klasifikasi Faktor-Faktor Yang Mempengaruhi Kesehatan Mental Siswa,” Technol. Informatics Insight J., vol. 4, no. 2, pp. 19–29, 2025, doi: 10.32639/y35c0d63.
[6] H. Aulia et al., “Mental Pada Media Sosial Twitter Dengan Menggunakan,” vol. 10, no. 2, pp. 75–81, 2024.
[7] Tiya Muthia, N. Nurrahma, and Yudi Eka Putra, “Perbandingan Akurasi Model Pembelajaran Mesin SVM, KNN, Decision Tree, dan Naive Bayes pada Klasifikasi Gangguan Kesehatan Mental,” Electr. J. Rekayasa dan Teknol. Elektro, vol. 18, no. 3, pp. 363–368, 2024, doi: 10.23960/elc.v18n3.2758.
[8] R. Alfarezy, E. Ermatita, and R. M. B. Wadu, “Implementasi Algoritma Naïve Bayes Untuk Analisis Klasifikasi Survei Kesehatan Mental (Studi Kasus: Open Sourcing Mental Illness),” Inform. J. Ilmu Komput., vol. 19, no. 1, pp. 1–10, 2023, doi: 10.52958/iftk.v19i1.4696.
[9] J. Sibarani et al., “Detection of Mental Health Tendencies Using Naïve Bayes Based on Social Media Activity Article Info ABSTRAK,” JOMLAI J. Mach. Learn. Artif. Intell., vol. 4, no. 2, pp. 2828–9099, 2025, doi: 10.55123/jomlai.v4i2.5959.
[10] R. N. S. Amriza, D. Supriyadi, P. DI Jl Panjaitan No, K. Purwokerto Selatan, K. Banyumas, and J. Tengah, “Komparasi Metode Machine Learning dan Deep Learning untuk Deteksi Emosi pada Text di Sosial Media,” J. JUPITER, vol. 13, no. 2, pp. 130–139, 2021, doi: 10.5281/3603.jupiter.2021.10.
[11] K. Rahayu, V. Fitria, D. Septhya, and ..., “Klasifikasi Teks untuk Mendeteksi Depresi dan Kecemasan pada Pengguna Twitter Berbasis Machine Learning: Text Classification for Detecting Depression and …,” … Indones. J. …, vol. 3, no. October, pp. 108–114, 2023, [Online]. Available: https://journal.irpi.or.id/index.php/malcom/article/view/780
[12] M. J. Faisti, R. H. Kusumodestoni, and G. W. N. Wibowo, “Mental Health Classification Using Naïve Bayes and Random Forest Algorithms,” J. Appl. Informatics Comput., vol. 9, no. 4, pp. 1740–1750, 2025, doi: 10.30871/jaic.v9i4.10144.
[13] Annisa Maulana Majid, Karina Imelda, and Ismasari Nawangsih, “Komparasi Algoritma Klasifikasi Machine Learning Dengan Penerapan Metode Ensemble Stacking untuk Menganalisa Sentimen terhadap Kesehatan Mental,” SKANIKA Sist. Komput. dan Tek. Inform., vol. 8, no. 2, pp. 293–304, 2025, doi: 10.36080/skanika.v8i2.3561.
[14] Z. R. Santoso, A. H. Wigena, and A. Kurnia, “Mendeteksi Unsur Depresi pada Unggahan Media Sosial Menggunakan Metode Machine Learning dengan Optimasi Berbasis Inspirasi Alam,” vol. 6, no. 2, pp. 128–143, 2025, doi: 10.20956/ejsa.v6i2.45516.
[15] G. F. Situmorang and R. Purba, “Deteksi Potensi Depresi dari Unggahan Media Sosial X Menggunakan IndoBERT,” Build. Informatics, Technol. Sci., vol. 6, no. 2, pp. 649–661, 2024, doi: 10.47065/bits.v6i2.5496.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Journal of Information System Management (JOISM)
This work is licensed under a Creative Commons Attribution 4.0 International License.
