Publisher

SEMINAR IDSEMINAR ID

Journal Journal of Computer System and Informatics (JoSYC)Journal of Computer System and Informatics (JoSYC) Abstract

Insomnia adalah gangguan tidur yang banyak dialami masyarakat dan berdampak besar pada kesehatan fisik dan mental serta produktivitas. Namun, deteksi dini insomnia masih menjadi tantangan karena gejalanya sulit teridentifikasi secara langsung. Penelitian ini memanfaatkan data historis sebanyak 13.950 tweet dari 4.286 akun Twitter (1 Januari–30 April 2025) untuk memprediksi potensi insomnia menggunakan metode Natural Language Processing (NLP) dan machine learning. Label insomnia ditentukan melalui pendekatan keyword-based yang diverifikasi pakar, kemudian melalui tahapan preprocessing, analisis temporal, dan analisis sentimen. Dua model klasifikasi digunakan, yaitu Support Vector Machine (SVM) yang unggul dalam memisahkan kelas pada data berdimensi tinggi, dan Long Short-Term Memory (LSTM) yang unggul dalam menangkap pola berurutan serta konteks temporal. Hasil awal menunjukkan SVM memiliki akurasi 89% dan unggul pada kelas non-insomnia (precision 0.80, recall 0.97) namun kurang optimal pada insomnia (precision 0.92, recall 0.82), sedangkan LSTM memiliki akurasi 90% dan lebih baik pada insomnia (precision 0.98, recall 0.86) namun sedikit menurun pada non-insomnia (precision 0.81, recall 0.96). Oleh karena masing-masing model memiliki kekuatan berbeda, keduanya digabungkan dengan metode average probabilistic ensemble yang menghasilkan akurasi 92% dengan peningkatan seimbang di kedua kelas (non-insomnia: precision 0.82, recall 0.99; insomnia: precision 1.00, recall 0.88), sehingga lebih andal dibandingkan model tunggal dalam mendeteksi potensi insomnia.

Conclusion

Penelitian ini berhasil mengembangkan model prediksi potensi insomnia berdasarkan aktivitas pengguna media sosial Twitter dengan memanfaatkan teknik Natural Language Processing (NLP) dan machine learning.Data tweet yang mengandung kata kunci terkait insomnia dikumpulkan selama empat bulan dan diproses melalui tahapan preprocessing, pelabelan berdasarkan isi teks dan waktu unggahan, serta analisis temporal untuk mengidentifikasi pola aktivitas yang berkaitan dengan gangguan tidur.Model klasifikasi menggunakan algoritma Support Vector Machine (SVM) dan Long Short-Term Memory (LSTM) mampu mengklasifikasikan tweet dengan performa yang baik, masing-masing mencapai akurasi sekitar 92% dan 91,5%.Hasil penelitian ini menguatkan bahwa analisis data media sosial, khususnya Twitter, dapat menjadi sumber data alternatif dan efektif untuk mendeteksi gangguan tidur secara real-time.

Future Research

Berdasarkan hasil penelitian ini, beberapa saran penelitian lanjutan dapat dipertimbangkan. Pertama, penelitian lebih lanjut dapat dilakukan dengan memperluas sumber data, tidak hanya dari Twitter, tetapi juga dari platform media sosial lainnya seperti Instagram atau Facebook, untuk mendapatkan representasi yang lebih komprehensif mengenai perilaku pengguna terkait insomnia. Kedua, eksplorasi lebih mendalam mengenai fitur-fitur linguistik yang lebih spesifik, seperti penggunaan kata-kata yang berkaitan dengan emosi negatif atau kecemasan, dapat meningkatkan akurasi model prediksi. Ketiga, pengembangan sistem peringatan dini berbasis model ini dapat diimplementasikan untuk memberikan rekomendasi personalisasi kepada pengguna yang berpotensi mengalami insomnia, seperti saran untuk menjaga kebersihan tidur atau berkonsultasi dengan profesional kesehatan. Integrasi dengan perangkat wearable yang memantau pola tidur juga dapat memberikan data tambahan yang berharga untuk meningkatkan akurasi prediksi dan efektivitas intervensi.

References

1. Implementasi Support Vector Machine untuk Klasifikasi Opini Publik pada Media Sosial Twitter Terhadap... jurnalteknik.unisla.ac.id/index.php/teknika/article/view/993Implementasi Support Vector Machine untuk Klasifikasi Opini Publik pada Media Sosial Twitter Terhadap jurnalteknik unisla ac index php teknika article view 993
2. Long Short-Term Memory (LSTM) Based Deep Learning Models for Predicting Univariate Time Series Data -... doi.org/10.18178/ijml.2024.14.1.1154Long Short Term Memory LSTM Based Deep Learning Models for Predicting Univariate Time Series Data doi 10 18178 ijml 2024 14 1 1154
3. Pengaruh Text Preprocessing terhadap Analisis Sentimen Komentar Masyarakat pada Media Sosial Twitter... doi.org/10.30865/mib.v5i2.2835Pengaruh Text Preprocessing terhadap Analisis Sentimen Komentar Masyarakat pada Media Sosial Twitter doi 10 30865 mib v5i2 2835

Metadata

File size	1.03 MB
Pages	11
DMCA	Report