Analisis Tingkat Stres Pengguna Twitter pada Menfess “Tanyarl” Menggunakan IndoBERT

Nadia Nur Alifiana; Bambang Irawan; Otong Saeful Bachri

doi:10.30865/json.v7i3.9433

Authors

Nadia Nur Alifiana Universitas Muhadi Setiabudi
Bambang Irawan Universitas Muhadi Setiabudi
Otong Saeful Bachri Universitas Muhadi Setiabudi

DOI:

https://doi.org/10.30865/json.v7i3.9433

Keywords:

Deteksi Stres, Media Sosial, Twitter, Menfes, IndoBERT

Abstract

Twitter merupakan salah satu media sosial berbasis teks yang banyak dimanfaatkan pengguna sebagai ruang untuk mengekspresikan kondisi emosional dan tekanan psikologis secara terbuka, khususnya melalui akun menfess yang bersifat anonim. Karakter anonim tersebut mendorong pengguna untuk menyampaikan keluhan, perasaan tertekan, dan stres yang dialami dalam kehidupan sehari-hari. Namun, tingginya volume dan variasi bahasa informal dan kontekstual pada menfess menyebabkan proses identifikasi tingkat stres secara manual menjadi tidak efisien dan rentan terhadap subjektivitas. Penelitian sebelumnya umumnya masih terbatas pada klasifikasi biner atau menggunakan metode konvensional yang kurang mampu menangkap konteks semantik bahasa Indonesia secara optimal. Berdasarkan permasalahan tersebut, penelitian ini bertujuan untuk mengembangkan sistem deteksi tingkat stres pengguna Twitter pada menfess “Tanyarl” dengan memanfaatkan pendekatan kecerdasan buatan melalui fine-tuning model IndoBERT. Data unggahan (tweet) dikumpulkan melalui proses crawling menggunakan Harvest-Tweet, kemudian diproses melalui tahapan preprocessing teks dan pelabelan semi-otomatis ke dalam tiga kategori tingkat stres, yaitu stres, tidak stres, dan netral. Dataset yang telah diproses selanjutnya digunakan untuk melatih model IndoBERT dengan pendekatan klasifikasi multi-kelas. Hasil evaluasi menunjukkan bahwa model IndoBERT mencapai nilai akurasi sebesar 84% serta macro F1-score sebesar 85%, yang menandakan performa model yang konsisten pada seluruh kelas stres. Hasil ini membuktikan bahwa IndoBERT efektif dalam memahami konteks linguistik dan ekspresi emosional pada teks media sosial berbahasa Indonesia. Kontribusi penelitian ini meliputi penerapan model transformer untuk mendeteksi tingkat stres berbasis menfess anonim, pengembangan klasifikasi multi-kelas stres, serta penyediaan bukti empiris efektivitas IndoBERT dalam analisis kesehatan mental berbasis data media sosial.

References

M. Fachriza and M. Munawar, “Analisis Sentimen Kalimat Depresi Pada Pengguna Twitter Dengan Naive Bayes, Support Vector Machine, Random Forest,” Komputek, vol. 7, no. 2, pp. 49–58, 2023, doi: 10.24269/jkt.v7i2.2218.

I. R. Hidayat and W. Maharani, “General Depression Detection Analysis Using IndoBERT Method,” Int. J. Inf. Commun. Technol., vol. 8, no. 1, pp. 41–51, Aug. 2022, doi: 10.21108/ijoict.v8i1.634.

M. Johan and S. Aurelia Azka, “Prediction of Alleged Stress Symptoms based on Indonesian Sentiment Lexicon using Multilayer Perceptron,” G-Tech J. Teknol. Terap., vol. 7, no. 3, pp. 958–966, Jul. 2023, doi: 10.33379/gtech.v7i3.2611.

C. L. Odgers and M. R. Jansen, “Adolescent mental health in the digital age,” in Handbook of Adolescent Digital Media Use and Mental Health, J. Nesi, E. H. Telzer, and M. J. Prinstein, Eds., Oxford University Press, 2022. doi: 10.1017/9781108976237.

J. R. Wiyani, I. Indriati, and S. Sutrisno, “Klasifikasi Stres berdasarkan Unggahan pada Media Sosial Twitter menggunakan Metode Support Vector Machine dan Seleksi Fitur Information Gain,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 12, pp. 6003–6009, 2022, [Online]. Available: http://j-ptiik.ub.ac.id

J. Suler, “The Online Disinhibition Effect Revisited: Implications forSself-disclosure and Mental Health,” Cyberpsychology, Behav. Soc. Netw., vol. 26, no. 1, pp. 7–13, 2023, doi: 10.1089/cyber.2022.0235.

S. Basuki, R. Indrabayu, and N. A. Effendy, “Automatic Categorization of Mental Health Frame in Indonesian X (Twitter) Text using Classification and Topic Detection Techniques,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 10, no. 2, pp. 104–110, 2025, doi: 10.23917/khif.v10i2.3328.

Gloriabarus, “Hasil Survei I-NAMHS: Satu dari Tiga Remaja Indonesia Memiliki Masalah Kesehatan Mental,” Universitas Gadjah Mada. [Online]. Available: https://ugm.ac.id/id/berita/23086-hasil-survei-i-namhs-satu-dari-tiga-remaja-indonesia-memiliki-masalah-kesehatan-mental?

S. Winurini, “Pemeriksaan Kesehatan Mental Gratis bagi Remaja,” 2025.

Kementerian Kesehatan Republik Indonesia, “Survei Kesehatan Indonesia 2023,” Jakarta, 2023. [Online]. Available: https://www.badankebijakan.kemkes.go.id/hasil-ski-2023/

Y. Tolla and Kusrini, “Deteksi Stres dan Depresi Unggahan Media Sosial dengan Machine Learning,” J. FASILKOM, vol. 15, no. 1, pp. 84–92, Apr. 2025.

T. Nguyen, D. M. Pham, T. H. Nguyen, H. Pham, R. A. Patel, and M. Dredze, “Online Social Media Language and Mental Health Detection,” J. Med. Internet Res., vol. 24, no. 6, 2022, doi: 10.2196/34578.

O. Campesato, Transformer, BERT, and GPT. Packt Publishing, 2023. [Online]. Available: https://buku.io/book/170842/transformer-bert-and-gpt%0A

S. Aftan and H. Shah, “A Survey on BERT and Its Applications Sulaiman,” IEEE, Jul. 2023.

A. Fitro, A. P. Ristadi Pinem, O. S. Bachri, and Chartini, “Cyberbullying Detection on Instagram using IndoBERTa Model,” in International Conference on Digital Business Innovation and Technology Management, ICONBIT, 2025, pp. 1441–1447.

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, Sep. 2024, doi: 10.47065/bits.v6i2.5496.

F. Koto, A. Rahimi, J. H. Lau, and T. Baldwin, “IndoLEM and IndoBERT: A Benchmark Dataset and Pre-trained Language Model for Indonesian NLP,” COLING 2020 - 28th Int. Conf. Comput. Linguist. Proc. Conf., pp. 757–770, Nov. 2020, doi: 10.18653/v1/2020.coling-main.66.

A. C. Saputra, A. S. Saragih, and D. Ronaldo, “Prediksi Emosi Dalam Teks Bahasa Indonesia Menggunakan Model IndoBERT,” J. Teknol. Inf. J. Keilmuan dan Apl. Bid. Tek. Inform., vol. 19, no. 1, pp. 1–15, 2025, doi: 10.47111/JTI.

D. Suhartono, I. F. Saputra, A. R. Pratama, and G. Nathaniel, “Psychological Stress Detection Using Transformer-Based Models,” ComTech Comput. Math. Eng. Appl., vol. 15, no. 1, pp. 65–71, Jun. 2024, doi: 10.21512/comtech.v15i1.11105.

F. Koto, J. H. Lau, and T. Baldwin, “IndoBERTweet: A Pretrained Language Model for Indonesian Twitter with Effective Domain-Specific Vocabulary Initialization,” EMNLP 2021 - 2021 Conf. Empir. Methods Nat. Lang. Process. Proc., pp. 10660–10668, Nov. 2021, doi: 10.18653/v1/2021.emnlp-main.833.

S. Gupta, “Fine-Tuning Pre-trained Language Models for Text Classification: A Comparative Study,” J. Comput. Linguist. Nat. Lang. Process., vol. 9, no. 1, pp. 67–75, 2021, doi: 10.1016/j.jclnlp.2021.01.005.

G. Xu, Y. Meng, X. Qiu, Z. Yu, and X. Wu, “Sentiment Analysis of Social Media Texts Using Deep Learning Models,” Inf. Process. Manag., vol. 59, no. 2, 2022, doi: 10.1016/j.ipm.2021.102928.

C. Sun, X. Qiu, Y. Xu, and X. Huang, “How to fine-tune BERT for text classification?,” in Chinese Computational Linguistics, 2021, pp. 194–206. doi: 10.1007/978-3-030-32381-3_16.

M. S. Mahdi Faza and M. Taufik, “Penerapan Model Indobert Untuk Deteksi Potensi Sumber Stres Dalam Teks Media Sosial,” J. Rekayasa Sist. Inf. dan Teknol., vol. 3, no. 1, pp. 271–283, Aug. 2025, doi: 10.70248/jrsit.v3i1.3046.

K. Yan, D. Arisandi, and T. Tony, “Analisis Sentimen Komentar Netizen Twitter Terhadap Kesehatan Mental Masyarakat Indonesia,” J. Ilmu Komput. dan Sist. Inf., vol. 10, no. 1, 2022, doi: 10.24912/jiksi.v10i1.17865.