Ide Judul Skripsi: Analisis Deteksi Kesehatan Mental dengan Algoritma Machine Learning Terbaik

merlindawibowo.com – Kesehatan mental adalah kondisi yang mencakup kesejahteraan emosional, psikologis, dan sosial seseorang. Ini mencakup kemampuan individu untuk mengatasi tekanan, menyesuaikan diri dengan perubahan kehidupan, berinteraksi secara positif dengan orang lain, dan membuat keputusan yang tepat. Kesehatan mental juga melibatkan perasaan positif tentang diri sendiri dan kemampuan untuk menikmati kehidupan sehari-hari. Ini tidak hanya mencakup ketiadaan gangguan mental, tetapi juga kemampuan untuk berfungsi secara optimal dalam kehidupan sehari-hari.

Pada awalnya, konsep kesehatan mental hanya terbatas pada individu yang mengalami gangguan mental atau kejiwaan, dan tidak memperhatikan individu secara umum. Namun, pandangan ini telah mengalami perubahan seiring berjalannya waktu, di mana kesehatan mental tidak lagi hanya terfokus pada individu dengan gangguan mental, tetapi juga relevan untuk individu yang mentalnya stabil. Ini mencakup kemampuan individu untuk mengeksplorasi diri dan berinteraksi secara positif dengan lingkungan sekitarnya.

Menurut Undang-Undang Nomor 18 Tahun 2014, kesehatan jiwa merujuk pada kondisi di mana seseorang dapat berkembang secara fisik, mental, spiritual, dan sosial, sehingga individu tersebut menyadari potensi dirinya sendiri, mampu mengatasi tekanan, bekerja secara produktif, dan memberikan kontribusi untuk masyarakatnya. Hal ini menekankan kemampuan individu untuk beradaptasi dan berinteraksi dengan baik dalam lingkungannya.

Gangguan jiwa, di sisi lain, adalah manifestasi dari penyimpangan perilaku yang disebabkan oleh distorsi emosi, yang mengakibatkan ketidakwajaran dalam tingkah laku karena penurunan fungsi kejiwaan.

Gangguan mental dapat bervariasi dari ringan hingga berat, memengaruhi kemampuan individu dalam menjalani kehidupan sehari-hari, termasuk interaksi sosial, pekerjaan, dan hubungan keluarga. Meskipun kompleks, gangguan kesehatan mental dapat diobati, dan sebagian besar penderita masih dapat menjalani kehidupan normal. Namun, dalam kondisi yang tidak stabil, perawatan intensif di rumah sakit mungkin diperlukan untuk menangani kondisi tersebut. Terkadang, kondisi ini juga dapat memicu hasrat untuk menyakiti diri sendiri atau bahkan berakhir dengan kehidupan.

Data dari Perhimpunan Dokter Spesialis Kedokteran Jiwa (PDSKJ) selama Oktober 2020 mencatat bahwa sekitar 32% masyarakat mengalami masalah psikologis, sementara 68% tidak mengalami masalah psikologis. Ketua Umum PDSKJ, Dr. Diah Setia Utami Sp. KJ, MARS, menegaskan pentingnya menindaklanjuti peningkatan gangguan kesehatan jiwa ini agar tidak berkembang menjadi masalah yang lebih serius di masa depan. Kolaborasi dan perhatian dari semua pihak diperlukan untuk menangani masalah ini.

Menurut WHO pada tahun 2017, perkiraan jumlah individu yang mengalami gangguan jiwa di seluruh dunia mencapai sekitar 450 juta orang, termasuk di dalamnya kasus skizofrenia. Baik orang dewasa maupun anak-anak dapat terpengaruh oleh gangguan jiwa ini. Secara global, kondisi Asia Tenggara mencatat angka sekitar 13,5% dari populasi yang mengalami gangguan mental. Di Indonesia, angka ini sebesar 13,4%.

Dalam konteks ini, teknologi menjadi penting untuk membantu masyarakat dalam memahami kondisi psikologis atau mental mereka, apakah mengalami gangguan atau tidak. Penggunaan teknologi untuk memprediksi potensi gangguan mental lebih efektif dengan memanfaatkan data tentang penyakit mental yang dikumpulkan dari kasus-kasus sebelumnya.

Pertumbuhan teknologi, khususnya teknologi Machine Learning yang merupakan bagian dari kecerdasan buatan, sedang mengalami kemajuan yang pesat. Machine Learning memiliki peran penting dalam meningkatkan kualitas layanan kesehatan karena mampu memberikan diagnosis medis dan memprediksi penyakit.

Dalam penelitian pertama dan kedua yang dilakukan oleh Nurhayati Aprilianda Pasaribu dan Halimah Tus Sadiah, mereka menggunakan metode Levenshtein Distance untuk mendeteksi berita hoax dan berhasil mencapai nilai akurasi sebesar 70%. Selain itu, mereka juga berhasil mengembangkan aplikasi drug e-dictionary. Penelitian ketiga, yang dilakukan oleh Zubaidah Al Ubaidah Sakti, membahas tentang identifikasi penyakit mental ansietas menggunakan metode Modified K-Nearest Neighbor dengan akurasi mencapai 93,33%. Penelitian-penelitian tersebut memberikan dasar untuk penelitian selanjutnya yang akan menggunakan metode yang sama tetapi berfokus pada obyek permasalahan yang berbeda.

Selanjutnya, Abdul Azis Maarif melakukan penelitian tentang penerapan algoritma TF-IDF untuk pencarian karya ilmiah yang berhasil memberikan hasil yang baik dengan sistem dapat mencari karya ilmiah sesuai dengan tujuannya. Oleh karena itu, penelitian selanjutnya akan menggunakan metode pembobotan kata atau TF-IDF dengan obyek yang berbeda.

Dalam penelitian lainnya yang dibahas oleh Ahmad Khairun Arsyad, tentang cara membuat aplikasi pencarian barang di berbagai e-marketplace menggunakan teknik web scraping dengan metode Levenshtein Distance yang menghasilkan nilai kesesuaian di atas 0.67 dalam rentang 0.0-1.0. Oleh karena itu, penelitian ini juga akan menggunakan metode Levenshtein Distance dengan obyek yang berbeda.

Selain itu, penelitian yang dilakukan oleh Nur Chudlori Aziz membahas tentang implementasi algoritma KNN untuk memprediksi potensi penyakit jantung dengan Python Flask, dengan akurasi sebesar 82,41%. Oleh karena itu, penelitian selanjutnya juga akan menggunakan metode Flask untuk mengidentifikasi penyakit mental.

Dari semua penelitian yang telah diuraikan di atas, metode TF-IDF dan Levenshtein Distance masih relevan untuk digunakan. Penelitian ini juga akan dibangun berdasarkan sistem website yang menggunakan micro-framework Flask. Topik-topik yang membahas klasifikasi penyakit juga masih menjadi fokus penelitian karena di Indonesia masih diperlukan sistem yang dapat mendiagnosa gejala awal penyakit tanpa harus datang ke dokter, sehingga masyarakat dapat melakukan pengobatan dan pencegahan lebih awal.

Kesehatan Mental

Menurut UU Nomor 18 Tahun 2014, kesehatan mental adalah keadaan di mana seseorang dapat mengembangkan aspek fisik, mental, spiritual, dan sosialnya sehingga ia memiliki kesadaran akan kemampuannya sendiri, mampu menghadapi tekanan, dapat bekerja secara produktif, dan dapat memberikan kontribusi kepada komunitasnya. Kesehatan mental atau jiwa dapat merujuk pada kemampuan seseorang untuk beradaptasi dan berinteraksi secara positif dengan lingkungan sekitarnya. Gangguan jiwa, di sisi lain, merupakan hasil dari gangguan perilaku yang terjadi akibat distorsi emosi, yang mengakibatkan adanya ketidaknormalan dalam perilaku individu karena menurunnya fungsi kejiwaan secara umum.

Machine Learning

Machine Learning merupakan suatu bentuk kecerdasan buatan yang memungkinkan komputer untuk belajar dari data yang ada, tanpa memerlukan instruksi yang telah diprogram secara eksplisit. Data memainkan peran penting dalam konteks Machine Learning karena tanpa adanya data, sistem Machine Learning tidak dapat beroperasi. Oleh karena itu, persiapan data menjadi langkah awal yang penting dalam pengembangan model Machine Learning. Data biasanya dibagi menjadi dua kelompok utama, yaitu data training yang digunakan untuk melatih model, dan data testing yang digunakan untuk menguji kinerja model yang telah dilatih.

TF-IDF

TF-IDF merupakan sebuah teknik yang digunakan dalam information retrieval untuk menentukan bobot relatif dari sebuah kata dalam sebuah dokumen dalam sebuah koleksi atau korpus teks. Metode ini mengkombinasikan dua konsep utama, yaitu frekuensi kemunculan suatu kata dalam sebuah dokumen (TF) dan inverse document frequency (IDF), yang mengukur seberapa penting sebuah kata dalam sebuah dokumen relatif terhadap seluruh koleksi dokumen.

TF-IDF menggabungkan dua faktor penting, yaitu frekuensi kemunculan kata dalam sebuah dokumen (TF) dan invers frekuensi dokumen (IDF). Dengan demikian, metode ini tidak hanya memperhatikan seberapa sering sebuah kata muncul dalam dokumen, tetapi juga seberapa signifikan kata tersebut dalam konteks koleksi dokumen yang lebih luas. Kata-kata yang muncul sering dalam sebuah dokumen tetapi jarang muncul di dokumen lainnya dianggap lebih penting dalam menentukan relevansi sebuah dokumen dengan kueri pencarian. Dengan menggunakan IDF, TF-IDF memberi bobot yang lebih tinggi pada kata-kata semacam itu.

Metode TF-IDF efektif dalam merepresentasikan dokumen teks karena memberikan representasi vektor yang relatif sederhana tetapi informatif. Vektor TF-IDF menggambarkan setiap dokumen dengan berbagai bobot kata, yang memungkinkan perbandingan dan analisis dokumen yang efisien. Konsep dasar TF-IDF relatif mudah dipahami dan diterapkan. Ini membuatnya menjadi salah satu metode ekstraksi fitur yang populer dalam pemrosesan bahasa alami dan information retrieval.

TF-IDF banyak digunakan dalam berbagai aplikasi, termasuk mesin pencari web, analisis teks, klasifikasi dokumen, dan sistem rekomendasi. Hal ini menunjukkan fleksibilitas dan efektivitas metode ini dalam berbagai konteks.

KNN

K-Nearest Neighbors (KNN) adalah salah satu algoritma machine learning yang digunakan untuk klasifikasi dan regresi. Prinsip dasar dari algoritma KNN adalah untuk mengklasifikasikan objek berdasarkan mayoritas label dari K tetangga terdekatnya dalam ruang fitur.

Berikut adalah langkah-langkah umum dalam algoritma KNN:

1. Menentukan nilai K: Langkah pertama dalam menggunakan algoritma KNN adalah menentukan jumlah tetangga terdekat (K) yang akan digunakan dalam proses klasifikasi. Nilai K biasanya dipilih secara empiris atau dengan menggunakan metode validasi silang.
2. Menentukan metrik jarak: Metrik jarak digunakan untuk mengukur jarak antara dua titik dalam ruang fitur. Metrik jarak yang umum digunakan adalah jarak Euclidean, tetapi metrik lain seperti jarak Manhattan, jarak Minkowski, atau jarak Mahalanobis juga dapat digunakan tergantung pada jenis data dan kebutuhan masalah.
3. Memilih data latih: Setelah menentukan nilai K dan metrik jarak, langkah selanjutnya adalah memilih data latih yang akan digunakan untuk melakukan klasifikasi. Data latih terdiri dari sampel-sampel yang sudah diketahui labelnya.
4. Menghitung jarak: Setelah memilih data latih, langkah selanjutnya adalah menghitung jarak antara sampel yang akan diklasifikasikan dengan setiap sampel dalam data latih menggunakan metrik jarak yang telah ditentukan sebelumnya.
5. Menentukan tetangga terdekat: Setelah menghitung jarak, langkah berikutnya adalah menentukan K tetangga terdekat dari sampel yang akan diklasifikasikan berdasarkan nilai jarak yang terkecil.
6. Menentukan kelas mayoritas: Setelah menentukan K tetangga terdekat, langkah terakhir adalah menentukan kelas mayoritas dari tetangga-tetangga tersebut. Sampel yang akan diklasifikasikan akan diberi label kelas yang paling sering muncul di antara K tetangga terdekatnya.
7. Output hasil klasifikasi: Setelah menentukan kelas mayoritas, sampel yang akan diklasifikasikan akan diberi label kelas yang telah ditentukan berdasarkan mayoritas dari tetangga-tetangga terdekatnya.
8. Evaluasi model: Langkah terakhir adalah mengevaluasi kinerja model KNN menggunakan metrik evaluasi yang sesuai seperti akurasi, presisi, recall, atau F1-score. Metrik evaluasi ini membantu untuk menilai seberapa baik model KNN dalam melakukan klasifikasi.

LEVENSHTEIN DISTANCE

Algoritma Levenshtein Distance adalah metrik string yang digunakan untuk mengukur perbedaan antara dua urutan karakter. Pada algoritma ini, semakin kecil nilai skornya, semakin tinggi tingkat kemiripan antara kedua urutan karakter tersebut.

Istilah “distance” dalam konteks ini mengacu pada jumlah modifikasi yang diperlukan untuk mengubah satu urutan karakter menjadi urutan karakter lainnya. Sebagai contoh, jika kita membandingkan string “baru” dan “batu”, maka distance antara keduanya adalah 1 karena hanya diperlukan satu operasi untuk mengubah satu string menjadi yang lain. Nilai distance antara dua string ditentukan oleh jumlah minimum operasi yang diperlukan untuk mengubah satu string menjadi string lainnya. Dalam contoh string “baru” dan “batu” di atas, perubahan dari string “baru” menjadi “batu” hanya memerlukan satu operasi substitusi karakter “r” menjadi “t”.

Operasi-operasi utama dalam algorima ini ada 3 yaitu sebagai berikut:

1. Penyisipan atau insertion : menambahkan suatu karakter ke dalam string. Contohnya string “bapa” menjadi “bapak”.
2. Penghapusan atau deletion : menghilangkan suatu karakter suatu string. Contohnya dari string “kasur” menjadi “kasu”.
3. Penukaran atau subtition : operasi menukar sebuah karakter dengan karakter lain. Contohnya dari string “baru” menjadi “batu”.

Analisis kesehatan mental menggunakan algoritma machine learning adalah pendekatan yang inovatif dan potensial dalam mengidentifikasi pola-pola, tren, dan faktor-faktor yang berkaitan dengan kondisi kesehatan mental seseorang. Dengan menggunakan data yang relevan seperti riwayat medis, perilaku online, dan respons psikologis, algoritma machine learning dapat digunakan untuk melakukan prediksi, diagnosis, dan penanganan lebih lanjut terhadap gangguan mental.

Salah satu keuntungan menggunakan algoritma machine learning adalah kemampuannya untuk mengolah dan menganalisis volume data yang besar dengan cepat dan efisien. Dengan demikian, algoritma ini dapat membantu dalam mengidentifikasi pola-pola kompleks yang mungkin sulit terlihat oleh manusia. Selain itu, dengan adanya kemajuan dalam teknik-teknik seperti deep learning, algoritma machine learning dapat belajar dari data secara mandiri dan meningkatkan kinerjanya seiring waktu.

Namun, penting untuk diingat bahwa penggunaan algoritma machine learning dalam analisis kesehatan mental juga memiliki tantangan dan risiko tertentu. Salah satu tantangannya adalah dalam memastikan keakuratan dan keandalan prediksi yang dihasilkan oleh model. Selain itu, perlunya memastikan bahwa penggunaan teknologi ini tetap menghormati privasi dan etika data pasien.

Secara keseluruhan, analisis kesehatan mental dengan menggunakan algoritma machine learning memiliki potensi besar untuk meningkatkan pemahaman dan penanganan gangguan mental. Namun, perlu adanya pendekatan yang hati-hati dan terukur untuk memastikan bahwa teknologi ini memberikan manfaat yang sebesar-besarnya bagi individu yang terkena dampak gangguan mental.

Penelitian ini masih dapat dikembangkan lagi, semoga bermanfaat!