Yogyakarta, 29 Juni 2026 – Media sosial semakin banyak dimanfaatkan sebagai sumber data untuk memahami kondisi kesehatan mental masyarakat. Namun, banyak model Kecerdasan Artifisial (KA) berbasis Natural Language Processing (NLP) masih menghadapi tantangan berupa ketidakseimbangan data (class imbalance), tumpang tindih makna bahasa (semantic overlap), gangguan label (noisy labels), serta sulit menjelaskan alasan di balik hasil prediksinya (black box). Menjawab tantangan tersebut, tim peneliti dari Universitas Gadjah Mada (UGM) mengembangkan pendekatan baru berbasis MentalBERT dengan contrastive learning yang mampu meningkatkan akurasi sekaligus transparansi dalam klasifikasi gangguan mental dari unggahan media sosial.
Hasil penelitian tersebut dipresentasikan dalam 2026 International Conference dan dipublikasikan oleh IEEE melalui artikel berjudul MentalBERT with Contrastive Learning for Mental Disorder Classification from Social-Media: A Comparative and Explainable Study.
Penelitian dilakukan oleh Alfiyah Qothrunnada Zulfa, Syukron Abu Ishaq Alfarozi, Dra. Sri Kusrohmaniah, M.Si., Ph.D., Psikolog, dan Dr.Eng. Ir. Sunu Wibirama, S.T., M.Eng., IPM. Penelitian ini mengevaluasi tiga pendekatan pelatihan pada model MentalBERT, yaitu Cross-Entropy (CE), N-pair Loss (NPair), dan Supervised Contrastive Learning (SupCon) untuk mengklasifikasikan enam kategori gangguan mental berdasarkan teks media sosial.
Hasil eksperimen menunjukkan bahwa pendekatan Supervised Contrastive Learning (SupCon) memberikan performa terbaik dengan skor F1 makro sebesar 85,8%, lebih tinggi dibandingkan dengan metode NPair (84,8%) maupun Cross-Entropy (84,3%). Lebih lanjut, metode SupCon juga menunjukkan performa klasifikasi yang jauh lebih seimbang di antara masing-masing kategori gangguan mental, termasuk pada kelompok diagnosis yang masuk dalam kelas minoritas.
Selain meningkatkan akurasi secara kuantitatif, penelitian ini juga mengedepankan aspek transparansi melalui Explainable KA. Tim peneliti menggunakan pendekatan LIME (Local Interpretable Model-agnostic Explanations) sebagai teknik penjelasan post hoc untuk memberikan informasi yang transparan mengenai alasan dan dasar mengapa suatu model mengklasifikasikan suatu teks ke dalam kategori gangguan mental tertentu. Pendekatan ini membuat hasil prediksi KA menjadi lebih mudah dipahami oleh peneliti maupun praktisi kesehatan mental.
Menurut tim peneliti, aspek keterjelasan (explainability) menjadi sangat penting apabila teknologi KA akan dimanfaatkan sebagai alat bantu dalam proses pengambilan keputusan di bidang kesehatan.
“Pengembangan KA untuk kesehatan mental tidak cukup hanya berfokus pada tingkat akurasi. Model juga harus mampu menjelaskan dasar pengambilan keputusannya sehingga hasilnya dapat dipahami, dievaluasi, dan dipercaya oleh pengguna maupun tenaga profesional,” jelas tim peneliti.
Peneliti menjelaskan bahwa media sosial menyimpan berbagai ekspresi emosional yang dapat dimanfaatkan sebagai sumber informasi awal mengenai kondisi psikologis seseorang. Dengan pendekatan yang lebih akurat dan transparan, teknologi seperti MentalBERT berpotensi mendukung proses skrining dini maupun penelitian kesehatan mental berbasis data digital.
“Pendekatan contrastive learning membantu model mengenali karakteristik masing-masing kategori gangguan mental secara lebih jelas, terutama ketika data yang tersedia tidak seimbang. Hal ini membuka peluang bagi pengembangan sistem deteksi dini yang lebih andal,” ujar peneliti.
Meski demikian, peneliti menegaskan bahwa teknologi ini bukan pengganti diagnosis klinis, melainkan dapat dimanfaatkan sebagai alat pendukung (decision support tool) bagi peneliti maupun tenaga profesional di bidang kesehatan mental.
Selain memberikan peningkatan performa model, penelitian ini menunjukkan pentingnya mengembangkan sistem KA yang tidak hanya cerdas, tetapi juga bertanggung jawab (Responsible AI). Dengan menggabungkan akurasi tinggi dan kemampuan menjelaskan hasil prediksi, penelitian ini diharapkan dapat mendorong pemanfaatan KA yang lebih etis dalam bidang kesehatan mental.
Berita ini menonjolkan dua kontribusi utama penelitian, yaitu peningkatan akurasi klasifikasi gangguan mental dan penguatan transparansi KA melalui explainable artificial intelligence (XAI), yang menjadi isu penting dalam pengembangan KA di bidang kesehatan.
Penata: Fauzi
Editor: Zufar