Implementasi Metode Long Short Term Memory (LSTM) pada Chatbot Kesehatan Mental Mahasiswa
DOI:
https://doi.org/10.30595/sainteks.v21i2.23869Keywords:
Chatbot, Kesehatan mental, Long short term memoryAbstract
Berdasarkan survei I-NAMHS yang dilakukan pada tahun 2022, menunjukkan bahwa masalah kesehatan mental yang umum terjadi di kalangan remaja meliputi gangguan kecemasan, depresi, gangguan tingkah laku, serta gangguan stres pascatrauma (PTSD). Menanggapi isu yang kompleks ini diperlukan kesadaran akan pentingnya kesehatan mental, yaitu dengan mengembangkan dan mengimplementasikan metode Long Short Term Memory (LSTM) pada chatbot kesehatan mental yang ditujukan bagi mahasiswa. Chatbot ini dirancang untuk memberikan dukungan emosional dan solusi praktis bagi mahasiswa yang menghadapi berbagai masalah kesehatan mental. Untuk itu LSTM dipilih karena kemampuannya yang unggul dalam memahami dan memproses urutan data yang panjang, sehingga memungkinkan chatbot untuk mengingat konteks percakapan. Respons yang diterima pada saat melakukan uji coba chatbot kesehatan mental sangat baik dan relevan karena dipengaruhi tingginya akurasi pada pelatihan model. Hasil pelatihan model LSTM menunjukkan akurasi 98% dan loss sebesar 0,0614 dengan 50 epochs. Diharapkan dengan adanya penelitian mengenai implementasi metode LSTM pada chatbot ini dapat membantu penelitian berikutnya untuk mengembangkan lebih lanjut chatbot kesehatan mental dan menjangkau mahasiswa.
References
Cahyani, J., Mujahidin, S. and Fiqar, T.P. (2023) ‘Implementasi Metode Long Short Term Memory (LSTM) untuk Memprediksi Harga Bahan Pokok Nasional’, Jurnal Sistem dan Teknologi Informasi (JustIN), 11(2), p. 346. Available at: https://doi.org/10.26418/justin.v11i2.57395.
Choudhary, P. and Chauhan, S. (2023) ‘An intelligent chatbot design and implementation model using long short-term memory with recurrent neural networks and attention mechanism’, Decision Analytics Journal, 9(November), p. 100359. Available at: https://doi.org/10.1016/j.dajour.2023.100359.
Fahmi Yusron Fiddin, Komarudin, A. and Melina, M. (2024) ‘Chatbot Informasi Penerimaan Mahasiswa Baru Menggunakan Metode FastText dan LSTM’, Journal of Applied Computer Science and Technology, 5(1), pp. 33–39. Available at: https://doi.org/10.52158/jacost.v5i1.648.
Gadge, H. (2021) ‘A Chatbot for Medical Purpose using Deep Learning’, 10(05), pp. 441–447.
gloriabarus (2022) ‘Hasil Survei I-NAMHS: Satu dari Tiga Remaja Indonesia Memiliki Masalah Kesehatan Mental’, universitas gajah mada. Available at: https://ugm.ac.id/id/berita/23086-hasil-survei-i-namhs-satu-dari-tiga-remaja-indonesia-memiliki-masalah-kesehatan-mental/.
Limpanopparat, S., Gibson, E. and Harris, D.A. (2024) ‘User engagement, attitudes, and the effectiveness of chatbots as a mental health intervention: A systematic review’, Computers in Human Behavior: Artificial Humans, 2(2), p. 100081. Available at: https://doi.org/10.1016/j.chbah.2024.100081.
Luthfiansyah, R. and Wasito, B. (2023) ‘Penerapan Teknik Deep Learning (Long Short Term Memory) dan Pendekatan Klasik (Regresi Linier) dalam Prediksi Pergerakan Saham BRI’, Jurnal Informatika dan Bisnis, 12(2), pp. 42–54. Available at: https://doi.org/10.46806/jib.v12i2.1059.
Muhyidin, H.A.F. and Venica, L. (2023) ‘Pengembangan Chatbot untuk Meningkatkan Pengetahuan dan Kesadaran Keamanan Siber Menggunakan Long Short-Term Memory’, Jurnal Informatika dan Rekayasa Perangkat Lunak, 5(2), p. 152. Available at: https://doi.org/10.36499/jinrpl.v5i2.8818.
Purwitasari, N.A. and Soleh, M. (2022) ‘Implementasi Algoritma Artificial Neural Network Dalam Pembuatan Chatbot Menggunakan Pendekatan Natural Language Parocessing’, Jurnal IPTEK, 6(1), pp. 14–21. Available at: https://doi.org/10.31543/jii.v6i1.192.
Riani, N.A., Andreswari, R. and Fauzi, R. (2021) ‘Implementasi Algoritma Artificial Neural Network’, Journal of Science and Social Research, 4(3), pp. 241–247.
Sabzipour, B., Arsenault, R., Troin, M., Martel, J.L., Brissette, F., Brunet, F. and Mai, J. (2023) ‘Comparing a long short-term memory (LSTM) neural network with a physically-based hydrological model for streamflow forecasting over a Canadian catchment’, Journal of Hydrology, 627(September). Available at: https://doi.org/10.1016/j.jhydrol.2023.130380.
Wintoro, P.B., Hermawan, H., Muda, M.A. and Mulyani, Y. (2022) ‘Implementasi Long Short-Term Memory pada Chatbot Informasi Akademik Teknik Informatika Unila’, EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi, 12(1), p. 68. Available at: https://doi.org/10.36448/expert.v12i1.2593.
Zakariya, F., Zeniarja, J. and Winarno, S. (2024) ‘Pengembangan Chatbot Kesehatan Mental Menggunakan Algoritma Long Short-Term Memory’, Jurnal Media Informatika Budidarma, 8, pp. 251–259. Available at: https://doi.org/10.30865/mib.v8i1.7177.
Downloads
Published
Issue
Section
License
Authors who publish with this journal agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access)
