Klasifikasi terhadap kondisi kesehatan mental menggunakan algoritma XGBoost dengan semantic, syntactic, dan structural features

Kesehatan mental tidak kalah pentingnya dengan kesehatan fisik, namun sering kurang mendapat perhatian yang memadai. Kesehatan mental kini menjadi isu global yang semakin mendesak dengan prevalensi gangguan mental yang terus meningkat di seluruh dunia. Penelitian ini bertujuan untuk mengklasifikasikan kondisi kesehatan mental berdasarkan pernyataan individu menggunakan algoritma XGBoost dengan ekstraksi fitur semantic, syntactic, dan structural. Model diuji secara tunggal dan kombinasi untuk menentukan representasi fitur terbaik. Hasil evaluasi menunjukkan bahwa model XGBoost pada kombinasi fitur semantic syntactic, dan structural memiliki nilai akurasi tertingi sebesar 0.74. Fitur semantic memberikan hasil terbaik ketika digunakan secara tunggal sebesar 0.69, sementara syntactic sebesar 0.44 dan structural sebesar 0.43. Kombinasi fitur semantic dan syntactic sebesar 0.71, kombinasi fitur semantic dan structural sebesar 0.73, sementara kombinasi syntactic dan strcutural lebih rendah dengan hasil akurasi 0.50. Hasil penelitian menunjukkan bahwa efektivitas XGBoost tidak hanya bergantung pada algoritma, tetapi juga dipengaruhi oleh jenis ekstraksi fitur yang digunakan. Kombinasi fitur semantic, syntactic dan structural terbukti memberikan representasi data yang paling optimal untuk klasifikasi kondisi kesehatan mental.