Electronic Theses and Dissertation

Gangguan bipolar dan depresi merupakan dua jenis gangguan mental yang umum dan tergolong serius. Kedua gangguan ini memiliki beberapa gejala yang saling tumpang tindih sehingga menyulitkan proses diagnosis. Berdasarkan laporan WHO tahun 2019, tercatat sekitar 280 juta orang mengalami depresi di seluruh dunia. Seiring meningkatnya kompleksitas kasus kesehatan mental, dibutuhkan sistem pendukung diagnosis yang mampu mengklasifikasikan jenis gangguan mental secara cepat dan akurat. Salah satu pendekatan yang digunakan adalah algoritma Support Vector Machine (SVM), yaitu metode klasifikasi yang bekerja dengan mencari garis pemisah terbaik antar kelas data. Penelitian ini dilakukan terhadap 120 dataset pasien yang memiliki 17 gejala esensial. Data diklasifikasikan ke dalam empat kelas, yaitu bipolar tipe-1, bipolar tipe-2, depresi, dan individu normal. Dua pendekatan digunakan dalam penelitian ini, yaitu perhitungan manual dan pemanfaatan perangkat lunak weka. Pada pendekatan manual, digunakan 40 data pasien dengan kernel polinomial (konstanta = 1 dan derajat = 2) serta teknik one-vs-all dalam tiga tingkatan level pencarian. Rata-rata akurasi yang diperoleh pada ketiga level adalah sebesar 85,71%. Sementara itu, pada pendekatan menggunakan weka, dilakukan dengan teknik validasi silang 5-fold untuk menghindari overfitting. Pendekatan multikelas yang digunakan adalah teknik one-vs-one dengan parameter C = 1, kernel polinomial (konstanta = 1 dan derajat = 2), dan toleransi eror = 0,001. Rata-rata akurasi yang diperoleh mencapai 88,76%.

Kata kunci : bipolar, depresi, Support Vector Machine (SVM), kernel polinomial, teknik validasi silang

Bipolar disorder and depression are two common and serious mental disorders. Both disorders have several overlapping symptoms that make the diagnosis process difficult. According to a 2019 WHO report, around 280 million people suffer from depression worldwide. As the complexity of mental health cases increases, a diagnosis support system is needed that is able to classify types of mental disorders quickly and accurately. One approach used is the Support Vector Machine (SVM) algorithm, which is a classification method that works by finding the best dividing line between data classes.This study was conducted on 120 patient data that had 17 essential symptoms. The data was classified into four classes, namely bipolar type-1, bipolar type-2, depression, and normal individuals. Two approaches were used in this study, namely manual calculation and utilization of weka software. In the manual approach, 40 patient data were used with a polynomial kernel (constant = 1 and degree = 2) and the one-vs-all technique in three levels of search. The average accuracy obtained was 85.71%. Meanwhile, in the weka approach, a 5-fold cross-validation technique was used to avoid overfitting. The multiclass approach used is one-vs-one with parameter C = 1, kernel polynomial (constant = 1 and degree = 2), and tolerance = 0.001. The average accuracy obtained reached 88.76%. Key word : bipolar, depression, Support Vector Machine (SVM), polynomial kernel, k-fold cross validation