Skripsi/Tugas Akhir

Analisis Kesehatan Mental Gen Z Melalui Eksplorasi Instagram Menggunakan Metode Convolutional Neural Network (CNN)

---

Rating Anda tentang Buku ini!

---

ABSTRAK
Penelitian ini bertujuan untuk mengidentifikasi dan mengukur kondisi kesehatan mental Generasi Z, khususnya mahasiswa Universitas Dipa Makassar melalui analisis konten visual pada fitur eksplorasi Instagram menggunakan metode Convolutional Neural Network (CNN). Dengan menganalisis 33 akun, hasilnya menunjukkan bahwa model CNN memiliki akurasi tinggi sebesar 98,72% dalam mengidentifikasi dan mengklasifikasi gangguan kesehatan mental. Berdasarkan analisis confusion matrix dari data akun-akun tersebut, model berhasil mengidentifikasi 418 data negatif dengan benar (True Negative), meskipun 15 data negatif salah diklasifikasikan sebagai positif (False Positive). Sebanyak 16 data positif tidak terdeteksi (False Negative), sementara 1975 data positif terklasifikasi dengan benar (True Positive). Evaluasi metrik, seperti precision 99,24%, recall 99,20%, dan F1-score 99,22%, menunjukkan keseimbangan optimal dalam klasifikasi data positif. Pengujian pada 5 akun baru membuktikan bahwa model mampu mendeteksi gangguan kesehatan mental secara konsisten, bahkan pada data yang belum pernah dilihat sebelumnya. Hasil penelitian ini dapat mendukung upaya pencegahan dan intervensi dini masalah kesehatan mental di kalangan Generasi Z.
Kata Kunci: Kesehatan Mental, Generasi Z, Instagram, Convolutional Neural Network

ABSTRACT
This study aims to identify and assess the mental health conditions of Generation Z, particularly students at Dipa Makassar University, through visual content analysis from the Instagram exploration feature using the Convolutional Neural Network (CNN) method. By analyzing 33 accounts, the results show that the CNN model achieved a high accuracy of 98.72% in identifying and classifying mental health disorders. Based on the confusion matrix analysis of these accounts, the model successfully identified 418 negative data correctly (True Negative), though 15 negative data were misclassified as positive (False Positive). A total of 16 positive data went undetected (False Negative), while 1975 positive data were correctly classified (True Positive). Model evaluation metrics, including a precision of 99.24%, recall of 99.20%, and F1-score of 99.22%, demonstrate optimal balance in classifying positive data. Testing on five new accounts proved that the model can consistently detect mental health disorders, even on previously unseen data. The findings of this study can support preventive and early intervention efforts for mental health issues among Generation Z.
Keywords: Mental Health, Generation Z, Instagram, Convolutional Neural Network

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

--

No. Panggil

SKR 25-51 MAR as - 0830TI

Penerbit

Makassar : Universitas DIPA., 2025

Deskripsi Fisik

xiii + 101 hlm.; 20,5 x 28,5 cm

Bahasa

Indonesia

ISBN/ISSN

--

Klasifikasi

SKR 25-51

Tipe Isi

Text dan Gambar

Edisi/Cetakan

Edisi/Cetakan 22 Februari 2025

Subjek

Skripsi/Tugas Akhir
Sosial Media
Convolutional Neural Network

Lampiran File