""" Klasifikasi Multi-Label Gejala Depresi, Kecemasan, dan Bipolar Tugas Akhir - Balqis Eka Nurfadisyah (1202220223) S1 Sistem Informasi, Fakultas Rekayasa Industri, Universitas Telkom Aplikasi ini dirancang untuk berjalan langsung di Streamlit Community Cloud tanpa memerlukan Google Colab atau tunnel (ngrok). Bobot model diambil satu kali dari Google Drive lalu disimpan pada cache lokal proses (lihat fungsi `load_model`). Lihat README_DEPLOY.md untuk langkah konfigurasi. """ import os import re import json import unicodedata import numpy as np import pandas as pd import torch import altair as alt import plotly.graph_objects as go import streamlit as st from transformers import AutoTokenizer, AutoModelForSequenceClassification # ───────────────────────────────────────────────────────────────────────── # KONSTANTA # ───────────────────────────────────────────────────────────────────────── MODEL_NAME = "indobenchmark/indobert-large-p2" MODEL_DIR = "model_cache" MODEL_PATH = os.path.join(MODEL_DIR, "best_model_ASL_seed_456.pt") CONFIG_PATH = "config/model_config.json" MAX_LEN = 128 TARGET_NAMES = ["Depresi", "Kecemasan", "Bipolar"] LABEL_TAG = {"Depresi": "D", "Kecemasan": "K", "Bipolar": "B"} FALLBACK_THRESHOLDS = [0.54, 0.55, 0.61] LABEL_DESC = { "Depresi": "Kesedihan, kehampaan, atau hilangnya minat yang berlangsung lama.", "Kecemasan": "Kekhawatiran, ketegangan, atau rasa takut berlebihan yang sulit dikendalikan.", "Bipolar": "Pergantian suasana hati ekstrem antara episode sangat bersemangat dan sangat terpuruk.", } LABEL_INFO = { "Depresi": ( "Depresi ditandai dengan rasa sedih, hampa, atau putus asa yang menetap lebih dari " "dua minggu, disertai hilangnya minat pada aktivitas yang biasa disukai, perubahan " "pola tidur atau makan, sulit berkonsentrasi, dan kelelahan berkepanjangan." ), "Kecemasan": ( "Gangguan kecemasan adalah kekhawatiran atau ketakutan berlebihan yang sulit " "dikendalikan, sering muncul tanpa ancaman nyata. Gejalanya meliputi jantung berdebar, " "sesak napas, gemetar, dan pikiran yang terus berputar pada kemungkinan buruk." ), "Bipolar": ( "Gangguan bipolar ditandai dengan pergantian episode suasana hati ekstrem: episode " "manik atau hipomanik (energi tinggi, impulsif) dan episode depresif (sedih mendalam, " "tidak bertenaga), yang dapat berlangsung dari hitungan hari hingga minggu." ), } LABEL_ADVICE = { "Depresi": ( "Pola bahasa yang terdeteksi konsisten dengan gejala depresi. Bicarakan perasaanmu " "pada orang terdekat, jaga rutinitas tidur, dan jangan memaksakan diri untuk terlihat " "baik-baik saja. Jika perasaan ini menetap lebih dari dua minggu atau mengganggu " "aktivitas harian, ini saatnya mencari bantuan profesional." ), "Kecemasan": ( "Pola bahasa yang terdeteksi menunjukkan indikasi kecemasan berlebih. Teknik " "pernapasan dalam dan latihan grounding dapat membantu meredakan gejala akut. Bila " "kecemasan sering muncul dan mengganggu tidur, pekerjaan, atau hubungan sosial, " "diskusikan dengan konselor atau psikolog." ), "Bipolar": ( "Teks menunjukkan pola perubahan suasana hati yang cukup ekstrem dalam rentang waktu " "berdekatan. Catat pola suasana hatimu selama beberapa hari terakhir dan konsultasikan " "ke psikiater, karena gangguan bipolar umumnya memerlukan penanganan medis terarah." ), } # Token desain — lihat README_DEPLOY.md untuk rasional palet dan tipografi C = { "bg": "#F6F7F5", "surface": "#FFFFFF", "border": "#E2E5E1", "ink": "#1C2321", "muted": "#5B655F", "primary": "#1F4B47", "primary_soft":"#E8EFEC", "detected": "#8C3B4A", "detected_soft":"#F5E9EA", "safe": "#3F6B4F", "safe_soft": "#EAF1EB", "note_bg": "#F5F1E8", "note_ink": "#7A5C2E", } st.set_page_config(page_title="Klasifikasi Gejala Kesehatan Mental", layout="wide") # ───────────────────────────────────────────────────────────────────────── # STYLE # ───────────────────────────────────────────────────────────────────────── st.markdown(f""" """, unsafe_allow_html=True) # ───────────────────────────────────────────────────────────────────────── # SESSION STATE # ───────────────────────────────────────────────────────────────────────── for key, default in [("route", "landing"), ("teks_input", ""), ("hasil", None)]: if key not in st.session_state: st.session_state[key] = default if st.session_state.route == "landing": st.markdown("", unsafe_allow_html=True) def goto(route: str): st.session_state.route = route # ───────────────────────────────────────────────────────────────────────── # MODEL LOADING # Bobot .pt diambil dari Google Drive sekali per proses lalu di-cache. # Set GDRIVE_FILE_ID pada Streamlit Secrets. Lihat README_DEPLOY.md. # ───────────────────────────────────────────────────────────────────────── @st.cache_resource(show_spinner="Memuat model...") def load_model(): device = torch.device("cuda" if torch.cuda.is_available() else "cpu") thr = FALLBACK_THRESHOLDS if os.path.exists(CONFIG_PATH): try: with open(CONFIG_PATH) as f: thr = json.load(f).get("thresholds", FALLBACK_THRESHOLDS) except Exception: pass if not os.path.exists(MODEL_PATH): file_id = st.secrets.get("GDRIVE_FILE_ID", "") if not file_id: return None, None, None, thr, ( "GDRIVE_FILE_ID belum diatur di Streamlit Secrets. " "Tambahkan file_id checkpoint Google Drive pada menu Settings > Secrets." ) try: import gdown os.makedirs(MODEL_DIR, exist_ok=True) gdown.download(id=file_id, output=MODEL_PATH, quiet=False) except Exception as e: return None, None, None, thr, f"Gagal mengunduh checkpoint dari Google Drive: {e}" tok = AutoTokenizer.from_pretrained(MODEL_NAME) mdl = AutoModelForSequenceClassification.from_pretrained( MODEL_NAME, num_labels=3, problem_type="multi_label_classification") try: mdl.load_state_dict(torch.load(MODEL_PATH, map_location=device)) except Exception as e: return tok, None, device, thr, f"Gagal memuat bobot model: {e}" mdl.to(device).eval() return tok, mdl, device, [float(t) for t in thr], None # ───────────────────────────────────────────────────────────────────────── # PREPROCESSING & INFERENCE # ───────────────────────────────────────────────────────────────────────── def preprocess(text: str) -> str: import emoji as emoji_lib text = str(text) text = re.sub(r"http\S+|www\S+|https\S+", "", text, flags=re.MULTILINE) text = re.sub(r"^RT[\s]+", "", text) text = re.sub(r"[@#]\w+", "", text) text = emoji_lib.replace_emoji(text, replace="") text = text.lower() text = unicodedata.normalize("NFKD", text).encode("ascii", "ignore").decode("utf-8") text = re.sub(r"[^a-z\s]", " ", text) return re.sub(r"\s+", " ", text).strip() def predict(text, tok, mdl, device, thr): clean = preprocess(text) enc = tok(clean, return_tensors="pt", padding=True, truncation=True, max_length=MAX_LEN).to(device) with torch.no_grad(): logits = mdl(**enc).logits probs = torch.sigmoid(logits)[0].cpu().numpy() preds = [int(p >= t) for p, t in zip(probs, thr)] return probs, preds, clean @st.cache_resource(show_spinner=False) def build_explainer(_tok, _mdl, _dev): import shap def f(texts): enc = _tok(list(texts), return_tensors="pt", padding=True, truncation=True, max_length=MAX_LEN).to(_dev) with torch.no_grad(): logits = _mdl(**enc).logits return torch.sigmoid(logits).cpu().numpy() masker = shap.maskers.Text(r"\s+") return shap.Explainer(f, masker) def shap_per_kata(explainer, clean_text, label_idx, max_evals=150): sv = explainer([clean_text], max_evals=max_evals, silent=True) toks = [str(t).strip() for t in sv.data[0]] vals = sv.values[0][:, label_idx] df = pd.DataFrame({"kata": toks, "kontribusi": [float(v) for v in vals]}) df = df[df["kata"].str.len() > 1].copy() df["abs"] = df["kontribusi"].abs() return df.nlargest(15, "abs").reset_index(drop=True) # ───────────────────────────────────────────────────────────────────────── # VISUAL # ───────────────────────────────────────────────────────────────────────── def build_radar(probs, thr, names): cats = names + [names[0]] r_prob = list(probs) + [float(probs[0])] r_thr = list(thr) + [float(thr[0])] marker_colors = [C["detected"] if p >= t else C["safe"] for p, t in zip(probs, thr)] marker_colors.append(marker_colors[0]) fig = go.Figure() fig.add_trace(go.Scatterpolar( r=r_thr, theta=cats, mode="lines", line=dict(color="#A9B3AC", dash="dot", width=1.6), name="Ambang batas", )) fig.add_trace(go.Scatterpolar( r=r_prob, theta=cats, mode="lines+markers", line=dict(color=C["primary"], width=2.2), marker=dict(size=8, color=marker_colors, line=dict(width=1, color="#fff")), fill="toself", fillcolor="rgba(31,75,71,0.12)", name="Skor model", )) fig.update_layout( polar=dict( radialaxis=dict(visible=True, range=[0, 1], tickformat=".0%", gridcolor=C["border"]), angularaxis=dict(gridcolor=C["border"]), bgcolor="rgba(0,0,0,0)", ), showlegend=True, legend=dict(orientation="h", yanchor="bottom", y=-0.18, x=0.5, xanchor="center", font=dict(size=11)), margin=dict(l=40, r=40, t=20, b=10), height=320, paper_bgcolor="rgba(0,0,0,0)", font=dict(family="Inter, sans-serif", color=C["ink"]), ) return fig def bar_with_threshold(pct, thr, color): left = min(max(thr * 100, 1), 98) return f"""
""" # ───────────────────────────────────────────────────────────────────────── # LANDING PAGE # ───────────────────────────────────────────────────────────────────────── def landing_page(): st.markdown('
Tugas Akhir — S1 Sistem Informasi
', unsafe_allow_html=True) st.markdown( '
Klasifikasi Multi-Label Gejala Depresi, ' 'Kecemasan, dan Bipolar pada Media Sosial Indonesia
', unsafe_allow_html=True, ) st.markdown(f"""
Balqis Eka Nurfadisyah · NIM 1202220223 · Program Studi S1 Sistem Informasi · Fakultas Rekayasa Industri · Universitas Telkom · 2026
""", unsafe_allow_html=True) st.markdown('
', unsafe_allow_html=True) st.markdown('
Ringkasan Penelitian
', unsafe_allow_html=True) st.markdown("""
Penelitian ini mengembangkan model kecerdasan buatan berbasis arsitektur transformer IndoBERT-Large-p2 untuk klasifikasi multi-label pada teks media sosial berbahasa Indonesia. Model mendeteksi tiga indikasi gejala kesehatan mental secara bersamaan — depresi, kecemasan, dan bipolar — dan dilatih menggunakan data unggahan dari X (Twitter) dan Facebook.
""", unsafe_allow_html=True) st.markdown('
', unsafe_allow_html=True) specs = [ ("Model", "IndoBERT-Large-p2"), ("Jumlah Data", "13.000+"), ("Macro F1-Score", "0.7982"), ("Sumber Data", "X & Facebook"), ("Jenis Klasifikasi", "Multi-label"), ("Jumlah Label", "3"), ] cells = "".join( f'
{k}
' f'
{v}
' for k, v in specs ) st.markdown(cells + "
", unsafe_allow_html=True) st.markdown('
Tujuan Aplikasi
', unsafe_allow_html=True) st.markdown("""

Aplikasi ini merupakan alat bantu deteksi awal untuk mengenali sinyal kecenderungan tekanan psikologis dari teks narasi personal. Tujuannya adalah meningkatkan kesadaran masyarakat terhadap kesehatan mental, membantu pengenalan tanda-tanda awal, dan mendorong individu segera mencari bantuan dari tenaga profesional yang tepat.

""", unsafe_allow_html=True) st.markdown('
Batasan Aplikasi
', unsafe_allow_html=True) limits = [ ("Bukan alat diagnosis", "Prediksi murni berdasarkan pola linguistik dan tidak dapat menggantikan diagnosis " "klinis. Asesmen presisi hanya dapat dilakukan oleh psikolog atau psikiater berlisensi."), ("Konteks teks personal", "Model dirancang untuk teks curahan hati atau narasi pengalaman personal orang " "pertama. Berita, kutipan motivasi, atau tulisan informatif mungkin tidak relevan."), ("Spesifikasi bahasa", "Aplikasi memproses teks berbahasa Indonesia termasuk bahasa gaul dan singkatan " "internet. Teks campuran atau berbahasa asing tidak diproses secara optimal."), ] body = '
' for i, (title, desc) in enumerate(limits, start=1): body += ( f'
{i:02d}
' f'
{title}

{desc}

' ) body += "
" st.markdown(body, unsafe_allow_html=True) st.markdown('
', unsafe_allow_html=True) _, mid, _ = st.columns([1, 1, 1]) with mid: if st.button("Buka Aplikasi", type="primary", use_container_width=True): goto("app") st.rerun() # ───────────────────────────────────────────────────────────────────────── # HALAMAN DALAM APLIKASI # ───────────────────────────────────────────────────────────────────────── def render_sidebar(): with st.sidebar: st.markdown('
Deteksi Gejala
', unsafe_allow_html=True) st.markdown('
Klasifikasi multi-label berbasis IndoBERT
', unsafe_allow_html=True) st.markdown('
', unsafe_allow_html=True) page = st.radio("Menu", ["Deteksi", "Informasi Penelitian"], label_visibility="collapsed") st.markdown('
', unsafe_allow_html=True) st.caption("Balqis Eka Nurfadisyah") st.caption("1202220223 · S1 Sistem Informasi") st.caption("Universitas Telkom") st.markdown('
', unsafe_allow_html=True) if st.button("Kembali ke Beranda", use_container_width=True): goto("landing") st.rerun() return page def info_page(thresholds): st.markdown('
Informasi Penelitian
', unsafe_allow_html=True) st.markdown('
Metode, cakupan, dan batasan sistem.
', unsafe_allow_html=True) st.markdown('
', unsafe_allow_html=True) st.markdown('
Kondisi yang Dianalisis
', unsafe_allow_html=True) for name in TARGET_NAMES: st.markdown(f"""
{name}

{LABEL_INFO[name]}

""", unsafe_allow_html=True) st.markdown('
Ambang Batas Model
', unsafe_allow_html=True) df_thr = pd.DataFrame({ "Kondisi": TARGET_NAMES, "Threshold": [f"{t*100:.0f}%" for t in thresholds], }) st.dataframe(df_thr, hide_index=True, use_container_width=True) st.caption( "Model menghasilkan skor probabilitas 0–100% untuk tiap kondisi. Suatu kondisi " "dianggap terdeteksi apabila skornya melewati ambang batas yang telah dikalibrasi " "pada tahap pelatihan." ) st.markdown("""
Hasil sistem ini tidak menggantikan diagnosis klinis. Diagnosis akhir hanya dapat ditegakkan oleh psikolog atau psikiater berlisensi melalui asesmen langsung.
""", unsafe_allow_html=True) def detection_page(tokenizer, model, device, thresholds): st.markdown('
Early Detection Gejala Mental Health
', unsafe_allow_html=True) st.markdown('
Tulis ceritamu — sistem akan membantu mengenali indikasi awal.
', unsafe_allow_html=True) st.markdown('
', unsafe_allow_html=True) EXAMPLES = { "Sedih dan putus asa": "udah capek hidup capek kenyataan capek semuanya rasanya pengen nyerah", "Cemas berlebihan": "aku takut banget tidak tahu kenapa tiba tiba sesak nafas gemeter susah tenang", "Mood naik turun": "kadang aku euforia semangat banget tapi besoknya drop sedih berkepanjangan mood swing parah", } if "ta_main" not in st.session_state: st.session_state.ta_main = "" st.markdown('
Contoh Teks
', unsafe_allow_html=True) ex_cols = st.columns(3) for col, (label, txt) in zip(ex_cols, EXAMPLES.items()): with col: if st.button(label, use_container_width=True, key=f"ex_{label}"): st.session_state["ta_main"] = txt st.session_state.hasil = None st.rerun() user_input = st.text_area( label="teks", height=120, placeholder="Contoh: akhir-akhir ini aku susah tidur dan merasa tidak berharga", label_visibility="collapsed", key="ta_main", ) st.session_state.teks_input = user_input n_char = len(user_input.strip()) c1, c2 = st.columns([3, 2]) with c1: if n_char > 0: st.caption(f"{n_char} karakter") with c2: use_shap = st.checkbox("Tampilkan kata paling berpengaruh", value=False) btn = st.button("Analisis Sekarang", type="primary", use_container_width=True, disabled=(n_char < 5)) st.markdown("""
Alat bantu skrining/deteksi awal berbasis riset, bukan diagnosis medis. Konsultasikan kondisimu ke psikolog atau psikiater berlisensi.
""", unsafe_allow_html=True) if btn and n_char >= 5: with st.spinner("Menganalisis..."): probs, preds, clean_text = predict(user_input, tokenizer, model, device, thresholds) st.session_state.hasil = (probs, preds, clean_text) if st.session_state.hasil: probs, preds, clean_text = st.session_state.hasil detected = [TARGET_NAMES[i] for i, p in enumerate(preds) if p == 1] st.markdown('
', unsafe_allow_html=True) left, right = st.columns([1, 1], gap="large") with left: st.markdown('
Profil Skor
', unsafe_allow_html=True) st.plotly_chart(build_radar(probs, thresholds, TARGET_NAMES), use_container_width=True) with right: st.markdown('
Hasil
', unsafe_allow_html=True) if detected: badges = "".join( f'{LABEL_TAG[d]}{d}   ' for d in detected ) st.markdown(f"""
Terdeteksi indikasi:
{badges}
Bukan berarti pasti terjadi — ini sinyal awal untuk diperhatikan.
""", unsafe_allow_html=True) else: st.markdown("""
Tidak terdeteksi indikasi dari ketiga kondisi yang dianalisis.
Tetap jaga kesehatan mentalmu.
""", unsafe_allow_html=True) for i, name in enumerate(TARGET_NAMES): pct, thr = float(probs[i]), float(thresholds[i]) is_on = preds[i] == 1 color = C["detected"] if is_on else C["safe"] st.markdown(f"""
{name} {pct*100:.1f}%
{bar_with_threshold(pct, thr, color)} """, unsafe_allow_html=True) st.caption("Garis tegak menandai ambang batas deteksi tiap kondisi.") if detected: st.markdown('
Yang Bisa Kamu Lakukan
', unsafe_allow_html=True) for d in detected: st.markdown(f'
{d}
{LABEL_ADVICE[d]}
', unsafe_allow_html=True) if len(detected) > 1: st.markdown(f"""
Catatan
Lebih dari satu indikasi muncul sekaligus ({', '.join(detected)}). Gejala kondisi mental sering tumpang tindih, sehingga evaluasi menyeluruh oleh psikolog atau psikiater sangat disarankan.
""", unsafe_allow_html=True) if use_shap: with st.expander("Kata Paling Berpengaruh", expanded=True): st.caption( "Batang hijau mendorong prediksi ke arah terdeteksi. " "Batang merah menahan prediksi ke arah tidak terdeteksi." ) show_idxs = [i for i in range(3) if preds[i] == 1] if not show_idxs: st.info( "Tidak ada kondisi yang terdeteksi melewati ambang batas, " "sehingga analisis kata paling berpengaruh tidak ditampilkan." ) else: shap_cols = st.columns(len(show_idxs)) try: explainer = build_explainer(tokenizer, model, device) for col, idx in zip(shap_cols, show_idxs): with col: with st.spinner(f"Menghitung kontribusi {TARGET_NAMES[idx]}..."): df_shap = shap_per_kata(explainer, clean_text, idx, max_evals=150) if df_shap.empty: st.warning("Tidak cukup kata untuk dianalisis.") continue st.markdown(f"**{TARGET_NAMES[idx]}**") chart = ( alt.Chart(df_shap) .mark_bar(cornerRadiusEnd=4) .encode( x=alt.X("kontribusi:Q", title="Kontribusi", axis=alt.Axis(format=".3f", labelFontSize=10)), y=alt.Y("kata:N", sort=alt.EncodingSortField(field="abs", order="descending"), title=None, axis=alt.Axis(labelFontSize=12, labelLimit=120)), color=alt.condition(alt.datum.kontribusi > 0, alt.value(C["safe"]), alt.value(C["detected"])), tooltip=[alt.Tooltip("kata:N", title="Kata"), alt.Tooltip("kontribusi:Q", title="Kontribusi", format=".4f")], ) .properties(height=max(220, len(df_shap) * 28)) .configure_axis(grid=False) .configure_view(strokeOpacity=0) ) st.altair_chart(chart, use_container_width=True) except Exception as e: st.warning(f"Analisis kontribusi kata tidak dapat dijalankan: {e}") st.markdown(" ") if st.button("Coba Teks Lain", use_container_width=True): st.session_state.teks_input = "" st.session_state.hasil = None st.rerun() # ───────────────────────────────────────────────────────────────────────── # ROUTER # ───────────────────────────────────────────────────────────────────────── if st.session_state.route == "landing": landing_page() else: page = render_sidebar() tokenizer, model, device, thresholds, load_err = load_model() if load_err: st.error(load_err) st.stop() if page == "Informasi Penelitian": info_page(thresholds) else: detection_page(tokenizer, model, device, thresholds)