Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skizofrenia adalah gangguan mental berat yang ditandai oleh psikosis, yang menyebabkan hilangnya hubungan dengan kenyataan dan gangguan komunikasi. Fase prodromal, yang terjadi sebelum munculnya psikosis, penting untuk diidentifikasi, terutama pada remaja, karena dapat berkembang menjadi skizofrenia. Deteksi dini gangguan berpikir, yang merupakan gejala dari gangguan bicara, sangatlah penting. Kemajuan terbaru dalam bidang Natural Language Processing (NLP) memberikan wawasan yang berharga untuk mendiagnosis gangguan berpikir. Penelitian kami menggunakan teknik NLP yang diintegrasikan ke dalam model berbasis IndoBERT Transformer untuk mengklasifikasikan gangguan pikiran secara efektif. Kami bertujuan untuk meningkatkan akurasi dan keandalan diagnosis, dengan mempertimbangkan kasus-kasus prodromal dan menggunakan skala TALD yang divalidasi untuk penilaian. Hasil penelitian menunjukkan bahwa penggunaan kombinasi fitur optimasi dan IndoBERT berhasil mencapai tingkat akurasi sebesar 72,2% dan rata-rata tertimbang F1 sebesar 70,2%. Analisis kami menunjukkan bahwa model ini memiliki potensi yang baik dalam mendeteksi gangguan berpikir.

---

Schizophrenia is a severe mental disorder characterized by psychosis, leading to a disconnect from reality and disrupted communication. The prodromal phase, preceding psychosis, is essential to identify, particularly in adolescents, as it can progress into schizophrenia. Early detection of thought disorder, a symptom of disorganized speech, is crucial. Recent advancements in Natural Language Processing (NLP) provide valuable insights into diagnosing thought disorders. Our study leverages NLP techniques integrated into the IndoBERT Transformer-based model to classify thought disorders effectively. We aim to improve diagnosis accuracy and reliability, considering prodromal cases and using the validated TALD scale for assessment. The results showed that using a combination of optimized and IndoBERT features managed to obtain an accuracy rate of 72.2% and an F1 weighted average of 70.2%. The analysis shows that this model has good potential in detecting thought disorders."