Quarter Life Crisis di Mata Warganet: Siapa Bilang Kamu Sendiri?

Hasilnya cukup menarik: 

• SVM unggul, dengan akurasi mencapai 83%, serta skor precision, recall, dan F1-score yang juga tinggi (sekitar 82-83%).
• Sementara Naive Bayes menghasilkan akurasi 74%,  dengan precision dan recall sedikit lebih rendah. 

Artinya, kalau kamu ingin membangun sistem deteksi sentimen di media sosial, SVM jadi pilihan yang lebih optimal!

Apa Kata Warganet tentang QLC?

Dari total 1119 data yang berhasil diproses: 

• 651 cuitan bernada negatif, contohnya:

"Part tersedih di quarter life of crisis adalah minta maaf ke ibu karena merasa gagal huhu maaf ya bu" 

Visualisasi word cloud dari tweet berisi sentimen negatif terkait QLC. (Dihasilkan menggunakan Python, dokumentasi pribadi)

• 468 cuitan bernada positif, contohnya:

"Apa sih Quarter-Life Crisis itu? QLC adalah fase di mana kita merasa stuck antara harapan vs kenyataan hidup. Banyak yang mempertanyakan: Aku ini siapa? Mau jadi apa di masa depan? Kenapa pencapaianku nggak segemilang mereka? Kalian nggak sendirian kok. #QuarterLifeCrisis"

Visualisasi word cloud dari tweet berisi sentimen positif terkait QLC. (Dihasilkan menggunakan Python, dokumentasi pribadi)

Beberapa kata yang sering muncul dalam komentar positif adalah: semangat, support, proses, berjuang - sedangkan komentar negatif banyak berisi kata seperti bingung, capek, gagal, dan takut. 

Kenapa ini Penting? 

Fenomena Quarter Life Crisis bukan cuma masalah individu, tapi sudah menjadi isu sosial yang harus diperhatikan. Lewat penelitian ini, saya berharap kita semua - baik akademisi, psikolog, bahkan pemerintah - bisa lebih sigap dalam mendeteksi dan merespon isu kesehatan mental berbasis data digital.