Gangguan mental pada ibu hamil dan menyusui memiliki dampak yang buruk bagi kesejahteraan ibu dan anak. Meskipun begitu, isu ini masi memiliki perhatian yang rendah di Indonesia. Hal ini ditunjukkan pada nilai prevalensi gangguan mental yang masi tinggi dan diperparah dengan angka tingkat kesalahan diagnosa dan penanganan pada pasien kesehatan mental di Surabaya, salah satu daerah di Indonesia sebesar 84%. Metode penanganan primer yang dilakukan ahli memiliki berbagai keterbatasan terutama pada bias budaya dan perspektif akibat stigma. Hal ini membuat para ahli medis mencoba alternatif baru dengan memanfaatkan data sosial media sebagai perspektif baru dari pasien kesehatan mental. Penelitian ini bertujuan untuk mengidentifikasi faktor risiko depresi pada maternal (ibu hamil dan menyusui) menggunakan integrasi hasil ekstraksi aspek topic modeling Latent Dirichlet Allocation (LDA) dengan analisis sentimen multi-aspek DistilBERT. Dataset yang digunakan terdiri dari 21739 unggahan berbahasa Indonesia dari forum komunitas maternal Facebook yang dikumpulkan mengunakan teknik web scrapping. Proses analisis meliputi preprocessing teks, ekstraksi aspek dengan LDA, pra-labeling dengan TextBlob, klasifikasi multi-aspek DistilBERT, Pemilihan arsitektur topic modeling LDA terbaik, identifikasi tema pada hasil ekstraksi aspek yang berkaitan dengan faktor risiko depresi maternal, serta identifikasi faktor risiko (tema) yang relevan dengan hasil prediksi sentimen. Hasil menunjukkan faktor risiko yang banyak diungkapkan pada unggahan para ibu anggota komunitas maternal Facebook, yaitu Berat Badan Janin, Dukungan Sosial, Efek Obat dengan Bayi, Kesehatan Anak, Gejala Fisik Kehamilan, Jenis Persalinan, Siklus Menstruasi, Ekspektasi Persalinan, Disfungsi Kelurga, dan Diagnosa Kelainan Janin/Plasenta pada Hasil Pemeriksaan Kehamilan. Namun setelah validasi, hanya Berat Badan Janin, Dukungan Sosial, dan Diagnosa Kelainan Janin/Plasenta pada Hasil Pemeriksaan Kehamilan yang menjadi faktor kunci dari depresi maternal. Pada pemilihan arsitektur LDA terbaik, digunakan 4 arsitektur dengan nilai kombinasi alpha, beta, dan jumlah topik yang berbeda. Hasil pemilihan menunjukkan arsitektur dengan alpha 0.1, beta 0.01, dan jumlah topik 9 mencapai F1-Score tertinggi mencapai 92.55% pada label positifi saat hasil ekstraksi aspeknya digunakan pada ABSA DistilBERT. Penelitian ini menyoroti dua ii tantangan, yaitu distribusi data yang tidak seimbang karena pra-labeling dan hasil translasi yang buruk yang dapat mempengaruhi performa model baik klasifikasi maupun topik. Temuan ini memberikan kontribusi penting dalam memahami faktor risiko mana yang berpengaruh pada ibu hamil atau menyusui, serta menjadi dasar perancangan strategi penanganan depresi maternal yang lebih tepat sasaran.