| dc.description.abstract | Pengenalan emosi secara otomatis dapat membawa berbagai manfaat seperti membantu memprediksi performance peserta didik, mendeteksi gangguan kejiwaan sejak dini, mengetahui tingkat pemahaman siswa di e-learning, serta menjadi bagian dari Human Machine Interation (HMI) system, Health Care system, dan Driver Safety system. Walaupun begitu, terdapat cross-race effect yang dapat mengurangi akurasi pengenalan emosi dengan etnis yang berbeda. Berdasarkan hal tersebut dilakukan pengembangan model pengenalan emosi yang fokus pada emosi orang Indonesia. Terdapat penelitian pengembangan model pengenalan emosi Indonesia sebelumnya dengan akurasi tertinggi 93,63% sehingga target dari penelitian ini adalah memperoleh akurasi model di atas 93,63%. Dataset yang digunakan pada penelitian ini adalah Indonesian Mixed Emotion Dataset (IMED). Penelitian ini dilakukan menggunakan algoritma Convolutional Neural Network (CNN) karena dapat mengidentifikasi fitur signifikan secara otomatis. Arsitektur CNN dikembangkan dengan cara trial and error melalui eksperimen. Penelitian ini menghasilkan tiga model berarsitektur sama yang dapat mengenali lima emosi dasar dengan akurasi 98,40%, tujuh emosi dasar dengan akurasi 97,19%, serta emosi dasar dan campuran dengan akurasi 95,21%. Akurasi dari penelitian ini lebih baik dari penelitian sebelumnya mengenai pengenalan emosi di Indonesia, yaitu di atas 93,63%. Berdasarkan penelitian ini juga dapat diketahui bahwa tingkat akurasi cenderung berbanding terbalik dengan banyak kelas yang diklasifikasikan pada model. | en_US |
