bab i pendahuluan

BAB I
PENDAHULUAN
1.1
Latar Belakang
Pengertian emosi menurut Kamus Besar Bahasa Indonesia adalah (1)
luapan perasaan yang berkembang dan surut dalam waktu singkat; (2) keadaan
dan reaksi psikologis dan fisiologis seperti: kegembiraan, kesedihan, keharuan,
kecintaan, keberanian yang bersifat subjektif [1]. Emosi juga sering didefinisikan
sebagai suatu keadaan yang kompleks dari perasaan yang menghasilkan
perubahan fisik dan psikologis yang mempengaruhi pemikiran dan perilaku.
Emosi mengacu pada strategi kognitif dan perilaku yang digunakan seseorang
untuk mempengaruhi pengalaman emosional mereka sendiri. Ini merupakan
istilah umum untuk subjektif, pengalaman sadar yang ditandai terutama oleh
ekspresi
psychophysiological,
reaksi
biologis
dan
kondisi
mental.
Psychophysiological merupakan cabang psikologi yang bersangkutan dengan
basis fisiologis dari proses psikologis. Emosi sering dikaitkan dan dianggap saling
berpengaruh dengan suasana hati, kepribadian, watak dan dorongan.
Proses kemunculan emosi melibatkan faktor psikologis maupun faktor
fisiologis. Emosi pertama kali muncul akibat adanya rangsangan atau sebuah
peristiwa, yang bisa bersifat netral, positif, ataupun negatif. Rangsangan tersebut
kemudian ditangkap oleh reseptor seseorang, lalu melalui otak seseorang dapat
menginterpretasikan kejadian tersebut sesuai dengan kondisi pengalaman dan
kebiasaannya dalam mempersepsikan sebuah kejadian. Interpretasi yang telah
dibuat seseorang akan memunculkan perubahan secara internal dalam tubuh.
Perubahan tersebut misalnya: napas tersengal, mata memerah, keluar air mata,
dada menjadi sesak, perubahan raut wajah, intonasi suara, cara menatap dan
perubahan tekanan darah.
Pemodelan dan pengenalan tentang emosi telah menarik perhatian luas
dari berbagai disiplin ilmu seperti: psikologi, kedokteran, dan teknik. Para peneliti
dapat mengidentifikasi emosi melalui: ekspresi wajah, cara berbicara dan isyarat
1
fisiologis. Gambar 1.1 menunjukkan beberapa contoh ekspresi wajah seorang
individu yang sedang mengalami emosi seperti: marah, bahagia, jijik dan terkejut.
Intonasi suara pada saat seseorang sedang berbicara juga dapat digunakan untuk
mengidentifikasi emosi. Salah satu contoh isyarat suara yang dapat digunakan
untuk mengidentifikasi emosi ditunjukkan pada Gambar 1.2.
Netral
Senang
Terkejut
Takut
Gambar 1.1 Contoh ekspresi wajah berbagai emosi.
Gambar 1.2 Isyarat suara kondisi netral.
Isyarat fisiologis merupakan tanda-tanda yang sangat penting dari tubuh
manusia. Contoh yang termasuk dalam kategori isyarat fisiologis antara lain:
2
isyarat Elektrokardiogram (EKG), isyarat Elektroensefalogram (EEG), isyarat
Elektromiogram (EMG), volume tekanan darah (Blood Volume Pressure),
variabilitas denyut jantung (HRV), Galvanic Skin Response (GSR), suhu kulit
(Skin Temperature), konduktivitas kulit (Skin Conductivity) dan laju pernapasan
(Respiration Rate). Gambar 1.3 menunjukkan beberapa jenis isyarat fisiologis
yang sering digunakan untuk mengidentifikasi kondisi emosi. Isyarat-isyarat
tersebut secara tradisional telah digunakan untuk diagnosis klinis, tetapi ada bukti
yang signifikan yang menunjukkan bahwa mereka peka dan dapat menyampaikan
informasi tentang kondisi emosional. Salah satu alasan mendeteksi emosi
menggunakan isyarat fisiologis adalah sifat isyarat fisiologis merupakan reaksi
tak sadar dari tubuh, dan dengan demikian sangat sulit untuk menutupi kondisi
yang sedang dialami oleh tubuh [2].
Gambar 1.3 Posisi dan bentuk gelombang khas dari biosensor. (a) EKG
(b) Respiration Rate (c) Skin Conductivity (d) EMG.
Indera manusia menghasilkan tanggapan fisiologis yang unik yang
ditimbulkan oleh rangsangan dan yang pada gilirannya menyebabkan emosi yang
terkait. Hal ini memicu beberapa kepentingan dalam menyelidiki apakah
kombinasi unik tanggapan fisiologis dapat mencerminkan emosi tertentu, yang
berarti jika emosi dapat dikenali hanya dengan melihat tanggapan fisiologis,
3
kemungkinan juga dapat mengukur emosi dengan menggunakan isyarat-isyarat
tubuh. Kepentingan yang lebih besar mendorong sebagian peneliti untuk meneliti
keunikan bentuk gelombang EKG yang menjadi salah satu isyarat biomedis dalam
memberikan wawasan ke dalam emosi manusia [3]. EKG adalah grafik yang
merekam perubahan potensial listrik jantung yang dihubungkan dengan waktu.
Jantung menghasilkan serangkaian denyutan elektromagnetik terus-menerus
dengan interval waktu antara setiap denyut bervariasi secara dinamis dan
kompleks. Medan elektromagnetik jantung bertindak sebagai gelombang
pembawa informasi yang memberikan isyarat sinkronisasi global untuk seluruh
tubuh. Ketika denyutan gelombang memancarkan energi keluar dari jantung,
denyutan-denyutan tersebut berinteraksi dengan organ-organ dan struktur lainnya.
Gelombang-gelombang tersebut terkodekan atau merekam ciri dan aktivitas
dinamis dari struktur-struktur dalam pola energi gelombang yang didistribusikan
ke seluruh tubuh. Dengan cara ini, informasi yang dikodekan bertindak sebagai
bentuk
kegiatan
semua
fungsi
tubuh
untuk
mengkoordinasikan
dan
mensinkronisasikan proses-proses dalam tubuh secara keseluruhan. Gambar 1.4
menunjukkan salah satu contoh hasil perekaman EKG yang dicetak menggunakan
kertas EKG. Kurva EKG menggambarkan proses listrik yang terjadi di atrium dan
ventrikel.
Gambar 1.4 Hasil perekaman denyut jantung pada kertas EKG.
4
Penelitian dasar di Institut HeartMath menunjukkan bahwa informasi yang
berkaitan dengan keadaan emosi seseorang juga dikomunikasikan ke seluruh
tubuh melalui medan elektromagnetik jantung [4]. Pola-pola denyut irama jantung
akan berubah secara signifikan saat mengalami emosi yang berbeda. Emosi
negatif, seperti marah atau frustrasi, akan berhubungan dengan pola irama jantung
yang tidak menentu, tidak teratur, dan tidak koheren. Sebaliknya, emosi positif,
seperti cinta atau bahagia, mempunyai pola irama jantung yang halus, teratur, dan
koheren. Lebih khusus lagi, mereka telah menunjukkan bahwa emosi positif yang
berkelanjutan tampaknya menimbulkan modus yang memiliki fungsi berbeda,
yang disebut koherensi psychophysiological. Selama mode ini, irama jantung
menunjukkan pola semacam gelombang sinus dan medan elektromagnetik jantung
menjadi secara bersamaan lebih terorganisir. Di tingkat fisiologis, mode ini
ditandai dengan peningkatan efisiensi dan harmoni dalam aktivitas dan interaksi
dari sistem tubuh. Secara psikologis, mode ini terkait dengan penurunan penting
dalam dialog mental internal, persepsi stres yang berkurang, meningkatkan
keseimbangan emosional, dan kejernihan mental yang lebih sempurna, kearifan
intuitif, dan kinerja kognitif.
Berdasarkan uraian tersebut dan dengan mempertimbangkan aspek
psikologis seseorang, baik untuk mengidentifikasi penyakit serta mengidentifikasi
dan pengembangan potensi seseorang, dapat menjadi pelengkap yang sangat
efektif untuk meningkatkan, tidak hanya kualitas hidup seseorang, tetapi juga
kesehatan fisik, khususnya bagi kesehatan jantung, sehingga menjadi sangat
penting untuk melakukan penelitian dalam menganalisis kondisi emosi melalui
hasil pengukuran dan rekam EKG.
1.2
Perumusan masalah
EKG merupakan isyarat yang dihasilkan oleh aktivitas listrik otot jantung
yang mengandung informasi kondisi jantung. Berdasarkan penelitian sebelumnya,
informasi yang berkaitan dengan kondisi emosi seseorang dapat diperoleh melalui
isyarat EKG. Pola irama denyut jantung akan berubah secara signifikan saat
mengalami emosi yang berbeda. Ciri isyarat EKG yang menunjukkan kondisi
5
emosi belum diketahui karena tidak dapat dilihat secara visual oleh mata manusia.
Untuk mengatasi permasalahan ini diperlukan pemilihan dan ekstraksi ciri untuk
memperoleh ciri dari isyarat EKG yang dapat mengidentifikasi kondisi emosi.
Apabila ciri kondisi emosi telah diketahui, permasalahan berikutnya adalah
menentukan teknik yang tepat untuk melakukan identifikasi agar dapat
membedakan tiga jenis emosi, yaitu kondisi emosi netral, emosi negatif dan emosi
positif secara optimal.
1.3
Batasan Masalah
Subjek penelitian dibatasi hanya pada pengukuran dan perekaman EKG
bagi wanita berusia 17–25 tahun dan berstatus sebagai mahasiswa. Hal ini
dikarenakan rentang usia tersebut mudah untuk diberikan stimulus/ rangsangan
agar dapat
menganalisis kondisi emosi. Penentuan kondisi emosi dibedakan
menjadi tiga yaitu emosi positif, emosi negatif dan kondisi netral. Kondisi senang
dikategorikan sebagai emosi positif. Kondisi sedih, kegalauan, resah, dan bingung
dikategorikan sebagai emosi negatif. Jika tidak merasakan kedua kondisi tersebut
atau merasakan biasa-biasa saja, maka kondisi ini dikategorikan sebagai emosi
netral.
1.4
Keaslian penelitian
Beberapa karya penelitian telah dilakukan pada pengenalan emosi
menggunakan ekspresi wajah maupun isyarat fisiologis. Klasifikasi emosi
menggunakan media web blog corpora (gambar emoticons) dengan metode
Support Vector Machine (SVM) menunjukkan tingkat akurasi yang rendah yaitu
sebesar 55,8% untuk emosi positif dan 21,6% untuk emosi negatif [5]. Berarti
bahwa untuk membedakan jenis emosi menggunakan web blog corpora tidak
disarankan karena hasilnya kurang akurat.
Penelitian yang telah dilakukan dalam mengklasifikasikan berbagai
macam emosi menggunakan ekspresi wajah dengan metode yang berbeda-beda
dalam melakukan ekstraksi ciri dan klasifikasi memiliki tingkat akurasi yang baik.
Beszedes dkk. [6] menggunakan metode ekstraksi ciri Active Appearance Models
6
(AAM) dan Support Vector Machine (SVM) sebagai klasifikatornya menunjukkan
hasil dengan tingkat akurasi klasifikasi emosi dari 36 tipe data latih yang berbeda
sebesar 93%. Hasil penelitian Siraj dkk. [7] menggunakan metode Neural
Network (NN) dengan algoritme pembelajaran backpropagation dan analisis
regresi mengungkapkan bahwa kesalahan klasifikasi menggunakan NN 2,5%,
sedangkan kesalahan klasifikasi menggunakan analisis regresi sebesar 33,33%.
Rizon dkk. [8] dapat mengklasifikasikan emosi dengan mengoptimalkan ciri
bentuk bibir atas, bibir bawah dan mata menggunakan Genetic Algorithm –
Neural Network memperlihatkan tingkat akurasi antara 83% - 90%. Hal ini
menunjukkan bahwa ekspresi wajah baik untuk dijadikan sebagai bahan untuk
mengklasifikasikan berbagai jenis emosi.
Dalam membedakan jenis emosi juga dapat dapat dilakukan dengan
menggunakan isyarat suara yang berasal dari tutur/ ucapan seseorang. Ciri dilihat
dari intonasi tiap kata yang dituturkan. Dari hasil rekam tutur kata inilah emosi
dapat dibedakan. Fukuda dkk. [9] telah membuktikan bahwa emosi dari suara
dapat diekstraksi dengan menentukan koefisien emosi yaitu perasaan emosional
sesaat manusia, sebagai salah satu kriteria evaluasinya. Tin Lay dkk. [10]
menggunakan metode Me1-frequency short time speech power coefficients untuk
ekstraksi ciri dan Discrete Hidden Markov Model sebagai klasifikatornya
memiliki tingkat akurasi antara 70% - 94% dalam mengklasifikasikan emosi.
Penelitian yang paling banyak dilakukan dalam klasifikasi emosi yaitu
menggunakan isyarat fisiologis yaitu isyarat EKG, isyarat EEG, isyarat EMG,
volume tekanan darah, HRV, GSR, suhu kulit (Skin Temperature), konduktivitas
kulit (Skin Conductivity) dan laju pernapasan (Respiration Rate). Alasannya
karena isyarat fisiologis merupakan reaksi tak sadar dari tubuh, dan dengan
demikian sangat sulit untuk menutupinya sehingga emosi yang muncul tidak ada
kesan dibuat-buat. Dengan metode ekstraksi ciri dan klasifikasi yang berbedabeda, hasil penelitian menunjukkan tingkat akurasi yang tinggi dengan rata-rata
akurasi klasifikasinya 62% - 95% [2, 11-31]. Seperti banyak penelitian
pemrosesan isyarat biomedis lainnya, pengenalan emosi juga dimulai dengan
7
pendekatan pada pengguna dependen yang mana sangat bergantung pada subjek.
Dalam kasus sistem pengguna dependen, akurasi maksimum 95% telah diperoleh
untuk mengenali empat macam emosi (senang, marah, sedih dan tertekan) dan
92% untuk mengenali enam macam emosi (senang/terhibur, kepuasan, jijik, takut,
sedih, dan netral) [13, 29]. Pendekatan pada pengguna independen diperoleh
akurasi 86% untuk klasifikasi dua emosi (senang dan sedih), 70% untuk
klasifikasi empat macam emosi (senang, marah, sedih dan tertekan), dan 50%
untuk klasifikasi sembilan macam emosi (marah, perhatian, penghinaan, jijik,
dukacita, takut, senang, malu, dan terkejut) [11, 13, 29, 30]. Pada pengenalan
emosi subjektif diperoleh akurasi klasifikasi untuk emosi elisitasi visual [32].
Ragam audio emosi elisitasi diperoleh akurasi klasifikasi 95% ketika ciri-ciri dari
empat isyarat fisiologis (EKG, EMG, SC dan RSP) digunakan untuk klasifikasi
[13]. Namun ketika hanya satu isyarat fisiologis yang digunakan (EMG) dianggap
akurasi klasifikasinya 83% [25, 27]. Rangsangan audio visual menggunakan klip
film memunculkan target emosi yang lebih baik, akurasi klasifikasi hanya 86%
yang jauh lebih kecil dibandingkan dengan ragam emosi elisitasi lainnya [13, 29,
33]. Hal ini juga harus dicatat bahwa metode ekstraksi ciri yang digunakan oleh
para peneliti dalam emosi elisitasi menggunakan ragam audio visual relatif
sederhana [20, 29]. Hal ini menunjukkan bahwa algoritme sederhana juga
memberikan ketepatan klasifikasi yang cukup dalam emosi elisitasi audio visual.
Pada saat isyarat EKG saja yang digunakan untuk pengenalan emosi,
menunjukkan tingkat akurasi klasifikasi yang lebih baik yaitu di atas 85% [12, 26,
30, 31]. Tabel 1.1 menunjukkan rincian penelitian yang telah dilakukan dalam
mengindetifikasi dan mengklasifikasikan berbagai jenis emosi menggunakan
media ekspresi wajah, suara (tutur/ ucapan) maupun isyarat fisiologis.
Tabel 1.1 Review penelitian sebelumnya pada pengenalan emosi.
No
1
Peneliti
Yang dkk.
[5]
Media yang
digunakan
web blog
corpora
Ekstraksi
Ciri
-
Klasifikasi
Support
Vector
Machine
(SVM)
8
Hasil
55,8% (emosi
positif) dan
21,6% (emosi
negatif).
2
Beszedes
dkk. [6]
Gambar
ekpresi wajah
Active
Appearance
Models
(AAM)
Support
Vector
Machines
(SVM)
Tingkat akurasi
klasifikasi emosi
dari 36 tipe data
latih yang berbeda
menggunakan
proses
pembelajaran
SVM diperoleh
93%.
3
Siraj dkk. [7]
Gambar
ekpresi wajah
-
Neural
Network
(NN) dengan
algoritme
pembelajaran
backpropaga
tion dan
analisis
regresi
Hasil penelitian
mengungkapkan
bahwa kesalahan
klasifikasi
menggunakan NN
2,5%, sedangkan
kesalahan
klasifikasi
menggunakan
analisis regresi
sebesar 33,33%.
4
Rizon dkk.
[8]
Gambar
ekpresi wajah
Ciri bentuk
bibir dan
mata
Algoritme
Genetik dan
Neural
Network
(NN)
Klasifikasi emosi
dengan
mengoptimalkan
ciri bentuk bibir
atas, bibir bawah
dan mata
menggunakan
GA-NN
memperlihatkan
tingkat akurasi
antara 83% 90%.
5
Tin Lay dkk.
[10]
Isyarat audio
tutur/ ucapan
dari dua
pembicara
Me1
frequency
short time
speech
power
coefficients
Discrete
Hidden
Markov
Model
Klasifikasi emosi
yang tidak
dikelompokkan
diperoleh tingkat
akurasi rata-rata
72,22% dan 60%
untuk tutur dari
dua pembicara.
Sedangkan
klasifikasi emosi
yang
dikelompokkan
akurasi tertinggi
yang diperoleh
adalah 94% dan
70%.
9
6
Fukuda dkk.
[9]
Suara
(berdasarkan
survey pada 50
orang Jepang
dan 20 orang
bukan Jepang
yang berbeda
latarbelakang
umur, jenis
kelamin dan
pendidikan)
Daubechies
Wavelet/
Cepstrum
7
Baby dkk.
[2]
EKG
Hilbert
Huang
Transform
(HHT)
Fast Fourier
Transform
(FFT)
-
Membedakan tiga
kondisi emosi
(senang, sedih,
takut)
berdasarkan
amplitudo dan
frekuensi sesaat.
8
Kim dkk.
[11]
EKG, ST,
Aktivitas
Elektrodermal
Mean,
Standar
deviasi dari
isyarat asli
dan turunan
pertamanya,
Daya
frekuensi
tinggi dan
frekuensi
rendah
Support
Vector
System
(SVS)
78,4% (pengguna
independe dengan
3 jenis emosi) dan
61,8% (pengguna
independen
dengan 4 jenis
emosi).
9
Agrafioti
dkk. [12]
EKG
HilbertHuang
transform
Feeltrace
Mampu
membedakan
antara rangsangan
aktif dan pasif
89%.
10
Jonghwa
dkk. [13]
EMG, EKG,
SC, RSP
Statistik dan
Energi ciri
berbasis Sub
Band
Spectrum,
Entropy
Linear
Discriminant
Analysis
95% (pengguna
dependen) dan
70% (pengguna
independen).
11
Jerritta dkk.
[14]
EKG
Hilbert
Huang
Transform
(HHT)normalisasi
K-Nearest
Neighbor
(KNN)
Frekuensi rendah
Intrinsic Mode
Functions (IMF)
berisi informasi
emosional yang
10
Dengan
menerapkan
perasaan
emosional sesaat
dari manusia,
sebagai salah satu
kriteria evaluasi
lainnya, maka
emosi dari suara
dapat diekstraksi
dengan
menentukan
koefisien emosi.
isyarat
turunan QRS
12
Changchun
dkk. [15]
EKG, EMG
lebih
dibandingkan
dengan rentang
frekuensi lain.
Transformasi
Fourier,
Transformasi
Wavelet,
Nilai
ambang,
Deteksi
puncak
K Nearest
Neighbor
(KNN)
Regression
Tree
Bayesian
Networks
75,6% (pengguna
dependen)
83,5% (pengguna
dependen)
74,03%
(pengguna
dependen)
13
Bong Siao
dkk. [16]
EKG, EMG
Elliptic
Filter dan
Discrete
Wavelet
Transform
(DWT)
K Nearest
Neighbor
(KNN)
Tingkat
maksimum
klasifikasi 93,1%
(emosi positif),
85,1% (emosi
negatif) dan
71,7% (keadaan
netral). Emosi
negatif lebih
dikategorikan
sebagai emosional
tekanan dan
emosional nontekanan yang
mencapai tingkat
klasifikasi
maksimum 82,9%
dan 86,9%.
14
Kulic dan
Croft [17]
SC, HR, EMG
-
Hidden
Markov
Model
83% Arousal ,
80% Valance
(pengguna
dependen) dan
66% Arousal,
66% Valance
(pengguna
independen)
15
Picard dkk.
[18]
EMG, BVP,
SC, RSP
Ciri statistik,
Seleksi
pencarian
sekuensial,
Proyeksi
Fischer
Hybrid
Linear
Discriminant
Analysis
81% (pengguna
dependen)
16
Rigas dkk.
[19]
EKG, EMG,
aktivitas
elektrodermal,
Mean,
Standar
deviasi,
K Nearest
Neighbor
(KNN)
62,70%
(pengguna
independen)
11
RSP
Difference
Simba
Algorithm,
Principal
Component
Analysis
(PCA)
Random
Forest
62,41%
(pengguna
independen)
17
Lan dan Jihua [20]
EKG, ST, SC,
RSP
Mean,
Difference,
Daya
frekuensi
rendah, Daya
frekuensi
tinggi, Rasio
daya
Canonical
Correlation
Analysis
85,3% (pengguna
dependen)
18
Nasoz dkk.
[21]
GSR, HR
Tidak ada
ciri spesifik
K Nearest
Neighbor
(KNN)
71% (pengguna
dependen)
74% (pengguna
dependen)
83% (pengguna
dependen)
Discriminant
Function
Analysis
Marquardt
Backpropaga
tion
19
Murugappan
[23]
EMG
Discrete
Wavelet
Transform
(DWT)
K Nearest
Neighbor
(KNN) dan
Linear
Discriminant
Analysis
Perbandingan
klasifikasi
maksimum
90,83% (jijik),
100% (bahagia),
94,17% (takut),
90,28% (netral),
dan 43,89%
(sedih).
20
Cong dan
Chetouani
[24]
EKG, EMG,
SC, RSP
Hilbert
Huang
Transform
(Pemecahan
dan
peleburan)
Support
Vector
Machine
(SVM)
76% (pemecahan,
pengguna
dependen)
dan 62%
(peleburan,
pengguna
dependen)
21
Cheng dan
Guangyuan
[25]
EMG
Daubechies5
Wavelet
Transform
Neural
Network
(NN)
82,29%
(pengguna
dependen)
22
Ma dan
Guang-Yuan
EKG
Ant Colony
System
K Nearest
Neighbor
Perbandingan
pengenalan
12
[26]
(ACS)
(KNN)
terbesar
diperoleh 92,73%
dan rata-ratanya
sebesar 88,88%.
23
Xizhi Zhu
[27]
EMG
Six scale
Daubechies
Wavelet
Transform
Support
Vector
Machines
(SVM)
83,30%
(pengguna
dependen)
24
F. Honig
dkk. [28]
EKG, EMG,
SC, RSP
Ciri
perpindahan
dan ciri
pergeseran
(rekursif)
Linear
Discriminant
Analysis
83,4% (pengguna
dependen)
25
Choubeila
Maaoui dan
Alain Pruski
[29]
BVP, EMG,
ST, SC, RSP
Ciri statistik
dalam
kawasan
waktu (mean,
standar
deviasi dari
isyarat asli,
nilai mutlak
diferensial
orde pertama
dan kedua
dari isyarat
asli)
Support
Vector
Machine
(SVM)
dan
Fisher
Linear
Discriminant
Analysis
90% (pengguna
dependen) dan
92% (pengguna
dependen)
26
Wen dkk.
[30]
EKG
Fast Fourier
Transform
(FFT)
Tabu search
86% (pengguna
independen)
27
Jing dkk.
[31]
EKG
Discrete
Wavelet
Transform
(DWT)
Tabu Search
dan K
Nearest
Neighbor (KNN)
Total laju rata-rata
94,59% dan
85,78% untuk dua
kondisi emosi
(senang dan
sedih).
28
Murugappan
[22]
EEG
“db4”,
“db8”,
“sym8” dan
“coif5”
Wavelet
Transform
K Nearest
Neighbor (KNN)
Rata-rata
klasifikasi
82,87% pada 64
channel dan
78,57% pada 24
channel.
Berdasarkan penelitian-penelitian yang telah dilakukan, data yang paling
banyak digunakan untuk pengenalan atau identifikasi kondisi emosi adalah isyarat
fisiologis, khususnya EKG. Metode ekstraksi ciri sebagian besar menggunakan
13
HHT, wavelet dan FFT karena mampu menyediakan alternatif data waktufrekuensi-energi, nonlinearitas dan nonstasioneritas dapat ditangani dengan lebih
baik dibandingkan dengan frekuensi dan amplitude konstan. Akan tetapi metode
tersebut juga mempunyai kekurangan yaitu waktu yang dibutuhkan untuk
menjalankan algoritme terlalu lama sehingga kurang efektif. Metode klasifikasi
yang banyak digunakan adalah NN, SVM dan KNN. Klasifikasi menggunakan
metode NN mempunyai kinerja baik, fitur masukan sedikit, memiliki tingkat
keakuratan yang tinggi, dan memiliki kemampuan pembelajaran yang baik, tetapi
membutuhkan sampel yang banyak, waktu pembelajaran yang lama, dan waktu
operasi yang tidak terlalu baik. Teknik klasifikasi menggunakan metode SVM
umumnya mempunyai tingkat akurasi prediksi tinggi dan evaluasi cepat dari
fungsi target belajar. Kelemahan umum dari teknik non-parametrik seperti SVM
adalah kurangnya transparansi hasil. Sedangkan klasifikasi menggunakan KNN
lebih efektif digunakan pada data pelatihan yang besar, dapat menghasilkan data
yang lebih akurat, dan tangguh terhadap pelatihan data yang noisy. Akan tetapi,
perlu ditentukan nilai k yang paling optimal yang menyatakan jumlah tetangga
terdekat, pembelajaran berdasarkan jarak tidak jelas mengenai jenis jarak apa
yang harus digunakan dan atribut mana yang harus digunakan untuk mendapatkan
hasil yang terbaik, biaya komputasi cukup tinggi karena perhitungan jarak harus
dilakukan pada setiap query instance bersama-sama dengan seluruh instance dari
sampel latih.
Pada penelitian ini, metode yang diusulkan untuk melakukan ekstraksi ciri
adalah sebuah metode baru untuk permasalahan pengenalan emosi yaitu
Independent Component Analysis (ICA) dengan algoritme FastICA tetapi sudah
banyak digunakan untuk pengolahan isyarat EKG. Alasan pemilihan metode ini
adalah untuk mendapatkan persamaan linier yang saling bebas satu sama lainnya
dari suatu persamaan yang ada, dapat didefinisikan dengan menggunakan model
statistik yang umum digunakan, tidak lagi menggunakan komponen kawasan
waktu t pada persamaannya sehingga lebih mudah. Algoritme FastICA mewarisi
sebagian besar kelebihan algoritme neural seperti: paralel, terdistribusi, komputasi
sederhana, dan membutuhkan ruang memori yang kecil. FastICA menggunakan
14
konsep dasar variabel acak kompleks, sehingga data yang dihasilkan selalu
berubah. Dengan demikian data dapat diperoleh dalam jumlah banyak. Kemudian
proses identifikasi emosi dilakukan dengan pengembangan metode klasifikasi
emosi yaitu Random Forest. Random Forest merupakan salah satu algoritme
pembelajaran yang paling akurat bagi banyak set data.
1.5
Tujuan Penelitian
Tujuan penelitian ini adalah mengimplementasikan teknik ekstraksi ciri
untuk
pengenalan
emosi
melalui
analisis
isyarat
EKG
yang
dapat
merepresentasikan dan mendeskripsikan karakteristik isyarat dengan kondisi
emosi yang berbeda-beda. Penggunaan metode berbasis komputer dalam
mengidentifikasi kondisi emosi seseorang secara optimal akan merevolusi aplikasi
dalam bidang kedokteran, pendidikan, keamanan, dan lainnya.
1.6
Manfaat Penelitian
Manfaat dilaksanakannya penelitian ini yaitu sebagai alternatif untuk
proses analisis isyarat EKG. Selain itu dapat mengembangkan analisis emosi
berbasis komputer dan membantu memudahkan proses identifikasi emosi untuk
kepentingan di bidang kedokteran, pendidikan, keamanan, dan lainnya. Emosi
dapat memberikan kegairahan dan penyeimbang dalam kehidupan sehingga
seseorang dapat bertahan hidup. Emosi juga dapat memperkuat pesan atau
informasi yang disampaikan. Dengan kata lain, emosi memungkinkan manusia
dalam menjaga proses homeostasis dalam diri manusia itu sendiri.
15