Sistem Pengenalan Tingkatan Emosi Ketakutan Melalui Ucapan menggunakan Ekstraksi Gammatone-Frequency Cepstral Coefficients dan Klasifikasi Random Forest Classifier berbasis Raspberry Pi 4

Abstrak

Emosi merupakan perasaan yang menyebabkan perubahan perilaku dan interaksi terhadap sekitar. Salah satu cara untuk mendeteksi emosi manusia adalah dengan melalui ucapan. Berdasarkan hasil survey, diketahui bahwa 1,6 juta remaja Indonesia mengalami gangguan mental anxiety disorder (Erskine et.al., 2021). Anxiety disorder merupakan gangguan kecemasan yang ditandai dengan perasaan takut atau kewaspadaan yang tidak jelas(Saleh, 2019). Oleh karena itu, penelitian ini bertujuan untuk membuat alat untuk mendeteksi kondisi emosional seseorang melalui pemrosesan suara, khususnya emosi ketakutan berdasarkan tiga tingkatan intensitas yaitu rendah, sedang, dan tinggi dengan tujuan untuk menjadi bahan pertimbangan bagi psikolog/psikiater pada tahap skrining awal serta tahap diagnosis. Penelitian ini menggunakan metode ekstraksi Gammatone-Frequency Cepstral Coefficients (GFCC) yang memiliki filter gamma yang efektif terhadap suara dengan noise tinggi. Selain itu, penelitian ini juga menguji kemampuan klasifikasi Random Forest Classifier dalam mengenali intensitas emosi ketakutan dari sinyal suara. Penelitian ini penting karena dapat memberikan informasi mengenai efektivitas GFCC terhadap noise serta akurasi ekstraksi GFCC dalam sistem pengenalan intensitas emosi ketakutan. Sistem ini dibuat dengan berbasis Raspberry Pi 4B sebagai pemroses dan terhubung pada aplikasi Android untuk menampilkan hasil klasifikasi. Koneksi antara Raspberry Pi 4B dan aplikasi dihubungkan oleh Bluetooth dengan menggunakan protokol komunikasi RFCOMM. Penelitian ini menghasilkan kesimpulan bahwa Signal-to-Noise Reduction pada suara yang diproses dengan ekstraksi GFCC lebih efektif jika dibandingkan dengan Mel-Frequency Cepstral Coefficients (MFCC). Adapun hasil akurasi dari implementasi sistem pengenalan tingkatan emosi ketakutan dengan menggunakan ekstraksi GFCC dan klasifikasi Random Forest Classifier adalah 73,33%.