Implementasi Ekstrasi MFCC Pada Hidden Markov Model untuk Identifikasi Emosi Manusia Berdasarkan Suara Detak Jantung

Implementasi Ekstrasi MFCC Pada Hidden Markov Model untuk Identifikasi Emosi Manusia Berdasarkan Suara Detak Jantung

Penulis

  • Ega Rasendriya Nashrullah Universitas Brawijaya
  • Barlian Henryranu Prasetio Universitas Brawijaya

Kata Kunci:

Mel-Frequency Cepstrum Coefficient, Hidden Markov Model, Identifikasi Emosi, Suara Detak Jantung

Abstrak

Perkembangan teknologi telah mendorong penelitian dalam identifikasi emosi manusia, terutama melalui sinyal fisiologis. Penelitian ini bertujuan untuk mengidentifikasi emosi manusia berdasarkan suara detak jantung dengan menggunakan kombinasi Mel-Frequency Cepstrum Coefficient (MFCC) sebagai metode ekstraksi fitur dan Hidden Markov Model (HMM) sebagai algoritma klasifikasi. Ekstraksi fitur MFCC digunakan untuk menangkap pola spektral suara detak jantung, sementara HMM menganalisis pola temporal untuk mendeteksi emosi dasar. Hasil pengujian menunjukkan bahwa sistem ini mencapai tingkat akurasi sebesar 73%. Implementasi sistem pada aplikasi berbasis Android memungkinkan analisis secara real-time, sehingga memudahkan pengguna dalam memantau kondisi emosional mereka. Dengan pendekatan ini, penelitian ini berkontribusi dalam pengembangan teknologi identifikasi emosi berbasis sinyal fisiologis yang lebih akurat dan efisien.

Referensi

Abdul, Z. K., & Al-Talabani, A. K. (2022). Mel Frequency Cepstral Coefficient and its Applications: A Review. IEEE Access, 10, 122136–122158. https://doi.org/10.1109/ACCESS.2022.3223444

Afandi, I. K., Ferdiana, R., & Nugroho, H. A. (2016). Review: Musik dan Denyut Jantung Pada Era Digital. Jurnal Sistem Informasi Bisnis, 4(3), 149–155. https://doi.org/10.21456/vol4iss3pp149-155

Anjaini, A.S., Gautama, A.P., Anggis, N. S. (2019). (2019). Implementasi dan Analisis Simulasi Deteksi Emosi Melalui Pengenalan Suara Menggunakan Mel-Frequency Cepstrum Coefficient dan Hidden Markov Model Berbasis IOT. e-Proceeding of Engineering,. E-Proceeding of Engineering, 6(1), 2100–2107.

El Bashart, I. S., & Pangaribowo, T. (2020). Aplikasi Pengenalan Suara untuk Pengamanan Software Komputer Menggunakan Metode MFCC(Mel Frequency Cepstrum Coefficients) dan HMM (Hidden Markov Model). Jurnal Teknologi Elektro, 11(1), 39. https://doi.org/10.22441/jte.2020.v11i1.006

Fitriawati Zakiyyah, A. (2021). Klasifikasi Emosi Untuk Mengetahui Pengalaman Emosional Melalui Sinyal EEG Menggunakan Algoritma Artificial Neural Network. Sains, Aplikasi, Komputer Dan Teknologi Informasi (SAKTI), 3(2), 40–43.

Gaurav, Anand, R. S., & Kumar, V. (2017). Non-invasive EEG-metric based stress detection. 4th IEEE International Conference on Signal Processing, Computing and Control, ISPCC 2017, 2017-Janua, 516–520. https://doi.org/10.1109/ISPCC.2017.8269733

Jha, V., Prakash, N., & Sagar, S. (2018). Wearable anger-monitoring system. ICT Express, 4(4), 194–198. https://doi.org/10.1016/j.icte.2017.07.002

Kreibig, S. D. (2010). Autonomic nervous system activity in emotion: A review. Biological Psychology, 84(3), 394–421. https://doi.org/10.1016/j.biopsycho.2010.03.010

Mahmood, A. (2023). Feature Fusion for Emotion Recognition †. Engineering Proceedings, 46(1). https://doi.org/10.3390/engproc2023046020

Majumder, A. J. A., McWhorter, T. M., Ni, Y., Nie, H., Iarve, J., & Ucci, D. R. (2019). SEmoD: A personalized emotion detection using a smart holistic embedded IoT system. Proceedings - International Computer Software and Applications Conference, 1(August), 850–859. https://doi.org/10.1109/COMPSAC.2019.00125

Murniati, A. (2018). Hubungan Kecemasan Dengan Cardiac Output Pada Pasien Pre Operasi Sectio Caesarea Di Instalasi Kamar Operasi Rumah Sakit Umum Islam Orpeha Tulungagung. Jurnal Ilmu Kesehatan, 6(2), 171. https://doi.org/10.32831/jik.v6i2.174

Permana, M. Z. (2021). Mengenal Dasar-Dasar Emosi Dalam Menghadapi Pandemi. PLAKAT (Pelayanan Kepada Masyarakat), 3(1), 26. https://doi.org/10.30872/plakat.v3i1.5598

Rivki, M., Bachtiar, A. M., Informatika, T., Teknik, F., & Indonesia, U. K. (n.d.). No 主観的健康感を中心とした在宅高齢者における 健康関連指標に関する共分散構造分析Title. 112.

S. Admuthe, S., & Patil, P. H. (2015). Feature extraction method - MFCC and GFCC used for Speaker Identification. 3(04), 1261–1264.

Sitorus, R. J., Gede, I., Astawa, S., Raya, J., Udayana, K., Jimbaran, B., Selatan, K., & Indonesia, B. (2023). Ekstraksi Fitur pada Nada Gundhul Pacul. Jnatia, 1(4), 1063–1070.

Ubaidi, U., & Dewi, N. P. (2020). Penerapan Hidden Markov Model (HMM) dan Mel-Frequency Cesptral Coefficients (MFCC) pada E-Learning Bahasa Madura untuk Anak Usia Dini. Jurnal Teknologi Informasi Dan Ilmu Komputer, 7(6), 1111–1120. https://doi.org/10.25126/jtiik.2020722477

Wicken, M., Keogh, R., & Pearson, J. (2021). The critical role of mental imagery in human emotion: Insights from fear-based imagery and aphantasia. Proceedings of the Royal Society B: Biological Sciences, 288(1946). https://doi.org/10.1098/rspb.2021.0267

Yehezkiel, S. Y., & Suyanto, Y. (2022). Music Genre Identification Using SVM and MFCC Feature Extraction. IJEIS (Indonesian Journal of Electronics and Instrumentation Systems), 12(2), 115. https://doi.org/10.22146/ijeis.70898

Unduhan

Diterbitkan

08 Jan 2025

Cara Mengutip

Nashrullah, E. R., & Barlian Henryranu Prasetio. (2025). Implementasi Ekstrasi MFCC Pada Hidden Markov Model untuk Identifikasi Emosi Manusia Berdasarkan Suara Detak Jantung. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 9(1). Diambil dari https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/14378

Terbitan

Bagian

Artikel
Loading...