Hubungan antara sinyal fisiologis dan emosi manusia, telah membuat Noan Yaseka tertarik untuk meneliti hal ini yang disusun dalam sebuah tesis yang berjudul Penerapan Asymmetric Windowing Recurrence Plots Dalam Encoding Sinyal Jantung Untuk Klasifikasi Emosi Menggunakan Deep Learning
Dengan dibimbing oleh Ir. Noor Akhmad Setiawan, S.T., M.T., Ph.D., IPM dari Fakultas Teknik dan
Dra. Sri Kusrohmaniah, M.Si., Ph.D., Psikolog dari Fakultas Psikologi, Noan telah berhasil lulus dengan predikat cumlaude dari Prodi Magister Teknik Biomedis Sekolah Pascasarjana (SPs) UGM dan mengikuti wisuda pada 31 Januari 2025
Tesisnya berfokus pada klasifikasi emosi manusia ke dalam empat kategori: High Valence-High Arousal, High Valence-Low Arousal, Low Valence-High Arousal, dan Low Valence-Low Arousal, dengan memanfaatkan data sinyal jantung dari dua dataset publik, AMIGOS dan DREAMER.
Tujuan utama dari penelitian ini adalah untuk membedakan secara visual antara tingkat valensi dan arousal sambil mengukur kinerja algoritma deep learning dalam mengklasifikasikan emosi manusia. Emosi umumnya tampak melalui tiga gejala utama: fisiologis, psikis, dan perilaku.
Gejala fisiologis mencakup perubahan detak jantung, tekanan darah, dan aktivitas sistem saraf, sedangkan gejala psikis melibatkan perubahan suasana hati dan perasaan. Gejala perilaku mencakup ekspresi wajah dan gerakan tubuh.
Namun, karena gejala perilaku dapat dikendalikan atau disembunyikan, analisis sinyal fisiologis menjadi semakin penting. Sinyal-sinyal ini sulit untuk dimanipulasi secara sadar, menjadikannya sumber yang dapat diandalkan untuk analisis emosi.
Salah satu metode yang digunakan dalam penelitian ini adalah Recurrence Plots (RPs). Namun, pola redundansi yang dihasilkan oleh metode ini dapat menyebabkan kesalahan interpretasi, menegaskan perlunya pengembangan lebih lanjut.
Untuk mengatasi masalah ini, penelitian ini menerapkan Asymmetric Windowing Recurrence Plots (AWRP), sebuah metode canggih yang dikembangkan dari RPs. Pendekatan inovatif ini mengubah data deret waktu sinyal jantung menjadi citra dua dimensi (2D), meningkatkan kejelasan dan akurasi klasifikasi emosi.
Hasil penelitian menunjukkan bahwa AWRP secara signifikan lebih unggul dibandingkan RPs tradisional, dengan akurasi tertinggi sebesar 0,85 pada dataset AMIGOS menggunakan AWRP8, dan 0,87 pada dataset DREAMER menggunakan AWRP50.
Lebih lanjut, penelitian ini mengungkapkan perbedaan visual yang jelas antara empat kategori emosi, memberikan wawasan berharga tentang keadaan emosional individu. Temuan ini memiliki implikasi signifikan bagi bidang psikologi, karena memungkinkan pelabelan jenis emosi yang lebih akurat berdasarkan sinyal jantung.
Kemajuan ini sejalan dengan Tujuan Pembangunan Berkelanjutan (SDGs) dengan mempromosikan pendidikan berkualitas dan mendorong inovasi dalam penelitian biomedis.
Penelitian ini akan dilanjutkan sepanjang tahun 2024, dengan potensi eksplorasi lebih lanjut mengenai aplikasi AWRP dalam berbagai konteks psikologis dan biomedis.
Dengan menjembatani kesenjangan antara teknologi dan pemahaman emosional, studi ini bertujuan untuk berkontribusi pada pengembangan sistem pengenalan emosi yang lebih efektif.
Sebagai kesimpulan, penelitian Noan Yaseka merupakan langkah maju yang signifikan dalam persimpangan antara teknik biomedis dan psikologi.
Dengan memanfaatkan teknik deep learning yang canggih dan metodologi inovatif, studi ini tidak hanya meningkatkan pemahaman kita tentang emosi manusia tetapi juga membuka jalan bagi penelitian di masa depan dalam klasifikasi emosi dan aplikasinya dalam kesehatan mental dan kesejahteraan.
Penulis : Arni Wistriatun
Editor : Dr. Rini Dharmastiti