Analisis Performa Variasi Kedalaman ResNet pada Klasifikasi Emosi Berbasis Spektrogram EEG

Abstract

Electroencephalogram (EEG) merupakan sinyal fisiologis yang mampu merekam aktivitas listrik otak dan dapat dimanfaatkan dalam sistem pengenalan emosi. Karakteristik sinyal EEG yang kompleks, rawan noise, dan bersifat non-stasioner menyebabkan proses klasifikasi emosi memerlukan proses ekstraksi fitur dan kedalaman arsitektur model yang tepat agar mampu menangkap pola informasi yang relevan dalam mendeteksi emosi. Penelitian ini bertujuan menganalisis pengaruh variasi kedalaman arsitektur Residual Network (ResNet) menggunakan data EEG yang ditransformasikan menjadi spektogram melalui proses Short-Time Fourier Transform (STFT). Citra spektrogram digunakan sebagai input untuk lima variasi arsitektur ResNet, yaitu ResNet-18, ResNet-34, ResNet-50, ResNet-101, dan ResNet-152. Model dilatih menggunakan dataset GAMEEMO yang merupakan dataset publik dengan stimulus computer game untuk menciptakan emosi tertentu. Hasil penelitian menunjukkan akurasi tertinggi diperoleh ResNet-152 sebesar 0.7500, presisi 0,7529, recall 0,7500, dan F1-score 0,7507. ResNet-34 juga mendapatkan hasil yang tidak jauh berbeda, dengan akurasi 0.7480, presisi 0.7600, recall 0.7480, dan F1-score 0.7505. Dengan selisih perbedaan akurasi yang hanya 0.002, ResNet-34 dinilai lebih efisien terutama dari segi komputasi karena memiliki jumlah parameter yang lebih sedikit, namun apabila berorientasi pada kekauratan prediksi memang ResNet-152 lebih unggul. Selain itu terjadi tren kenaikan dan penurunan akurasi pada lima kedalaman ResNet. Akurasi meningkat dari ResNet-18 ke ResNet-34, namun mengalami penurunan pada ResNet-50 kemudian mengalami peningkatan kembali pada ResNet-101 dan ResNet-152. Penelitian ini menunjukkan bahwa peningkatan kedalaman arsitektur ResNet tidak selalu menghasilkan peningkatan performa secara linier, meskipun ResNet-152 memberikan hasil klasifikasi terbaik.

GS Cited Analysis