Hasil Pencarian  ::  Simpan CSV :: Kembali

"Emosi atau perasaan manusia adalah salah satu faktor yang tidak dapat dikendalikan dalam aktivitas apapun. Tidak sedikit juga pekerjaan yang seringkali berkaitan dengan emosi manusia terutama di industri hiburan dan juga kesehatan. Oleh karena itu, 1 dekade kebelakang banyak riset yang dilakukan untuk mempelajari emosi manusia secara langsung maupun menggunakan teknologi. Pengembangan model speech emotion recognition berbahasa Indonesia masih sangat sedikit dan oleh karena itu dibutuhkan perbandingan secara spesifik pada penelitian ini diantara dua model classifier yaitu Convolutional Neural Network (CNN) dan juga Multilayer Perceptron (MLP) untuk menentukan model yang menghasilkan akurasi terbaik dalam memprediksi emosi dari suara manusia. Dalam speech recognition secara umum, salah satu faktor penting dalam mendapatkan model dengan akurasi terbaik adalah metode ekstraksi fiturnya. Oleh karena itu, penelitian ini menggunakan 3 fitur untuk melakukan pelatihan terhadap model yaitu Mel-frequency Cepstral Coefficients (MFCC), Mel-Spectrogram dan chroma. Dari 3 fitur ini, divariasikan dan menghasilkan 7 metode ekstraksi yang berbeda untuk digunakan sebagai input pelatihan model. Terakhir, untuk memastikan bahwa model sudah menggunakan parameter terbaik, dilakukan eksperimen dengan membandingkan model yang menggunakan batch size serta activation function yang berbeda. Ditemukan bahwa dengan menggunakan CNN dan fitur gabungan antara MFCC, mel-spectrogram dan juga chroma menghasilkan model dengan skor akurasi 50.6% sedangkan menggunakan MLP dengan fitur yang sama menghasilkan model dengan skor akurasi 58.47%.

---

Emotions or human feelings are one of the factors that cannot be controlled in any activity. There are also many jobs that are often related to human emotions, especially in the entertainment and health industries. The development of speech emotion recognition models in Indonesian is still very little and therefore a specific comparison is needed in this study between two classifier models, namely Convolutional Neural Network (CNN) and Multilayer Perceptron (MLP) to determine the model that produces the best accuracy in predicting the emotion of the human voice.

In speech recognition in general, one of the important factors in acquiring a model with the best accuracy is the feature extraction method. Therefore, this study uses 3 features to train the model, namely Mel-frequency Cepstral Coefficients (MFCC), Mel-Spectrogram and chroma. From these 3 features, they were varied and resulted in 7 different extraction methods to be used as model training inputs.

Finally, to ensure that the model has used the best parameters, an experiment was conducted by comparing models using different batch sizes and activation functions. It was found that using CNN and the combined features of MFCC, mel-spectrogram and also chroma resulted in a model with an accuracy score of 50.6% while using MLP with the same features resulted in a model with an accuracy score of 58.47%."

"Penelitian ini menangani masalah pengenalan emosi dalam percakapan berbahasa Indonesia, yang penting untuk aplikasi seperti pengenalan ucapan, interaksi manusiamesin, dan analisis sentimen. Untuk mengatasi kompleksitas data suara dan teks, penelitian ini menggabungkan Word Embedding (Word2Vec) dan spektrum suara (MFCC) menggunakan Convolutional Neural Network (CNN). Word2Vec mengubah dataset suara menjadi representasi teks vektor, sementara MFCC digunakan untuk ekstraksi fitur dari spektrum suara. Model yang dikembangkan dievaluasi dengan dataset percobaan berbahasa Indonesia, dan pendekatan Weighted Average Ensemble yang mengintegrasikan kedua metode ini mencapai akurasi 70%. Hasil ini menunjukkan bahwa integrasi teknologi Word Embedding dan analisis spektrum suara dapat meningkatkan akurasi pengenalan emosi dalam bahasa Indonesia. Penelitian ini berkontribusi signifikan terhadap teknologi pengenalan emosi dan berpotensi meningkatkan interaksi manusia dengan teknologi serta aplikasi dalam analisis sentimen dan pengolahan bahasa alami.

---

This research addresses the issue of emotion recognition in Indonesian language conversations, which is crucial for applications such as speech recognition, humanmachine interaction, and sentiment analysis. To tackle the complexity of voice and text data, this study combines Word Embedding (Word2Vec) and sound spectrum analysis (MFCC) using Convolutional Neural Network (CNN). Word2Vec is used to convert voice datasets into vector text representations, while MFCC is employed for feature extraction from the sound spectrum. The developed models were evaluated using an experimental dataset in Indonesian, and the Weighted Average Ensemble approach, which integrates both methods, achieved an accuracy of 70%. These results indicate that integrating Word Embedding technology and sound spectrum analysis can significantly enhance the accuracy of emotion recognition in Indonesian conversations. This research contributes significantly to the development of emotion recognition technology and has the potential to improve human interaction with technology, as well as applications in sentiment analysis and natural language processing."

"Penelitian ini bertujuan untuk melihat pengaruh kemampuan regulasi emosi terhadap masalah mental emosional pada mahasiswa tahun pertama Universitas Indonesia. Desain penelitian yang digunakan adalah non-eksperimental dan cross-sectional. Partisipan (N = 255) merupakan mahasiswa Universitas Indonesia angkatan 2019 yang berusia 17-21 (M = 18,29, SD = 0,743) dan sebagian besar perempaun (n = 147). Kemampuan regulasi emosi mahasiswa diukur menggunakan alat ukur DERS, sementara masalah mental emosional mahasiswa diukur menggunakan alat ukur SRQ-20. Hasil analisis menggunakan logistic regression menunjukkan bahwa kemampuan regulasi emosi secara signifikan memengaruhi masalah mental emosional mahasiswa berdasarkan kriteria Wald test, χ2 (1, N = 255) = 51,435, OR = 1,098, p < 0,001. Penurunan kemampuan regulasi emosi meningkatkan kemungkinan mengalami masalah mental emosional sebanyak 1,1 kali lebih besar. Sementara itu, jenis kelamin sebagai variabel kontrol juga secara signifikan memengaruhi masalah mental emosional mahasiswa, χ2 (1, N = 255) = 4,665, OR = 1,922, p < 0,05. Perempuan memiliki kemungkinan yang lebih besar untuk mengalami masalah mental emosional sebanyak 2 kali lebih besar dari laki-laki.

---

This study aims to look at the effect of emotion regulation ability on mental-emotional problems in first-year students at University Indonesia. Non-experimental and crosssectional research design were used. Participants (N = 255) were Universitas Indonesia students from class 2019 aged between 17-21 (M = 18.29, SD = 0.743) and mostly women (n = 147). The emotional regulation ability was measured using the Difficulties in Emotion Regulation Scale (DERS), while the students' mental-emotional problems were measured using the SRQ-20. Results of the logistic regression showed that emotion regulation ability significantly influenced students' mental-emotional problems based on the Wald test criterion, χ2 (1, N = 255) = 51.435, OR = 1.098, p <0.001. Decreased emotional regulation ability increases the likelihood of experiencing mentalemotional problems by as much as 1.1 times greater. Moreover, gender as a control variable also significantly influenced students' mental-emotional problems, χ2 (1, N = 255) = 4.665, OR = 1.922, p <0.05. Women had a higher risk of experiencing mentalemotional problems than men."

"Latar Belakang: Salah satu domain kognisi sosial yang mengalami defisit pada pasien Skizofrenia adalah rekognisi emosi. Defisit rekognisi emosi negatif, seperti defisit emosi takut, marah, dan sedih sudah ada pada episode pertama Skizofrenia. Musik sebagai terapi diketahui bermanfaat bagi perbaikan emosi, juga terkait pengalaman emosi pasien dengan Skizofrenia. Penelitian ini akan menilai validitas dan efektivitas sebuah modul terapi musik “rekognisi emosi dalam perbaikan rekognisi berbagai emosi dasar pada pasien dengan skizofrenia. Metode: Penelitian Dilakukan dalam 2 tahap, yaitu tahap I berupa pembuatan modul terapi musik oleh peneliti dan uji validitas isi modul oleh 5 orang ahli musik dan 3 psikiater untuk dinilai I-CVI, S-CVI dan CVR. Tahap II berupa pelaksanaan modul terapi musik. Penelitian berupa studi kuasi eksperimental kepada 15 subjek pasien skizofrenia remisi yang mengikuti terapi musik sebanyak 10 sesi dari bulan Maret 2020 hingga Juli 2020. Subjek dinilai hasil pra dan pasca uji terapi musik untuk melihat perbaikan pengenalan 5 emosi dasar (senang, sedih, marah, takut, tenang) menggunakan uji statistik Mcnemar. Dilakukan juga uji reliabilitas inter-rater untuk pelaksanaan modul.Hasil: Hasil uji validitas modul terapi musik rekognisi emosi menunjukkan nilai mean I-CVI sebesar 0,98, S-CVI sebesar 0,95, dan CVR 0,97. Pada uji efektivitas modul terapi musik, terdapat perbaikan bermakna dari defisit emosi takut dan marah, dengan peningkatan skor uji pra dan pasca terapi musik dengan nilai p-value < 0.05 pada kategori emosi marah dan takut, namun tidak bermakna pada kategori emosi senang,sedih, dan takut (p-value >0.05) Didapatkan 2 dari 15 subjek drop out. Pada uji reliabilitas inter-rater secara kualitatif, didapatkan keandalan dari modul terapi musik rekognisi emosi dengan aktivitas setiap sesi lebih dari 80% yang sesuai dengan isi modul. Simpulan: Modul terapi musik rekognisi emosi memiliki validitas isi, reliabilitas, dan juga efektivitas pada rekognisi emosi beberapa emosi dasar pasien skizofrenia remisi terutama rekognisi emosi takut dan marah.

---

Background: One of the deficit domains of social cognition in schizophrenia patients is emotional recognition. Negative emotional recognition deficits, such as emotional deficits of fear, anger, and sadness already exist in the first episode of schizophrenia. Music as therapy is known to be beneficial for emotional improvement, as well as the emotional experience of patients with schizophrenia. This study will assess the validity and effectiveness of a music therapy module “emotion recognition in improving recognition of basic emotions in patients with schizophrenia.

Methods: The research was conducted in 2 steps, namely step I in the form of creating a music therapy module by the researcher and music therapist and testing the validity of the module content by 5 music experts and 3 psychiatrists to assess I-CVI, S-CVI, and CVR. Step II in the form of implementing the music therapy module. Research in the form of a quasi-experimental study on 15 subjects of schizophrenic remission patients who attended music therapy for 10 sessions from March 2020 to July 2020. Subjects were assessed pre and post music therapy test results to see improvements in recognition of 5 basic emotions (happy, sad, angry, afraid, calm) using the Mcnemar statistical test. Inter-rater reliability tests were also carried out for module implementation.

Results: The results of the validity test of the emotion recognition music therapy module showed a mean I-CVI of 0.98, S-CVI of 0.95, and CVR of 0.97. In the music therapy module effectiveness test, there was a significant improvement in the emotional deficits of fear and anger, with an increase in the pre and post music therapy test scores with a p-value <0.05 in the anger and fear categories, but not significant in the happy, sad, and happy emotions. and fear (p-value> 0.05) Obtained 2 out of 15 subjects dropped out. In the qualitative inter-rater reliability test, the improvement of the emotion recognition music therapy module with the activity of each session was more than 80% according to the module content.

Conclusion: Emotion recognition music therapy module has content validity, reliability, and effectiveness in emotional recognition of some of the basic emotions of remission schizophrenia patients, especially the emotion recognition of fear and anger."

"Dengan adanya kemajuan teknologi dan kemudahan berbelanja secara daring (online shop), kita sering menghadapi berbagai pilihan atau yang biasa disebut dengan intertemporal choice. Pilihan yang bernilai lebih kecil dan diperoleh lebih cepat disebut dengan smaller-sooner (SS) sedangkan pilihan yang bernilai lebih besar dan diperoleh lebih lama disebut dengan larger-later (LL). Salah satu faktor yang dapat memengaruhi intertemporal choice adalah emosi. Penelitian eksperimen ini bertujuan untuk membuktikan apakah mahasiswa dengan tingkat arousal emosi negatif yang tinggi akan memilih SS dalam intertemporal choice secara signifikan lebih tinggi dibandingkan dengan mahasiswa dengan tingkat arousal emosi negatif yang rendah. Sebanyak 82 mahasiswa Universitas Indonesia berpartisipasi dalam penelitian ini. Desain penelitian ini adalah randomized between-subject two groups design dengan membandingkan kelompok emosi marah (n = 35) dan sedih (n = 47). Tingkat arousal emosi dimanipulasi melalui autobiographical recall. Hasil analisis chi-square for independence menunjukkan bahwa mahasiswa kelompok marah tidak memilih SS secara signifikan lebih tinggi dibandingkan kelompok sedih (χ2(1) = 2,377, p = 0,119, d = -0,170).

---

With the advances of technology and the convenience of online shopping, we often face a variety of choices or what is commonly referred to as intertemporal choices. Choices that are valued smaller and can be directly obtained are called smaller-sooner (SS), while those that are valued larger and can be obtained later are called larger-later (LL). One factor that can influence intertemporal choice is emotion.

This experimental study aimed to prove whether college students with high levels of negative emotion’s arousal would significantly choose SS in intertemporal choices higher than students with low levels of negative emotion’s arousal. A total of 82 University of Indonesia students participated in this study.

The design of this study was randomized between subject two groups design which compared angry (n = 35) and sad group (n = 47). Arousal emotions are manipulated through autobiographical recall. Chi-square for independence analysis showed that the college students in angry group did not choose the SS significantly higher than the sad group (χ2 (1) = 2.337, p = 0.119, d = -0.170)."

"Pembuatan dataset emosi wajah membutuhkan sumber daya dan waktu yang banyak. Salah satu solusi menyelesaikan permasalahan ini adalah menggunakan Generative Adversarial Network (GAN) untuk melakukan augmentasi data pada data emosi wajah. Namun, jumlah data yang terbatas membuat GAN belum dapat menghasilkan citra yang beragam. Salah satu pendekatan yang dapat dilakukan untuk mengatasi hal tersebut adalah penggunaan energy function untuk membuat probability function yang lebih detail. Penelitian ini bertujuan untuk merancang sebuah model dengan menggunakan EB-GAN dan attention untuk mengatasi masalah translasi gambar dengan emosi Neutral menjadi gambar dengan emosi dasar. Eksperimen yang dilakukan pada penelitian ini bertujuan untuk melakukan modifikasi terhadap arsitektur DINO dengan menambahkan attention untuk meningkatkan kualitas hasil translasi model. Hasil translasi model dievaluasi menggunakan emotion recognition untuk mengetahui akurasi emosi yang dihasilkan. Pada penelitian ini terlihat bahwa penggunaan attention tidak dapat meningkatkan akurasi DINO dikarenakan terdapat banyaknya fitur pembeda antar emosi yang tersebar pada wajah. Pada penelitian ini DINO pada dataset berwarna menghasilkan akurasi sebesar 96.78% dan DINO pada dataset grayscale menghasilkan akurasi sebesar 94.50%. Dalam pembuatan dataset baru, DINO menghasilkan akurasi sebesar 83% untuk dataset berwarna dan 85.6% untuk dataset grayscale.

---

Creating a facial emotion dataset requires a lot of resources. To solve this problem, previous research utilizes Generative Adversarial Networks (GANs) to create artificial data. However due to the limited number of available data, this would affect the GANs itself and would result in generating a less diverse data. One way to solve this problem is to use an energy function to create a more detailed probability function. This research aimed to create a model based on EB-GAN and attention to solve problems during translating a neutral image into an image with a basic emotion. This experiment uses a variation of EB-GAN for image translation, DINO, and modify its architecture by adding attention modules to improve the performance of the model during translation. The result of the experiments are evaluated using emotion recognition systems. This results show that the use of attention did not improve the performance of DINO. This is due the fact that each emotion have multiple features and the location of the features are scattered within a face. This experiment shows that DINO obtained the highest accuracy in both colored (RGB) and grayscale data. DINO obtains a 96.78% accuracy for colored (RGB) data and 94.50% for grayscale data. During the creation of new dataset, DINO obtained an accuracy of 83% for colored (RGB) data and 85.6% for grayscale data."

"ABSTRAKPenelitian embodied cognition menjelaskan emosi dalam interaksi interpersonal melalui peran suhu. Penelitian ini bertujuan untuk menguji bagaimana pengaruh pengalaman sensorik tubuh akan suhu dingin terhadap regulasi emosi, ketika individu merasakan emosi negatif.Studi eksperimen dilakukan dengan menggunakan manipulasi sensorik suhu dingin atau hangat dan induksi emosi agresif atau netral dalam bentuk non-situated cognition. Hasil penelitian menunjukkan bahwa ketika tubuh mengalami sensorik dingin dan mendapatkan induksi emosi agresif, mampu meningkatkan durasi respon dan lebih rendah merasakan marah, dibandingkan saat tubuh mengalami suhu hangat. Hasil penelitian ini membuktikan bahwa pegalaman fisik terhadap suhu dingin mengaktifkan konsep regulasi emosi.

---

ABSTRACTEmbodied cognition research was aimed to test whether bodily sensoric of coldness influenced to emotional regulation process, particularly when the negative emotional state was applied to participant. This experimental study was applied temperature sensory manipulation cold versus warm with two different emotional induction anger versus neutral in a form of non situated cognition.The study was indicating that compared to a warm temperature, a cold sensory experience, which in the same time a negative emotional was inducted, significantly increased the response duration and reduced the intention of anger. The research findings demonstrated that bodily experience of coldness exposure activates the emotional regulation process."

"Penelitian ini bertujuan untuk mengetahui apakah kelekatan dengan ibu dapat memengaruhi regulasi emosi marah pada remaja. Remaja yang dimaksud dalam penelitian ini adalah remaja laki-laki dan perempuan yang berada pada rentang usia 16-21 tahun dan berdomisili di sekitar daerah Jabodetabek. Selain itu juga penting untuk diperhatikan bahwa remaja yang menjadi partisipan juga memiliki sosok ibu atau caregiver sebagai figur kelekatan. Alat ukur kelekatan dengan ibu yang digunakan adalah Mother Attachment Sub-Scale dari Inventory of Parent and Peer Attachment Revisited (IPPA-R) yang diciptakan oleh Armsden dan Greenberg (2009) dan diadaptasi pada penelitian sebelumnya oleh Annisa Binarti (2012). Sedangkan alat ukur regulasi emosi marah yang digunakan pada penelitian ini adalah Anger Management Scale Short Forms Version (AMS-20) yang dibuat oleh Stith dan Hamby (2002). Dengan menggunakan partisipan sebanyak 287 remaja, hasil penelitian ini menunjukkan bahwa terdapat pengaruh positif yang signifikan antara kelekatan dengan ibu dan regulasi emosi marah pada remaja (R2 = .046, F = 6.138, p < .01). Artinya, semakin tinggi skor kelekatan dengan ibu pada remaja, maka semakin tinggi pengaruhnya terhadap regulasi emosi marah. Selain itu, ditemukan juga bahwa dimensi alienation memberikan pengaruh yang paling besar terhadap regulasi emosi marah.

---

This study aimed to find out whether maternal attachment effects anger regulation in adolescents. Adolescents in this study were referred to them who are in the age of 16-21 years old and live around the Jabodetabek area. It was also important to note that adolescents who become participants also have mother(s) or caregiver(s) as the attachment figures. The instrument used to measure the maternal attachment in this study was Mother Attachment Sub-Scale of the Inventory of Parent and Peer Attachment Revisited (IPPA-R) created by Armsden and Greenberg (2009) that has already been adapted in the previous study by Annisa Binarti (2012). Meanwhile, the instrument used to measure anger regulation in this study was Anger Management Scale Short Forms Version (AMS-20) created by Stith and Hamby (2002). By using a total of 287 adolescent participants, the results of this study indicated that there is a significant positive effect of maternal attachment towards anger regulation in adolescents (R2 = .046, F = 6.138, p < .01). That is, the higher the maternal attachment?s score, the more effect it gives to anger regulation. In addition, this study also found that alienation gives the most effect towards anger regulation"

"

Perkembangan teknologi pemrosesan ucapan sangat pesat akhir-akhir ini. Namun, fokus penelitian dalam Bahasa Indonesia masih terbilang sedikit, walaupun manfaat dan benefit yang dapat diperoleh sangat banyak dari pengembangan tersebut. Hal tersebut yang melatarbelakangi dilakukan penelitian ini. Pada penelitian ini digunakan model transfer learning (Inception dan ResNet) dan CNN untuk melakukan prediksi emosi terhadap suara manusia berbahasa Indonesia. Kumpulan data yang digunakan dalam penelitian ini, diperoleh dari berbagai film dalam Bahasa Indonesia. Film-film tersebut dipotong menjadi potongan yang lebih kecil dan dilakukan dua metode ekstraksi fitur dari potongan audio tersebut. Ekstraksi fitur yang digunakan adalah Mel-Spectrogram dan MelFrequency Cepstral Coefficient (MFCC). Data yang diperoleh dari kedua ekstraksi fitur tersebut dilatih pada tiga model yang digunakan (Inception, ResNet, serta CNN). Dari percobaan yang telah dilakukan, didapatkan bahwa model ResNet memiliki performa yang lebih baik dibanding Inception dan CNN, dengan rata-rata akurasi 49%. Pelatihan model menggunakan hyperparameter dengan batch size sebesar 16 dan dropout (0,2 untuk Mel-Spectrogram dan 0,4 untuk MFCC) demi mendapatkan performa terbaik.

---

Speech processing technology advancement has been snowballing for these several years. Nevertheless, research in the Indonesian language can be counted to be little compared to other technology research. Because of that, this research was done. In this research, the transfer learning models, focused on Inception and ResNet, were used to do the speech emotion recognition prediction based on human speech in the Indonesian language. The dataset that is used in this research was collected manually from several films and movies in Indonesian. The films were cut into several smaller parts and were extracted using the Mel-Spectrogram and Mel-frequency Cepstrum Coefficient (MFCC) feature extraction. The data, which is consist of the picture of Mel-spectrogram and MFCC, was trained on the models followed by testing. Based on the experiments done, the ResNet model has better accuracy and performance compared to the Inception and simple CNN, with 49% of accuracy. The experiments also showed that the best hyperparameter for this type of training is 16 batch size, 0.2 dropout sizes for Mel-spectrogram feature extraction, and 0.4 dropout sizes for MFCC to get the best performance out of the model used.

"

"ABSTRAKEmosi merupakan suatu keadaan psikologis yang dipicu oleh aktivitas sensorik manusia baik secara sadar maupun tidak sadar. Emosi berperan penting dalam kehidupan manusia seperti dalam pengambilan keputusan, dalam mengekspresikan diri, dan lain sebagainya. Emosi dapat dihasilkan menggunakan rangsangan/stimulus tertentu seperti emosi takut dihasilkan menggunakan hal-hal yang menyeramkan seperti gambar pembunuhan, emosi bahagia dapat dipicu menggunakan stimulus gambar-gambar yang menyenangkan seperti gambar pemandangan, emosi sedih dapat dipicu menggunakan musik-musik sendu, menangis, dan hal-hal menyedihkan lainnya, dan emosi jijik dapat dipicu mengunakan stimulus yang menjijikkan seperti kotoran manusia. Beberapa stimulus yang biasa digunakan dalam penelitian adalah gambar, text, audio, atau video. Pada proses penghasilan emosi, terdapat aktivitas elektrik dalam otak manusia yang dapat direkam menggunakan perangkat bernama Elektroensefalografi EEG , rekaman gelombang otak ini juga dapat dilakukan menggunakan perangkat yang bernama neuroheadset. Penelitian ini membahas tentang pengembangan sistem akuisisi data sinyal otak menggunakan neuroheadset dan menghasilkan database yang digunakan untuk analisis emosi. Dalam penelitian ini digunakan stimulus berupa video yang terdiri dari kumpulan gambar. Setiap gambar dalam video telah melalui proses validasi sesuai dengan kelas emosi yang diinginkan. Kelas emosi yang digunakan dalam penelitian ini yaitu bahagia, jijik, sedih, dan takut. Setiap kelas emosi memiliki empat stimulus video. Proses validasi dilakukan oleh lima orang partisipan dan proses pengambilan data sinyal otak dilakukan terhadap empat orang partisipan. Pengambilan data dilakukan menggunakan perangkat neuroheadset dengan vendor Emotiv tipe Epoc. Hasil rekaman sinyal diproses menggunakan Matlab dan menghasilkan database berukuran 16x14x7680, dimana angka 16 merepresentasikan jumlah stimulus video, 14 merepresentasikan sensor Emotiv Epoc yang digunakan, dan 7680 merupakan data sinyal yang diambil selama 60 detik dengan frekuensi sampling 128 Hertz. Tingkat keberhasilan tertinggi untuk emosi bahagia, jijik, sedih, dan takut secara berurut adalah 75 , 62.5 , 62.5 , dan 75 . Tingkat keberhasilan tertinggi ini dicapai untuk variasi channel frekuensi alpha, sensor yang digunakan yaitu F7, F3, F4, dan F8. Teknik klasifikasi yang digunakan adalah feed-forward backpropagation neural network.

---

ABSTRACTEmotion is a psychological state that triggered by human sensory activity both consciously and unconsciously. Emotions play an important role in human life such as decision making, self expression, and others. Emotions can be generated using certain stimuli such as feared emotions generated using scary things like murder images, happy emotions can be triggered by stimuli of fun images such as sight images, sad emotions can be triggered using melodic music, crying, and other sad things, and disgusted emotions can be triggered using disgusting stimuli like human feces. Some of the stimuli commonly used in research are using images, text, audio, or video. In the process of earning emotions, there is electrical activity in the human brain that can be recorded and processed to obtain brain signals using a device called Electroencephalography EEG , these brainwave records can also be recorded using a device called neuroheadset. This study discusses the development of data acquisition system of brain signals using neuroheadset and generate database used for emotion analysis. In this study used a video stimulus consisting of a collection of images. Each image in the video has gone through the validation process according to the desired emotion class. Four kind of emotion used in research that are happy, disgusted, sad, and scared. Each emotional class has four video stimuli. Five participants carried out the validation process and the process of retrieving the brain signals data performed on four participants. Data retrieval performed using a neuroheadset device with Emotiv vendor with Epoc type. The recording of the signal is processed using Matlab and generates a 16x14x7680 database, where the number 16 represents the number of video stimuli, 14 represents the Epoc Emotion sensor used, and 7680 is the signal data taken for 60 seconds with 128 Hertz sampling frequency. The highest recognition rate for happy, disgusted, sad, and fearful emotions are 75 , 62.5 , 62.5 , and 75 . The highest success rate achieved for alpha frequency channel variation the sensors used are F7, F3, F4, and F8. The classification technique used is feed forward backpropagation neural network."