Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Pratamaatmadja, Aditya
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

 1 
Sistem Deteksi Deteksi Depresi Melalui Pengenalan Pola Suara Dengan Mengimplementasikan Metode Voice Quality Analysis Pratamaatmadja, Aditya; Henryranu Prasetio, Barlian
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 7 (2024): Juli 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Komunikasi adalah aspek penting dalam kehidupan manusia, dengan ucapan menjadi cara utama untuk mengekspresikan emosi. Emosi berperan krusial dalam interaksi sosial, dan kemampuan mendeteksi emosi seperti depresi melalui suara dapat membantu memahami kondisi mental seseorang. Depresi adalah gangguan suasana hati yang ditandai dengan perasaan sedih mendalam dan kehilangan minat terhadap aktivitas sehari-hari, yang dapat menurunkan produktivitas, mengganggu hubungan sosial, dan menyebabkan keinginan bunuh diri. Menurut Riset Kesehatan Dasar 2018, lebih dari 19 juta penduduk Indonesia berusia lebih dari 15 tahun mengalami gangguan mental emosional, dengan lebih dari 12 juta di antaranya mengalami depresi. Oleh karena itu, pengembangan teknologi pendeteksi emosi depresi berbasis suara sangat penting. Penelitian ini bertujuan mengembangkan sistem pendeteksi depresi berbasis suara menggunakan metode Voice Quality Analysis (VQA) dengan parameter jitter, shimmer, dan Harmonics-to-Noise Ratio (HNR). Metodologi penelitian meliputi analisis, perancangan, implementasi, dan pengujian sistem deteksi depresi menggunakan Raspberry Pi 4B. Hasil pengujian menunjukkan bahwa sistem mampu mengklasifikasikan suara depresi dengan akurasi 97% dan F1-score 97%. Implementasi pada perangkat keras juga menunjukkan hasil baik, dengan tingkat keberhasilan prediksi suara non-depresi sebesar 85% dan suara depresi sebesar 75%. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan teknologi deteksi emosi, khususnya dalam mendeteksi depresi melalui analisis kualitas suara.
Co-Authors Henryranu Prasetio, Barlian