cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Wire Bagye
Contact Email
wirestmik@gmail.com
Phone
-
Journal Mail Official
misistmiklombok@gmail.com
Editorial Address
-
Location
Kab. lombok tengah,
Nusa tenggara barat
INDONESIA
Jurnal Manajemen Informatika dan Sistem Informasi
Published by Sekolah Tinggi Manajemen dan Informatika Komputer Lombok
ISSN : 26141701     EISSN : 26143739     DOI : -
Core Subject : Science,
Computer Science & IT
MISI (Jurnal Manajemen Informatika dan Sistem Informasi) diterbitkan oleh LPPM STMIK Lombok sebagai wadah untuk mempublikasikan artikel tentang pengetahuan baru dan penelitian dengan isu terkini yang berkaiatan dengan teknologi informasi, dengan topik Sistem Informasi, Rekayasa Perangkat Lunak, Audit Sistem Informasi, E-Goverment. Jurnal ini terbit 2 (dua) kali dalam setahun yaitu pada bulan Januari dan Juni.
Arjuna Subject : -
Articles 201 Documents
 17   18   19   20   21 
KLASIFIKASI TINGKAT STRES PADA DATASET AFFECTNET MENGGUNAKAN HOG, SVM, DAN PSO Nikko Riestian Putra Wardoyo; Bentar Candra Perdana; Anisah Nabilah
Jurnal Manajemen Informatika dan Sistem Informasi Vol. 9 No. 2 (2026): MISI Juni 2026
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/misi.v9i2.2053

Abstract

Pengenalan tingkat stres melalui ekspresi wajah merupakan tantangan besar dalam komputasi afektif akibat deformasi otot yang samar dan dataset yang sangat timpang. Penelitian ini bertujuan untuk mengusulkan dan mengevaluasi arsitektur deteksi stres yang tidak bias menggunakan teknik Undersampling, ekstraksi fitur Histogram of Oriented Gradients (HOG), dan Particle Swarm Optimization (PSO) pada klasifikasi Support Vector Machine (SVM). Dataset AffectNet diseimbangkan melalui Undersampling untuk memaksakan rasio 50:50 yang absolut antara kelas Stres dan Tidak Stres. Fitur HOG diterapkan untuk mengekstraksi orientasi gradien wajah, sementara PSO bertugas mengoptimasi penalti hyperparameter (C) dan nilai gamma dari fungsi kernel SVM RBF. Hasil penelitian menunjukkan bahwa klasifikasi SVM standar menghasilkan jarak baseline yang besar dengan tingkat recall kelas Tidak Stres yang hanya mencapai 1%. Setelah menerapkan teknik Undersampling dan optimasi PSO dengan 30 iterasi, sistem berhasil mendeteksi parameter optimal dan menghasilkan akurasi yang tidak bias (unbiased accuracy) sebesar 59,67%. Meskipun persentase akurasi global tampak menurun dibandingkan dengan akurasi semu (accuracy paradox) yang sering muncul pada data timpang, nilai recall pada kelas minoritas meningkat signifikan hingga 25%, dengan deteksi stres mencapai 96%. Kesimpulannya, arsitektur yang diusulkan berhasil mengeliminasi bias kelas mayoritas, mempercepat waktu ekstraksi fitur menjadi skala milidetik, dan secara efektif mengotomatiskan pencarian parameter SVM, menjadikannya landasan yang kuat untuk sistem pendeteksi psikologis yang berkelanjutan.

Page 21 of 21 | Total Record : 201

 17   18   19   20   21 

Filter by Year

2018 2026


Reset
Filter By Issues
All Issue Vol. 9 No. 2 (2026): MISI Juni 2026 Vol. 9 No. 1 (2026): MISI Januari 2026 Vol. 8 No. 2 (2025): MISI Juni 2025 Vol. 8 No. 1 (2025): MISI Januari 2025 Vol. 7 No. 2 (2024): MISI EDISI JUNI 2024 Vol. 7 No. 1 (2024): MISI Januari 2024 Vol. 6 No. 2 (2023): Misi Juni 2023 Vol. 6 No. 1 (2023): MISI Januari 2023 Vol. 5 No. 2 (2022): MISI Juni 2022 Vol. 5 No. 1 (2022): MISI Januari 2022 Vol. 4 No. 2 (2021): MISI Juni 2021 Vol. 4 No. 1 (2021): MISI Januari 2021 Vol. 3 No. 2 (2020): MISI Juni 2020 Vol. 3 No. 1 (2020): MISI Januari 2020 Vol. 2 No. 2 (2019): MISI Juni 2019 Vol. 2 No. 1 (2018): MISI Januari 2019 Vol. 1 No. 2 (2018): MISI Juni 2018 Vol. 1 No. 1 (2018): MISI Januari 2018 More Issue