Implementasi Machine Learning Pada Alat Deteksi Emosi Untuk Sistem Kontrol Suhu Dan Pencahayaan Ruangan

Abstract

Penelitian ini membahas tentang pengimplementasian machine learning untuk alat deteksi emosi agar klasifikasi emosi yang dihasilkan akurat atau mendekati kondisi asli emosional pengguna. Pada penelitian ini juga diterapkan konsep IoT. Selain untuk mendeteksi emosi, hasil deteksi emosi juga dimanfaatkan juga sebagai pengontrol pencahayaan ruangan dan suhu ruangan yang penyesuaiannya berdasarkan kondisi emosional pengguna. Alat pendeteksi emosi dibuat menggunakan Mikrokontroler Arduino UNO. Dalam implementasi machine learning digunakan metode CNN untuk melatih dataset klasifikasi emosi. Data yang telah dilatih kemudian diterapkan ke program untuk alat pendeteksi emosi lalu diteruskan ke sistem pengontrol guna menjalankan kontrol pencahayaan dan suhu ruangan. Hasil dari pengujian model yang telah dilatih menggunakan algoritma CNN dengan arsitektur Deep CNN menunjukkan nilai rata-rata precision 67%, recall 62%, accuracy 68% dan F1 score 63%. Hasil dari pengujian alat deteksi emosi pada penelitian ini mendapatkan nilai rata-rata tingkat kecocokan sampel uji dengan model yang telah dilatih sebesar 70,03 %. Adapun hasil perhitungan QoS untuk video streaming saat transmisi data dari kamera smartphone ke alat deteksi emosi dengan protokol TCP dengan nilai ratarata throughput sebesar 9168,1 Kb/s. Sedangkan untuk packet loss sebesar 0,002% dan nilai rata-rata delay sebesar 0,899600339 ms. Kata Kunci: Emosi, IoT, Machine learning. Abstract This study discusses the implementation of machine learning for emotion detection tools so that the resulting emotion classification is accurate or close to the user's original emotional condition. In this research, the concept of IoT is also applied. In addition to detecting emotions, the results of emotion detection are also used as a controller for room lighting and room temperature whose adjustments are based on the user's emotional condition. The emotion detection tool is made using the Arduino UNO Microcontroller. In the machine learning implementation, the CNN method is used to train the emotion classification dataset. The data that has been trained is then applied to the program for emotion detection devices and then forwarded to the controller system to control the lighting and room temperature. The results of model testing that have been trained using the CNN algorithm with Deep CNN architecture show an average precision of 67%, recall 62%, accuracy 68% and F1 score 63%. The results of testing the emotion detection tool in this study obtained an average value of the level of compatibility of the test sample with the trained model of 70.03%. The results of the QoS calculation for video streaming when transmitting data from a smartphone camera to an emotion detection device using the TCP protocol with an average throughput value of 9168.1 Kb/s. Meanwhile, packet loss is 0.002% and the average delay value is 0.89960339 ms. Keywords: Emotion, IoT, Machine learning