Deteksi Depresi Berdasarkan Suara Menggunakan Ekstraksi Fitur Citra dan Convolutional Neural Network

Sebastian, Rio (2024) Deteksi Depresi Berdasarkan Suara Menggunakan Ekstraksi Fitur Citra dan Convolutional Neural Network. Bachelor Thesis, Universitas Multimedia Nusantara.

[img] PDF
HALAMAN_AWAL.pdf

Download (827kB)
[img] PDF
BAB_I.pdf

Download (151kB)
[img] PDF
BAB_II.pdf

Download (348kB)
[img] PDF
BAB_III.pdf

Download (453kB)
[img] PDF
BAB_IV.pdf
Restricted to Registered users only

Download (6MB)
[img] PDF
BAB_V.pdf

Download (121kB)
[img] PDF
DAFTAR_PUSTAKA.pdf

Download (124kB)
[img] PDF
LAMPIRAN.pdf
Restricted to Registered users only

Download (1MB)

Abstract

Depresi, gangguan suasana hati yang mempengaruhi banyak aspek kehidupan, kini menjadi fokus utama dalam kesehatan mental global. Di tahun 2019, 970 juta orang mengalami gangguan mental, terutama depresi dan kecemasan, yang meningkat signifikan selama pandemi COVID-19. Penelitian ini menemukan bahwa sekitar 57.60% pasien yang mengalami gangguan psikiatrik menghadapi misdiagnosis. Penelitian ini akan memberikan wawasan mendalam mengenai efektivitas penggunaan fitur Mel-spectrogram dalam deteksi depresi, serta membandingkan performa berbagai model CNN, baik yang menggunakan algoritma ShuffleNet maupun model transfer learning berbasis InceptionV3. Tujuannya adalah untuk menemukan model yang paling efisien dan akurat dalam mendeteksi depresi dari data suara, yang diharapkan dapat berkontribusi pada pengembangan alat diagnostik yang lebih efektif dan dapat diandalkan. Hasil dari ini InceptionV3 99.75% dan akurasi test 93.40%, ShuffleNet 55.93% hingga 69.34%.

Item Type: Thesis (Bachelor Thesis)
Creators: Sebastian, Rio (00000026656)
Contributors: Pratiwi, Monica
Keywords: Depresi, Analisis Sinyal Audio, Machine Learning, Convolutional Neural Networks (CNN), Klasifikasi Audio, Deteksi Dini, Kesehatan Mental, Mel-Spectogram, Ekstraksi Fitur, Evaluasi Model, InceptionV3, ShuffleNet.
Subjects: 000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware
Divisions: Faculty of Engineering & Informatics > Computer Engineering
Date Deposited: 06 Nov 2024 02:30
URI: https://kc.umn.ac.id/id/eprint/32186

Actions (login required)

View Item View Item