KLASIFIKASI TINGKAT STRES PADA DATASET AFFECTNET MENGGUNAKAN HOG, SVM, DAN PSO

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.