Pengembangan Model Efisien Hybrid CNN-LSTM dengan Kompresi Pruning untuk Speech Emotion Recognition pada Sistem Pemantauan Emosi Jarak Jauh [AJG]
Keywords:
Speech Emotion Recognition, Machine Learning, Pruning Model Compression, Internet of Things, Convolutional Neural Network, long short-term memoryAbstract
Pengembangan sistem pengenalan emosi suara real‑time pada perangkat
mobile dan IoT menuntut model machine learning yang akurat sekaligus ringan. Penelitian ini merancang model hybrid CNN‑LSTM untuk mengekstrak fitur spasial dari spectrogram suara dan menangkap konteks temporal emosi. Untuk mengurangi kompleksitas, diterapkan kompresi model pruning parameter secara selektif, sehingga ukuran model menyusut hingga sekitar ±50 % tanpa kehilangan akurasi secara signifikan. Model yang sudah dikompresi kemudian diintegrasikan ke dalam aplikasi mobile untuk memvisualisasikan fluktuasi emosi secara real-time. Hasil uji menunjukkan respons inferensi cepat dan akurasi klasifikasi emosi yang tetap tinggi, membuktikan bahwa pendekatan ini layak diimplementasikan pada perangkat seluler cerdas dengan sumber daya terbatas.
