Perpustakaan Digital ITB

Model emosi kontinu yang dibangun dengan memperhatikan personalisasi dan riwayat emosi sebelumnya masih belum menjadi basis pembangunan model AI affective computing yang utama saat ini. Pembangunan model didominasi penggunaan model emosi diskrit yang dibangun di atas korpus penilaian emosi pihak ketiga tak terpersonalisasi menyebabkan kurang andalnya penilaian kondisi emosi oleh model AI. Penelitian ini mengembangkan model prediksi intensitas dan perubahan valence-arousal untuk menjawab kondisi rumpang ini. Sistem yang diusulkan memanfaatkan backbone RoBERTa-large dan DeBERTa-v3-large yang disesuaikan menggunakan adapter personalisasi PLoRA, dilengkapi pengodean temporal dengan GRU untuk prediksi perubahan emosi. Model dikembangkan dengan optimasi pelatihan CCC dan MAE. Strategi pelatihan memanfaatkan skema freeze-unfreeze untuk menjaga kestabilan model. Luaran model dengan backbone berbeda selanjutnya diensemble dengan algoritma weighted average. Hasil eksperimen menunjukkan korelasi Pearson’s r sebesar 0,661 (valence) dan 0,528 (arousal) oleh model prediksi intensitas serta 0,618 (valence) dan 0,671 (arousal) oleh model prediksi perubahan jangka pendek. Ditemukan valence mengikuti pola inersia baseline personal, sedangkan arousal lebih fluktuatif dan terpengaruh faktor emosi lain. Model masih memiliki keterbatasan dalam memahami pola perubahan emosi pada tiap persona, namun sudah andal dalam memahami perbedaan emosi antarpersona. Penelitian ini berkontribusi dalam menemukan konfigurasi model yang optimal sekaligus memahami keterbatasan data dan model dengan saran pengembangan domain-specific pretrained model.