Perpustakaan Digital ITB

Penelitian ini mengkaji penggunaan multi-task learning (MTL) untuk pengenalan imagined speech dan emosi berbasis sinyal Electroencephalography (EEG) pada Bahasa Indonesia. Penelitian ini juga membangun dataset EIS-BID (EEG Imagined Speech – Bahasa Indonesia Dataset) yang terdiri atas 11 subjek dan 1.100 trial, mencakup 10 kosakata Bahasa Indonesia dan lima kondisi emosi berbasis dimensi valence–arousal yang direkam menggunakan Emotiv EPOC X 14 kanal. Model yang dikembangkan menggunakan encoder EEGNet dengan dua pendekatan, yaitu single-task learning (STL) untuk klasifikasi kata dan MTL untuk klasifikasi kata serta emosi secara bersamaan. Evaluasi dilakukan menggunakan skema Subject-Dependent (SD) dan leave-one-subject-out (LOSO). Hasil eksperimen menunjukkan bahwa MTL secara konsisten menghasilkan akurasi yang lebih tinggi dibandingkan STL. Akurasi rata-rata meningkat dari 0,095 menjadi 0,113 pada LOSO dan dari 0,112 menjadi 0,136 pada SD untuk Imagined Speech, sedangkan untuk emosi, akurasi rata-rata meningkat dari 0,198 menjadi 0,214 pada LOSO dan dari 0,208 menjadi 0,253 pada SD. Temuan ini menunjukkan bahwa pelatihan bersama melalui shared encoder memberikan manfaat terhadap performa kedua tugas pengenalan kata dan emosi.