Melola Discovery

← Melola Discovery

Open access Jurnal SINTA 2

Evaluasi Dan Optimalisasi Model CNN-Transformer Encoder dalam Deteksi Stres Melalui Sinyal Suara

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 13 No. 1 (2026) · pp. 189–198

DOI
10.25126/jtiik.2026131
ISSN
2528-6579, 2355-7699
Published
2026-02-26
Publisher
Fakultas Ilmu Komputer, Universitas Brawijaya
Language
id
License
creativecommons.org/licenses/by-sa/4.0

Abstract

Bahasa Indonesia

Deteksi stres melalui sinyal suara masih menghadapi tantangan akurasi karena keterbatasan model konvensional dalam menangkap distribusi frekuensi spasial-temporal. Oleh karena itu, diperlukan pendekatan baru yang mampu mengekstraksi pola kompleks secara efektif. Artikel ini mengeksplorasi peningkatan performa deteksi stres melalui sinyal suara dengan mengintegrasikan model Convolutional Neural Network (CNN) dan Transformer Encoder. Kami mengevaluasi berbagai konfigurasi jumlah head pada self-attention dan nilai learning rate untuk model CNN-Transformer Encoder guna mengidentifikasi parameter optimal. Hasil eksperimen menunjukkan bahwa konfigurasi dengan 6 head pada Transformer Encoder dan learning rate 0,01 memberikan performa terbaik dengan nilai loss terendah sebesar 0,5034, akurasi tertinggi 78,37%, serta peningkatan pada precision, recall, dan F1-score. Selain itu, penggabungan model CNN dengan Transformer Encoder secara paralel secara signifikan meningkatkan akurasi deteksi stres dibandingkan dengan model baseline CNN dan DSCNN. Pengujian lebih lanjut menggunakan confusion matrix menunjukkan keunggulan model DSCNN-Transformer Encoder dalam mendeteksi kelas stres dengan akurasi tertinggi. Pengujian pada dataset yang berbeda juga menunjukkan bahwa model yang diusulkan memiliki kestabilan yang baik. Temuan ini menegaskan efektivitas integrasi Transformer Encoder dalam meningkatkan performa deteksi stres pada sinyal suara. Abstract Stress detection through speech signals still faces accuracy challenges due to the limitations of conventional models in capturing spatial-temporal frequency distributions. Therefore, new approaches are needed that can effectively extract complex patterns. This study explores enhancing stress detection performance through speech signals by integrating Convolutional Neural Network (CNN) and Transformer Encoder models. We evaluated various configurations of self-attention head counts and learning rates for the CNN-Transformer Encoder model to identify optimal parameters. Experimental results indicate that a configuration with 6 heads in the Transformer Encoder and a learning rate of 0.01 yields the best performance with the lowest loss of 0.5034, highest accuracy of 78.37%, and improvements in precision, recall, and F1-score. Furthermore, the parallel integration of CNN with Transformer Encoder significantly improves stress detection accuracy compared to baseline CNN and DSCNN models. Further analysis using confusion matrices highlights the superior performance of the DSCNN-Transformer Encoder model in detecting stress classes with the highest accuracy. These findings affirm the effectiveness of integrating Transformer Encoder in enhancing stress detection performance from voice signals.

English

Deteksi stres melalui sinyal suara masih menghadapi tantangan akurasi karena keterbatasan model konvensional dalam menangkap distribusi frekuensi spasial-temporal. Oleh karena itu, diperlukan pendekatan baru yang mampu mengekstraksi pola kompleks secara efektif. Artikel ini mengeksplorasi peningkatan performa deteksi stres melalui sinyal suara dengan mengintegrasikan model Convolutional Neural Network (CNN) dan Transformer Encoder. Kami mengevaluasi berbagai konfigurasi jumlah head pada self-attention dan nilai learning rate untuk model CNN-Transformer Encoder guna mengidentifikasi parameter optimal. Hasil eksperimen menunjukkan bahwa konfigurasi dengan 6 head pada Transformer Encoder dan learning rate 0,01 memberikan performa terbaik dengan nilai loss terendah sebesar 0,5034, akurasi tertinggi 78,37%, serta peningkatan pada precision, recall, dan F1-score. Selain itu, penggabungan model CNN dengan Transformer Encoder secara paralel secara signifikan meningkatkan akurasi deteksi stres dibandingkan dengan model baseline CNN dan DSCNN. Pengujian lebih lanjut menggunakan confusion matrix menunjukkan keunggulan model DSCNN-Transformer Encoder dalam mendeteksi kelas stres dengan akurasi tertinggi. Pengujian pada dataset yang berbeda juga menunjukkan bahwa model yang diusulkan memiliki kestabilan yang baik. Temuan ini menegaskan efektivitas integrasi Transformer Encoder dalam meningkatkan performa deteksi stres pada sinyal suara. Abstract Stress detection through speech signals still faces accuracy challenges due to the limitations of conventional models in capturing spatial-temporal frequency distributions. Therefore, new approaches are needed that can effectively extract complex patterns. This study explores enhancing stress detection performance through speech signals by integrating Convolutional Neural Network (CNN) and Transformer Encoder models. We evaluated various configurations of self-attention head counts and learning rates for the CNN-Transformer Encoder model to identify optimal parameters. Experimental results indicate that a configuration with 6 heads in the Transformer Encoder and a learning rate of 0.01 yields the best performance with the lowest loss of 0.5034, highest accuracy of 78.37%, and improvements in precision, recall, and F1-score. Furthermore, the parallel integration of CNN with Transformer Encoder significantly improves stress detection accuracy compared to baseline CNN and DSCNN models. Further analysis using confusion matrices highlights the superior performance of the DSCNN-Transformer Encoder model in detecting stress classes with the highest accuracy. These findings affirm the effectiveness of integrating Transformer Encoder in enhancing stress detection performance from voice signals.

Keywords

Collaboration network of the authors

35 authors · 76 co-authorship links

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • University of Brawijaya
  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Dahnial SyauqyUniversity of Brawijaya5
Eko SetiawanUniversity of Brawijaya4
Wijaya KurniawanUniversity of Brawijaya2
Mochammad Hannats Hanafi IchsanUniversity of Brawijaya2
Ryzaldi Ananda FabianaUniversity of Brawijaya2
Syahrul ChilmiUniversity of Brawijaya2
Septiyo Budi PerkasaUniversity of Brawijaya2
Rizal MaulanaUniversity of Brawijaya2
Hurriyatul FitriyahUniversity of Brawijaya1
Heru NurwarsitoUniversity of Brawijaya1
Denny Sagita RusdiantoUniversity of Brawijaya1
Lindhu Parang KusumaUniversity of Brawijaya1
Eko SetiawanUniversity of Brawijaya1
Muhammad Fawwaz Dynoeputra IsnandarUniversity of Brawijaya1
Dittha RatanasariUniversity of Brawijaya1
Agung Setia BudiUniversity of Brawijaya1
Ragil Hadi PrasetyoUniversity of Brawijaya1
Fakhrul AllaamUniversity of Brawijaya1
Rekyan Regasari Mardi PutriUniversity of Brawijaya1
Irfan Muzakky NurrizqyUniversity of Brawijaya1
Achmad GhifariUniversity of Brawijaya1
Rakhmadhany PrimanandaUniversity of Brawijaya1
Arsal Wildan NaviaddinUniversity of Brawijaya1
JevandikaUniversity of Brawijaya1
Brylliano Maza PutraUniversity of Brawijaya1
Gabriel Hizkia Marhata SimbolonAffiliation unknown1
Gabriel Hizkia Marhata SimbolonAffiliation unknown1
Teguh Surya Darma SantosoAffiliation unknown1
Muhammad Rava AthallaAffiliation unknown1
Raihan Adi PrakosoAffiliation unknown1
Ika NurfaridaAffiliation unknown1
Alifa Azwadina FuadAffiliation unknown1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, first harvested 27 Okt 2026, last seen 27 Okt 2026.
Original metadata (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Evaluasi Dan Optimalisasi Model CNN-Transformer Encoder dalam Deteksi Stres Melalui Sinyal Suara</dc:title>
	<dc:title xml:lang="en">Evaluasi Dan Optimalisasi Model CNN-Transformer Encoder dalam Deteksi Stres Melalui Sinyal Suara</dc:title>
	<dc:creator xml:lang="en">Prasetio, Barlian Henryranu</dc:creator>
	<dc:creator xml:lang="en">Widasari, Edita Rosana </dc:creator>
	<dc:creator xml:lang="en">Shabiyya, Syifa’ Hukma </dc:creator>
	<dc:creator xml:lang="id">Prasetio, Barlian Henryranu</dc:creator>
	<dc:creator xml:lang="id">Widasari, Edita Rosana </dc:creator>
	<dc:creator xml:lang="id">Shabiyya, Syifa’ Hukma </dc:creator>
	<dc:subject xml:lang="id">Deteksi stres</dc:subject>
	<dc:subject xml:lang="id">CNN (Convolutional Neural Network)</dc:subject>
	<dc:subject xml:lang="id">Transformer Encoder</dc:subject>
	<dc:subject xml:lang="id">Learning rate</dc:subject>
	<dc:subject xml:lang="id">Self Attention</dc:subject>
	<dc:subject xml:lang="id">Sinyal Suara</dc:subject>
	<dc:subject xml:lang="en">Deteksi Stres</dc:subject>
	<dc:subject xml:lang="en">Convolutional Neural Network (CNN)</dc:subject>
	<dc:subject xml:lang="en">Transformer Encoder</dc:subject>
	<dc:subject xml:lang="en">Learning Rate</dc:subject>
	<dc:subject xml:lang="en">Self-Attention</dc:subject>
	<dc:subject xml:lang="en">Sinyal Suara</dc:subject>
	<dc:description xml:lang="id">Deteksi stres melalui sinyal suara masih menghadapi tantangan akurasi karena keterbatasan model konvensional dalam menangkap distribusi frekuensi spasial-temporal. Oleh karena itu, diperlukan pendekatan baru yang mampu mengekstraksi pola kompleks secara efektif. Artikel ini mengeksplorasi peningkatan performa deteksi stres melalui sinyal suara dengan mengintegrasikan model Convolutional Neural Network (CNN) dan Transformer Encoder. Kami mengevaluasi berbagai konfigurasi jumlah head pada self-attention dan nilai learning rate untuk model CNN-Transformer Encoder guna mengidentifikasi parameter optimal. Hasil eksperimen menunjukkan bahwa konfigurasi dengan 6 head pada Transformer Encoder dan learning rate 0,01 memberikan performa terbaik dengan nilai loss terendah sebesar 0,5034, akurasi tertinggi 78,37%, serta peningkatan pada precision, recall, dan F1-score. Selain itu, penggabungan model CNN dengan Transformer Encoder secara paralel secara signifikan meningkatkan akurasi deteksi stres dibandingkan dengan model baseline CNN dan DSCNN. Pengujian lebih lanjut menggunakan confusion matrix menunjukkan keunggulan model DSCNN-Transformer Encoder dalam mendeteksi kelas stres dengan akurasi tertinggi. Pengujian pada dataset yang berbeda juga menunjukkan bahwa model yang diusulkan memiliki kestabilan yang baik. Temuan ini menegaskan efektivitas integrasi Transformer Encoder dalam meningkatkan performa deteksi stres pada sinyal suara.
 
Abstract
Stress detection through speech signals still faces accuracy challenges due to the limitations of conventional models in capturing spatial-temporal frequency distributions. Therefore, new approaches are needed that can effectively extract complex patterns. This study explores enhancing stress detection performance through speech signals by integrating Convolutional Neural Network (CNN) and Transformer Encoder models. We evaluated various configurations of self-attention head counts and learning rates for the CNN-Transformer Encoder model to identify optimal parameters. Experimental results indicate that a configuration with 6 heads in the Transformer Encoder and a learning rate of 0.01 yields the best performance with the lowest loss of 0.5034, highest accuracy of 78.37%, and improvements in precision, recall, and F1-score. Furthermore, the parallel integration of CNN with Transformer Encoder significantly improves stress detection accuracy compared to baseline CNN and DSCNN models. Further analysis using confusion matrices highlights the superior performance of the DSCNN-Transformer Encoder model in detecting stress classes with the highest accuracy. These findings affirm the effectiveness of integrating Transformer Encoder in enhancing stress detection performance from voice signals.</dc:description>
	<dc:description xml:lang="en">Deteksi stres melalui sinyal suara masih menghadapi tantangan akurasi karena keterbatasan model konvensional dalam menangkap distribusi frekuensi spasial-temporal. Oleh karena itu, diperlukan pendekatan baru yang mampu mengekstraksi pola kompleks secara efektif. Artikel ini mengeksplorasi peningkatan performa deteksi stres melalui sinyal suara dengan mengintegrasikan model Convolutional Neural Network (CNN) dan Transformer Encoder. Kami mengevaluasi berbagai konfigurasi jumlah head pada self-attention dan nilai learning rate untuk model CNN-Transformer Encoder guna mengidentifikasi parameter optimal. Hasil eksperimen menunjukkan bahwa konfigurasi dengan 6 head pada Transformer Encoder dan learning rate 0,01 memberikan performa terbaik dengan nilai loss terendah sebesar 0,5034, akurasi tertinggi 78,37%, serta peningkatan pada precision, recall, dan F1-score. Selain itu, penggabungan model CNN dengan Transformer Encoder secara paralel secara signifikan meningkatkan akurasi deteksi stres dibandingkan dengan model baseline CNN dan DSCNN. Pengujian lebih lanjut menggunakan confusion matrix menunjukkan keunggulan model DSCNN-Transformer Encoder dalam mendeteksi kelas stres dengan akurasi tertinggi. Pengujian pada dataset yang berbeda juga menunjukkan bahwa model yang diusulkan memiliki kestabilan yang baik. Temuan ini menegaskan efektivitas integrasi Transformer Encoder dalam meningkatkan performa deteksi stres pada sinyal suara.
 
Abstract
Stress detection through speech signals still faces accuracy challenges due to the limitations of conventional models in capturing spatial-temporal frequency distributions. Therefore, new approaches are needed that can effectively extract complex patterns. This study explores enhancing stress detection performance through speech signals by integrating Convolutional Neural Network (CNN) and Transformer Encoder models. We evaluated various configurations of self-attention head counts and learning rates for the CNN-Transformer Encoder model to identify optimal parameters. Experimental results indicate that a configuration with 6 heads in the Transformer Encoder and a learning rate of 0.01 yields the best performance with the lowest loss of 0.5034, highest accuracy of 78.37%, and improvements in precision, recall, and F1-score. Furthermore, the parallel integration of CNN with Transformer Encoder significantly improves stress detection accuracy compared to baseline CNN and DSCNN models. Further analysis using confusion matrices highlights the superior performance of the DSCNN-Transformer Encoder model in detecting stress classes with the highest accuracy. These findings affirm the effectiveness of integrating Transformer Encoder in enhancing stress detection performance from voice signals.</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2026-02-26</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/9234</dc:identifier>
	<dc:identifier>10.25126/jtiik.2026131</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 13 No 1: Februari 2026; 189-198</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 13 No. 1: Februari 2026; 189-198</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.2026131</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/9234/1555</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2026 Barlian Henryranu Prasetio, Edita Rosana Widasari, Syifa’ Hukma Shabiyya</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>