Smooth Support Vector Machine Berbasis Polynomial Function untuk Deteksi Depresi Menggunakan Sinyal Electroenchephalogram (EEG)

Nikmah, Annisatul (2023) Smooth Support Vector Machine Berbasis Polynomial Function untuk Deteksi Depresi Menggunakan Sinyal Electroenchephalogram (EEG). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6003212019-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (4MB) | Request a copy

Abstract

Kesehatan mental menempati peringkat kelima dalam masalah kesehatan global paling genting saat ini. Depresi merupakan salah satu penyakit mental yang paling umum memengaruhi banyak orang di seluruh dunia. Metode deteksi depresi yang masih umum dilakukan yaitu menggunakan kuesioner klinis. Namun, penggunaan kuesioner untuk survei dalam skala besar akan menghabiskan sumber daya manusia dan material yang besar. Oleh karena itu, para ilmuwan dan peneliti dari seluruh dunia sedang bekerja untuk menemukan cara alternatif dan obyektif untuk mendeteksi depresi mental, terutama melalui data sinyal EEG. Beberapa penelitian yang pernah dilakukan menunjukkan bahwa pola abnormal pada sub-band alpha di sinyal EEG dikaitkan dengan depresi, selain itu sub-band beta, delta, theta, dan gamma juga dapat digunakan untuk deteksi depresi. Preprocessing sinyal EEG diperlukan sebelum dilakukan klasifikasi dengan cara filterisasi yaitu menggunakan Finite Impulse Response (FIR). Selanjutnya, data sinyal EEG diklasifikasikan dengan menggunakan Support Vector Machine (SVM) karena dari beberapa penilitian yang ada SVM memberikan performansi yang lebih unggul dibanding metode lainnya. Penelitian ini mengusulkan Piecewise Polynomial Smooth Support Vector Machine (PPWSSVM) dan Spline Smooth Support Vector Machine (Spline SSVM) untuk metode klasifikasi. Hasil dari penelitian ini didapatkan bahwa secara teoritis performansi piecewise polynomial (PPW) function lebih baik dibanding spline function. Klasifikasi menggunakan PPWSSVM dengan 4 channel yaitu Fp1, Fp2, T3, dan T4 serta 2 channel yaitu T3 dan T4 memberikan nilai AUC tertinggi secara berturut-turut sebesar 99,65% dan 99,44%. Sedangkan klasifikasi dengan 1 channel yaitu T4 nilai AUC tertinggi 98,87% adalah menggunakan Spline SSVM dan SSVM. Pengklasifikasian menggunakan SSVM pada data real memberikan nilai AUC tertinggi yaitu sebesar 99,82%.
=================================================================================================================================
Mental health ranks as the fifth most critical global health issue today. Depression is one of the most common mental illnesses affecting people around the world. The most common method of depression detection is using clinical questionnaires. However, the use of questionnaires for large-scale surveys will consume large human and material resources. Therefore, scientists and researchers from around the world are working to find alternative and objective ways to detect mental depression, especially through EEG signal data. Several studies have shown that abnormal patterns in the alpha sub-band in EEG signals are associated with depression, but the beta, delta, theta, and gamma sub-bands can also be used for depression detection. EEG signal preprocessing is required before classification by filtering using Finite Impulse Response (FIR). Furthermore, EEG signal data will be classified using Support Vector Machine (SVM) because from some existing research SVM provides superior performance compared to other methods. This research proposes Piecewise Polynomial Smooth Support Vector Machine (PPWSSVM) and Spline Smooth Support Vector Machine (Spline SSVM) for classification method. The results of this study found that theoretically the performance of piecewise polynomial (PPW) function is better than spline function. Classification using PPWSSVM with 4 channels namely Fp1, Fp2, T3, and T4 and 2 channels namely T3 and T4 provides the highest AUC value of 99.65% and 99.44%, respectively. While classification with 1 channel, namely T4, the highest AUC value is using Spline SSVM and SSVM. Classifying using SSVM on real data gives the highest AUC value of 99.82%.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Depresi, EEG, Piecewise Polynomial Smooth Support Vector Machine, Spline Smooth Support Vector Machine, Depression
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QP Physiology > Q376.5 Electroencephalography (EEG)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User:	Annisatul Nikmah
Date Deposited:	21 Sep 2023 03:25
Last Modified:	21 Sep 2023 03:25
URI:	http://repository.its.ac.id/id/eprint/104535

Actions (login required)

View Item