Klasifikasi Mental State Berdasarkan Data Rekaman Electroencephalography (EEG) Menggunakan Multiclass Support Vector Machine

Karimah, Saffanah (2013) Klasifikasi Mental State Berdasarkan Data Rekaman Electroencephalography (EEG) Menggunakan Multiclass Support Vector Machine. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06211940000076-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (5MB) | Request a copy

Abstract

Mental state (kondisi mental) mengacu pada keadaan pikiran yang dapat dilihat dari berbagai perspektif seperti berbasis kesadaran, berbasis kesengajaan, dan fungsionalisme. Di antara beragam jenis kondisi mental manusia, keadaan yang melekat dengan keseharian adalah kondisi konsentrasi (concentrating state), kondisi rileks (relaxed state), serta di antara kedua kondisi tersebut terdapat kondisi netral (neutral state). Konsentrasi merupakan kondisi yang perlu dicapai pada kegiatan yang berkaitan dengan kemampuan kognitif manusia, sedangkan kondisi rileks perlu dicapai ketika tidak sedang melakukan aktivitas yang berat sehingga tubuh bisa merasa nyaman dan otot tidak terus menerus tegang. Maka dari itu, kemampuan untuk dapat mencapai dua kondisi ini pada saat yang dibutuhkan sangatlah penting. Namun kenyataannya, seseorang dengan gangguan mental atau pasien pengidap penyakit yang menyerang neurologi seringkali mengalami kesulitan untuk mencapai kondisi ideal dalam berkonsentrasi maupun rileks. Maka dari itu, diperlukan penanganan secara segera untuk dapat mengatasi dampak yang ada. Penanganan terhadap pasien seringkali memerlukan assesment terkait kondisi mental terkini supaya dapat memberi gambaran mengenai tindakan yang perlu dilakukan. Metode yang dapat digunakan untuk mendeteksi mental state ini adalah menggunakan sinyal gelombang otak hasil perekaman electroencephalography (EEG). Sinyal hasil EEG memiliki bentuk yang kompleks sehingga perlu dilakukan pengolahan terlebih dahulu sebelum dapat dimodelkan dalam klasifikasi. Pada penelitian ini, filterisasi sinyal dilakukan menggunakan metode Finite Impulse Response (FIR) Hamming Windows. Fitur diekstrak dari masing-masing band gelombang untuk kemudian menjadi variabel prediktor dalam klasifikasi. Selain itu diterapkan juga metode feature selection yang menjadi variabel prediktor fitur terseleksi. Metode yang digunakan untuk klasifikasi mental state adalah Multiclass Support Vector Machine (SVM) pendekatan One-Against-One (OAO) dan One-Against-All (OAA). Hasil menunjukkan klasifikasi menggunakan seluruh fitur memiliki kinerja lebih baik dibandingkan klasifikasi menggunakan fitur terseleksi. Model Multiclass SVM pendekatan OAO dengan nilai area under curve (AUC) sebesar 0,941 memiliki performansi klasifikasi lebih baik dibandingkan model Multiclass SVM pendekatan OAO yang hanya memiliki AUC sebesar 0,927. Sehingga dapat disimpulkan bahwa Multiclass SVM pendekatan OAO merupakan pendekatan terbaik dalam deteksi mental state berdasarkan data rekaman EEG.
=================================================================================================================================
The mental state refers to the state of mind that can be observed from various perspectives, such as consciousness-based, intention-based, and functionalism-based. Among the various types of human mental conditions, the states that are inherent in daily life are the concentrating state, relaxed state, and in between these two states, there is the neutral state. Concentration is a condition that needs to be achieved during activities related to human cognitive abilities, while relaxation needs to be achieved when not engaged in demanding activities, allowing the body to feel comfortable and the muscles not to be continuously tense. Therefore, the ability to reach these two states when needed is crucial. However individuals with mental disorders or patients suffering from neurological conditions often struggle to achieve the ideal states of concentration and relaxation. Therefore, immediate treatment is needed to be able to overcome the existing effects. The treatment of patients often requires an assessment of their current mental condition to provide insights into the necessary actions. One method to detect this mental state is by using brainwave signals obtained through electroencephalography (EEG) recordings. EEG signals are complex in nature, requiring preprocessing before they can be modeled for classification. In this study, the filtering method used is the Hamming Windows Finite Impulse Response (FIR) method. Features are then extracted from each wave band to become predictor variables in the classification process. Additionally, feature selection methods are applied to choose the most relevant predictor features. The classification method used for the mental state is Multiclass Support Vector Machine (SVM) with One-Against-One (OAO) and One-Against-All (OAA) approaches. The results show that classification using all features performs better compared to using selected features. The Multiclass SVM model using the OAO approach achieves an area under the curve (AUC) value of 0.941, indicating better classification performance than the OAA approach, which only achieves an AUC of 0.927. The conclusion is that Multiclass SVM with the OAO approach is the best approach to detect mental conditions based on EEG recording data.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Mental State, EEG, Brainwaves, Mental State, Gelombang otak, Multiclass SVM
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 > 49201-(S1) Undergraduate Thesis
Depositing User:	SAFFANAH KARIMAH
Date Deposited:	15 Sep 2023 06:38
Last Modified:	15 Sep 2023 06:38
URI:	http://repository.its.ac.id/id/eprint/104549

Actions (login required)

View Item