Deteksi Penderita Depresi Berdasarkan Data Rekaman Electroencephalogram Menggunakan Support Vector Machine Berbasis Kernel Time Series

Rofiq, Dandy Ewaldo Alifatur (2024) Deteksi Penderita Depresi Berdasarkan Data Rekaman Electroencephalogram Menggunakan Support Vector Machine Berbasis Kernel Time Series. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5003201001-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2026. Download (7MB) | Request a copy

Abstract

Depresi merupakan kondisi di mana seseorang mengalami gangguan mental dan ditunjukkan dengan kesedihan mendalam, keputusasaan, ketidakberdayaan yang berlangsung dalam jangka waktu yang panjang dan intens. Terdapat beberapa metode untuk mendeteksi depresi pada seseorang, salah satunya adalah melalui data sinyal electroencephalogram (EEG). Umumnya dokter akan melihat sinyal EEG pada pasien dan menentukan apakah orang tersebut normal atau tidak, namun bentuk sinyal yang tidak normal belum terdefinisikan secara spesifik. Pada penelitian ini dilakukan analisis untuk melihat pada saat apa sinyal EEG terdeteksi tidak normal. Pada perekaman sinyal EEG, subjek diberikan beberapa stimulus untuk dilihat perubahan pada gelombang sinyal otak yang dihasilkan. Seperti pada penelitian ini digunakan data sinyal EEG pada saat stimulus open eyes dan close eyes. Penelitian ini menggunakan metode Support Vector Machine (SVM) karena dari beberapa penelitian menunjukkan bahwa metode SVM memiliki performasi yang lebih baik dari metode lainnya. Data EEG merupakan data time series di mana terdapat variabel waktu dalam perekaman data EEG. Kebanyakan kernel di SVM hanya dapat digunakan untuk data linear atau non linear, bukan untuk data time series. Pada penelitian ini digunakan kernel time series Global Alignment Kernerls (GAK) untuk mengatasi data bertipe time series. Channel yang digunakan pada sinyal EEG ini hanya 4 channel yaitu Fp1, Fp2. T3, dan T4. Sebelum dilakukan klasifikasi sinyal EEG perlu melewati preprocessing data meliputi filterisasi untuk menghilangkan noise dan mendapatkan lima sub-band. Segmentasi untuk memotong sinyal menjadi epoch dengan panjang 10 detik dan overlap 5 detik. Hasil klasifikasi menggunakan metode SVM dengan kernel GAK didapatkan bahwa klasifikasi untuk data depresi dideteksi sebagai normal di semua epoch-nya.
=================================================================================================================================
Depression is a condition where a person experiences mental disorders and is shown by deep sadness, hopelessness, helplessness that lasts for a long and intense period of time. There are several methods for detecting depression in a person, one of which is through electroencephalogram (EEG) signal data. Generally doctors will look at the patient's EEG signal and determine whether the person is normal or not, but the form of an abnormal signal has not been specifically defined. In this study, an analysis was carried out to see when the EEG signal was detected as abnormal. When recording EEG signals, the subject is given several stimuli to see changes in the resulting brain signal waves. As in this study, EEG signal data was used during open eyes and close eyes stimuli. This research uses the Support Vector Machine (SVM) method because several studies show that the SVM method has better performance than other methods. EEG data is time series data where there are time variables in the EEG data recording. Most kernels in SVM can only be used for linear or non-linear data, not for time series data. In this research, the Global Alignment Kernerls (GAK) time series kernel is used to handle time series type data. The channels used for this EEG signal are only 4 channels, namely Fp1, Fp2. T3, and T4. Before classifying the EEG signal, it needs to go through data preprocessing including filtering to remove noise and obtain five sub-bands. Segmentation to cut the signal into epochs with a length of 10 seconds and an overlap of 5 seconds. The classification results using the SVM method with the GAK kernel showed that the classification for depression data was detected as normal in all epochs.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Depresi, EEG, Global Alignment Kernels, Support Vector Machine, Depression
Subjects:	H Social Sciences > HA Statistics > HA30.3 Time-series analysis Q Science > QP Physiology > Q376.5 Electroencephalography (EEG)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Dandy Ewaldo Alifatur Rofiq
Date Deposited:	20 Feb 2024 06:10
Last Modified:	20 Feb 2024 06:10
URI:	http://repository.its.ac.id/id/eprint/107625

Actions (login required)

View Item