Klasifikasi Emosi Manusia Berdasar Sinyal Electroencephalograph (Eeg) Menggunakan Metode Naïve Bayes

Oktavia, Nur Yusuf (2019) Klasifikasi Emosi Manusia Berdasar Sinyal Electroencephalograph (Eeg) Menggunakan Metode Naïve Bayes. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 07111750067009-Master_Thesis.pdf Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Dalam perkembangan kehidupan dewasa ini, banyak sekali permasalahan yang dapat diatasi dengan teknologi. Salah satu hal yang dapat diamati adalah dunia kesehatan. Dan dalam dunia kesehatan ini hal yang cukup penting diamati adalah kondisi emosi manusia. Hal ini dikarenakan kondisi emosi manusia sangat berkaitan erat dengan kondisi kesehatan manusia, selain itu antisipasi dini kondisi emosi manusia dapat digunakan sebagai terapi pengobatan alamiah. Dalam dunia kedokteran kondisi emosi manusia dapat diamati dengan alat EEG, dimana alat tersebut mengamati respon otak melalui sinyal elektrik yang dikeluarkan. Pengamatan dengan EEG adalah pengamatan dengan respon yang cukup cepat hal ini disebabkan karena kendali gerak manusia selalu diawali dari Otak manusia. Dalam penelitian ini, dilakukan klasifikasi kondisi emosi manusia yaitu emosi sedih dan senang, berdasar sinyal EEG dengan ekstraksi fitur time domain. Penelitian ini dilakukan terhadap 12 orang (7 orang laki-laki dan 5 orang perempuan). Fitur-fitur yang digunakan antara lain fitur Mean, standar Deviasi dan Number Of Peaks. Ekstraksi fitur tersebut dilakukan pada band frekuensi alfa (α) and beta (β) pada 4 kanal yaitu AF3,O1,O2 dan AF4. Selanjutnya dilakukan klasifikasi emosi tersebut dengan menggunakan Metode Naïve Bayes. Dari Hasil penelitian diketahui bahwa dengan menggunakan Fitur Mean. didapatkan hasil akurasi yang terbaik yaitu sekitar 87,5% pada frekuensi beta atau kombinasi antara alfa dan beta dimana dalam hal ini dilakukan dengan opsi pengujian sebesar 66%.
=====================================================================================================================================
In the development of life today, there are many problems that can be overcome with technology. One of the things that can be observed is the world of health. And in this world of health, the most important thing to observe is the condition of human emotions. This is because the condition of human emotions is very closely related to human health conditions, in addition to the early anticipation of the condition of human emotions can be used as a therapy for natural medicine. In the medical world human emotion conditions can be observed with an EEG device, where the tool observes the brain's response through electrical signals released. Observation with EEG is an observation with a fairly fast response because this control of human motion always starts from the human brain. In this study, the classification of human emotion conditions, namely sad and happy emotions, was based on EEG signals by extracting time domain features. This research was conducted on 12 people (7 men and 5 women). The features used include the Mean feature, standard deviation and Number Of Peaks. Extraction of these features is performed on frequency bands alfa (α) and beta (β) in 4 channels, namely AF3, O1, O2 and AF4. Next is the classification of emotions using the Naïve Bayes Method. From the results of the study note that by using the Mean feature the best accuracy results are obtained, which is around 87.5% in beta frequency or a combination of alfa and beta, which in this case is done with a testing option of 66%.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Klasifikasi Emosi, Naïve Bayes, Ekstraksi Fitur Time Domain
Subjects:	R Medicine > R Medicine (General) R Medicine > RM Therapeutics. Pharmacology R Medicine > RX Homeopathy R Medicine > RZ Other systems of medicine
Divisions:	Faculty of Electrical Technology > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Nur Yusuf Oktavia
Date Deposited:	23 Jul 2026 01:25
Last Modified:	23 Jul 2026 01:25
URI:	http://repository.its.ac.id/id/eprint/65384

Actions (login required)

View Item