Pengenalan Emosi Senang dan Sedih Berdasarkan Time & Frequency Domain Pada Sinyal EEG

Pamungkas, Yuri (2022) Pengenalan Emosi Senang dan Sedih Berdasarkan Time & Frequency Domain Pada Sinyal EEG. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6022201018-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2024. Download (5MB) | Request a copy

Abstract

Affective computing adalah bagian dari studi penting tentang Human-Computer Interaction (HCI). Saat ini, affective computing terkait pengenalan emosi berbasis EEG menjadi isu yang menarik untuk dikaji lebih lanjut. Emosi tidak hanya erat kaitannya dengan aspek HCI tetapi juga memengaruhi kesehatan manusia. Sementara itu, EEG juga dianggap sebagai suatu media/ alat yang transparan dalam mengungkap emosi manusia secara objektif karena otak secara alami menghasilkan sinyal EEG. Penelitian ini berfokus pada membandingkan dan mengklasifikasikan emosi manusia (senang dan sedih) berdasarkan data EEG. Channel yang digunakan untuk perekaman data EEG adalah F7, F8, FP1, dan FP2. Preprocessing data seperti pemfilteran sinyal, Independent Component Analysis (ICA), dan Dekomposisi Band bertujuan untuk membersihkan sinyal raw dari artifak dan memisahkan sinyal menurut band frekuensi tertentu (Alpha, Beta, dan Gamma). Kemudian dilakukan ekstraksi fitur statistik pada domain waktu dan ekstraksi fitur Power Spectral Density pada domain frekuensi untuk mendapatkan nilai fitur Mean, Mean Absolute Value (MAV), Standar Deviasi, dan Band Power untuk analisis data selanjutnya. Hasil penelitian menunjukkan bahwa emosi senang memiliki nilai ciri yang lebih tinggi dibandingkan dengan emosi sedih. Dalam klasifikasi emosi senang dan sedih menggunakan beberapa algoritma, Random Forest mempunyai akurasi klasifikasi tertinggi (88.90%), dibandingkan algoritma lain seperti SVM (86.70%), K-NN (88.87%), dan Naive Bayes (86.63%). Algoritma XAI yang diterapkan pada penelitian ini (SVM, Random Forest, KNN, dan Naive Bayes) memiliki akurasi yang lebih rendah jika dibandingkan dengan penelitian sebelumnya yang menggunakan algoritma Deep Learning (di atas 90%). Namun, algoritma yang diterapkan dalam penelitian ini lebih baik dalam hal transparansi ketika diimplementasikan untuk implementasi yang sebenarnya.
=================================================================================================
Affective computing is an important part of the study of Human-Computer Interaction (HCI). Currently, affective computing related to EEG-based emotion recognition is an interesting issue to be studied further. Emotions are not only closely related to aspects of HCI but also affect human health. Meanwhile, EEG is also considered as a transparent medium/tool in revealing human emotions objectively because the brain naturally produces EEG signals. This study focuses on comparing and classifying human emotions (happy and sad) based on EEG data. The channels used for recording EEG data are F7, F8, FP1, and FP2. Data pre-processing such as signal filtering, Independent Component Analysis (ICA), and Band Decomposition aims to clean the raw signal from artifacts and separate the signal according to certain frequency bands (Alpha, Beta, and Gamma). Then performed statistical feature extraction in the time domain and Power Spectral Density feature extraction in the frequency domain to obtain the Mean, Mean Absolute Value (MAV) feature values, Standard Deviation, and Band Power for further data analysis. The results showed that the happy emotion had a higher characteristic value than the sad emotion. In the classification of happy and sad emotions using several algorithms, Random Forest has the highest classification accuracy (88.90%), compared to other algorithms such as SVM (86.70%), K-NN (88.87%), and Naive Bayes (86.63%). The XAI algorithm applied in this study (SVM, Random Forest, KNN, and Naive Bayes) has lower accuracy when compared to previous studies using the Deep Learning algorithm (above 90%). However, the algorithm applied in this study is better in terms of transparency when it is implemented for the actual implementation.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	affective computing, EEG, pengenalan emosi, random forest, XAI, affective computing, EEG, emotion recognition, random forest, XAI
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Yuri Pamungkas
Date Deposited:	31 Jan 2022 01:51
Last Modified:	01 Nov 2022 04:05
URI:	http://repository.its.ac.id/id/eprint/92568

Actions (login required)

View Item