Multiclass Support Vector Machine dengan Gaussian Time Warp Edit Distance Kernel untuk Klasifikasi Kondisi Mental berdasarkan Rekaman Elektroensefalogram

Hidayat, Nuris Farandhini (2024) Multiclass Support Vector Machine dengan Gaussian Time Warp Edit Distance Kernel untuk Klasifikasi Kondisi Mental berdasarkan Rekaman Elektroensefalogram. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6003221024-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (2MB) | Request a copy

Abstract

Electroencephalography (EEG) merupakan suatu metode untuk merekam aktivitas elektris otak yang dilakukan pada permukaan kulit kepala. EEG dapat memberikan informasi dengan resolusi temporal yang tinggi karena berskala detik atau milidetik. Hal ini serupa dengan kerangka waktu aktivitas saraf. EEG sudah digunakan pada layanan kesehatan untuk tujuan diagnostik dan ke depannya diharapkan penggunaannya dapat diaplikasikan lebih luas dengan efektivitas biaya. Pemeriksaan kondisi pasien melibatkan penilaian apakah pasien sedang dalam suatu keadaan mental tertentu, yaitu kondisi konsentrasi, netral atau dalam keadaan rileks. Terdapat lima jenis gelombang berdasarkan frekuensinya, di antaranya: gelombang delta (< 4 Hz), theta (4-8 Hz), alpha (8-13 Hz), beta (13-30 Hz) dan gamma (>50 Hz). Penggunaan metode Multiclass SVM diketahui dapat memberikan nilai akurasi yang tinggi untuk klasifikasi data dengan kategori lebih dari dua. Data EEG adalah data yang berbasis waktu, sehingga diperlukan metode yang tepat untuk mengatasi permasalahan deret waktu tersebut. Pada penelitian ini akan dilakukan klasifikasi keadaan mental terdiri dari tiga kelas yaitu keadaan relaks, netral dan kosentrasi berdasarkan hasil dari data rekaman EEG dengan menggunakan metode klasifikasi Multiclass SVM dengan kernel Gaussian Time Warp Edit Distance (GTWED). Hasil kalisifikasi multiclass SVM pendekatan OAA memiliki AUC sebesar 0,561 dan AUC pada pendekatan OAO adalah sebesar 0,651, kedua pendekatan menunjukkan bahwa hasil klasifikasi yang kurang baik, namun berdasarkan nilai AUC pendekatan OAO lebih baik dibandingkan dengan pendekatan OAA.
===================================================================
Electroencephalography (EEG) is a method for recording the electrical activity of the brain carried out on the surface of the scalp. EEG can provide information with high temporal resolution because the time scale can be seconds or milliseconds, which is the same as the time frame of neural activity. EEG has been used in many clinics for diagnostic purposes and in the future it is hoped that its use can be applied more widely with cost effectiveness. Examination of the patient's condition involves assessing whether the patient is in a certain mental state, namely a state of concentration, neutral or relaxed. There are five types of waves based on their frequency, including: delta waves (< 4 Hz), theta (4-8 Hz), alpha (8-13 Hz), beta (13-30 Hz) and gamma (> 50 Hz). The use of the Multiclass SVM method is known to provide high accuracy values for classifying data with more than two categories. EEG data is time-based data, so an appropriate method is needed to overcome this time series problem. In this research, mental state classification will be carried out into three classes, namely relaxed, neutral and concentrated states based on the results of EEG recording data using the Multiclass SVM classification method with the Gaussian Time Warp Edit Distance (GTWED) kernel. The multiclass SVM classification results of the OAA approach have an AUC of 0.561 and the AUC in the OAO approach is 0.651, both approaches show that the classification results are not good, but based on the AUC value the OAO approach is better than the OAA approach.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Electroencephalography, Kondisi mental, Multiclass SVM, Time series kernel, Mental states, Multiclass SVM, Time series kernel
Subjects:	Q Science > QA Mathematics > QA246.8 Gaussian Q Science > QA Mathematics > QA353.K47 Kernel functions (analysis) Q Science > QA Mathematics > QA76.9.D343 Data mining. Querying (Computer science) R Medicine > RC Internal medicine > RC0321 Neuroscience. Biological psychiatry. Neuropsychiatry
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User:	Nuris Farandhini Hidayat
Date Deposited:	07 Aug 2024 22:29
Last Modified:	25 Sep 2024 03:06
URI:	http://repository.its.ac.id/id/eprint/114161

Actions (login required)

View Item