Klasifikasi Tingkat Depresi Berdasarkan Electroencephalogram Menggunakan Bagging Multiclass Support Vector Machine

Syabila, Risma Dhiva (2025) Klasifikasi Tingkat Depresi Berdasarkan Electroencephalogram Menggunakan Bagging Multiclass Support Vector Machine. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5003211002-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Depresi merupakan gangguan mental yang memberikan kontribusi besar terhadap beban penyakit global. Deteksi depresi umumnya dilakukan melalui kuesioner, tetapi metode ini bila digunakan untuk skala yang besar membutuhkan waktu, biaya, dan Sumber Daya Manusia yang besar. Sebagai alternatif yang lebih objektif, electroencephalogram (EEG) digunakan untuk merekam aktivitas listrik otak yang mencerminkan kondisi mental individu, termasuk tingkat depresi. Kompleksitas EEG meningkatkan risiko kesalahan dalam penafsiran pola, oleh karena itu, para peneliti menemukan cara alternatif dan otomatis untuk mendeteksi depresi dengan pendekatan klasifikasi machine learning yang mempu memproses hasil rekaman EEG dan memberikan klasifikasi kondisi pasien yang akurat. Pemilihan metode klasifikasi didasarkan pada keterbatasan studi sebelumnya, yakni penelitian oleh Hidayat (2024), yang mengklasifikasikan tiga kondisi mental berdasarkan electroencephalogram menggunakan SVM dan menghasilkan mean AUC sebesar 0,651. Untuk meningkatkan performa klasifikasi, metode bagging digunakan guna meningkatkan stabilitas dan kemampuan generalisasi model SVM. Pada penelitian ini data EEG terdiri dari 12 rekaman subjek normal, 7 rekaman kondisi depresi ringan, dan 5 rekaman kondisi depresi sedang. Tahapan analisis meliputi pemotongan sinyal, filtrasi, segmentasi menjadi 59 epoch per rekaman, ekstraksi menjadi 50 fitur, dan klasifikasi menggunakan model bagging Multiclass SVM dengan pendekatan One-Against-One dan voting mayoritas. Hasil penelitian menunjukkan bahwa model bagging multiclass SVM mampu memberikan performa klasifikasi yang sangat baik. Pada data testing, mean AUC pada kondisi flash mencapai 0,985, dan kondisi after flash mencapai 0,980. Pengujian data baru menunjukkan bahwa model pada kondisi after flash mampu mengenali seluruh tingkat depresi secara akurat, sedangkan pada kondisi flash model mengalami kesulitan membedakan depresi ringan dengan depresi sedang. Selain itu, metode bagging terbukti memberikan peningkatan performa dibandingkan SVM, baik pada tahap klasifikasi maupun pada tahap prediksi menggunakan data baru.
=================================================================================================================================
Depression is a mental disorder that significantly contributes to the global burden of disease. It is commonly detected using questionnaires; however, this method requires considerable time, cost, and human resources when applied on a large scale. As a more objective alternative, electroencephalogram (EEG) is used to record the brain’s electrical activity, which reflects an individual’s mental condition, including levels of depression. Due to the complexity of EEG signals, there is a high risk of misinterpreting patterns; thus, researchers have developed alternative automated approaches using machine learning classification methods capable of processing EEG recordings and accurately classifying patients' conditions. The choice of classification method in this study is based on limitations of previous research, such as the study by Hidayat (2024), which classified three mental states using SVM and obtained a mean AUC of 0.651. To enhance classification performance, the bagging method was applied to improve the stability and generalization of the SVM model. The EEG data in this study consists of 12 recordings from normal subjects, 7 from individuals with mild depression, and 5 from those with moderate depression. The analysis steps include signal trimming, filtering, segmentation into 59 epochs per recording, feature extraction into 50 features, and classification using a bagging Multiclass SVM model with a One-Against-One approach and majority voting. The results show that the bagging Multiclass SVM model provides excellent classification performance, with a mean AUC of 0.985 under the flash condition and 0.980 under the afterflash condition. Testing on new data indicates that the model under the after-flash condition can accurately recognize all levels of depression, while the model under the flash condition struggles to distinguish between mild and moderate depression. Furthermore, the bagging method significantly improves performa

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Depresi, Electroencephalogram, Bagging Multiclass SVM
Subjects:	Q Science > QP Physiology > Q376.5 Electroencephalography (EEG)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Risma Dhiva Syabila
Date Deposited:	23 Jul 2025 06:08
Last Modified:	23 Jul 2025 06:08
URI:	http://repository.its.ac.id/id/eprint/120705

Actions (login required)

View Item