Dafi, Akila Akhtar El (2025) Random Forest untuk Klasifikasi Tingkat Depresi Berdasarkan Data Rekaman Electroencephalogram. Other thesis, Institut Teknologi Sepuluh Nopember.
![]() |
Text
5003211131-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (6MB) | Request a copy |
Abstract
Depresi merupakan gangguan kesehatan mental yang mempengaruhi jutaan orang di seluruh dunia, menjadikannya salah satu penyakit mental yang paling umum. Diagnosa depresi secara konvensional bergantung pada evaluasi klinis menggunakan wawancara dan kuesioner, seperti Beck Depression Inventory (BDI) yang dapat mengelompokkan tingkat depresi ke dalam empat kategori utama: depresi minimal, Depresi Ringan, depresi sedang, dan depresi berat. Selain itu, kurangnya akses ke layanan kesehatan mental dan stigma terkait masalah kesehatan mental memperburuk tantangan dalam penanganan depresi. Oleh karena itu, diperlukan metode alternatif yang lebih cepat, akurat, dan terjangkau untuk mendeteksi depresi pada tahap awal. Penelitian ini bertujuan untuk mengembangkan sistem deteksi depresi berbasis electroencephalogram (EEG) dengan menggunakan machine learning, sebagai upaya untuk meningkatkan deteksi dini dan akurasi diagnosis. Untuk mengklasifikasikan data EEG, digunakan algoritma Random Forest yang merupakan algoritma machine learning berbasis ensemble yang dapat menangani data berdimensi tinggi dan mengurangi risiko overfitting, Penelitian ini menggunakan data sekunder dari klinik swasta di Surabaya dengan mengambil proses perekaman subjek selama 20 menit dengan dua stimulus yaitu close eyes dan open eyes serta channel yang digunakan yaitu Fp1 dan Fp2, penelitian ini bertujuan untuk menghasilkan sistem deteksi depresi yang lebih cepat, efisien, dan tepat sasaran, dengan mengatasi beberapa masalah utama seperti keterbatasan metode diagnosis tradisional dan akses terbatas ke layanan kesehatan mental. Dengan menggunakan teknologi EEG yang lebih terjangkau dan sistem berbasis machine learning, diharapkan penelitian ini dapat memberikan kontribusi signifikan dalam upaya diagnosis depresi yang lebih baik, mengurangi beban kesehatan mental global, dan meningkatkan kualitas hidup individu yang terdampak. Hasil penelitian ini menunjukkan bahwa algoritma Random Forest mampu mengklasifikasikan tingkat depresi berdasarkan sinyal EEG dengan performa yang sangat baik, baik pada kondisi mata terbuka maupun tertutup. Dengan akurasi dan nilai AUC yang tinggi pada kedua kondisi stimulus, pendekatan ini menunjukkan potensi besar dalam deteksi tingkat depresi secara otomatis dan andal menggunakan data EEG.
==================================================================================================================================
Depression is a mental health disorder affecting millions of people worldwide, making it one of the most common mental illnesses. Conventional diagnosis of depression relies on clinical evaluations through interviews and questionnaires, such as the Beck Depression Inventory (BDI), which categorizes depression into four main levels: minimal, mild, moderate, and severe depression. Furthermore, limited access to mental health services and the stigma surrounding mental health issues exacerbate the challenges of managing depression. Therefore, alternative methods that are faster, more accurate, and affordable are necessary for early-stage depression detection. This study aims to develop a depression detection system based on electroencephalogram (EEG) signals using machine learning to enhance early detection and diagnostic accuracy. For EEG data classification, the Random Forest algorithm is utilized, an ensemble-based machine learning method capable of handling high-dimensional data and reducing the risk of overfitting. The research uses secondary data obtained from a private clinic in Surabaya, where subjects underwent 20-minute recordings under two stimuli conditions: eyes closed and eyes open, using Fp1 and Fp2 channels. The study aims to produce a faster, more efficient, and targeted depression detection system by addressing key challenges such as the limitations of traditional diagnostic methods and restricted access to mental health services. By leveraging more affordable EEG technology and machine learning-based systems, this research is expected to make a significant contribution to improving depression diagnosis, reducing the global mental health burden, and enhancing the quality of life for affected individuals. The results of this study demonstrate that the Random Forest algorithm is highly effective in classifying depression levels based on EEG signals under both open-eye and closed-eye conditions. With high accuracy and AUC values across both stimulus conditions, this approach shows strong potential for reliable and automated depression level detection using EEG data.
Item Type: | Thesis (Other) |
---|---|
Uncontrolled Keywords: | Beck Depression Inventory, Depression, Electroencephalogram, Random Forest, Beck Depression Inventory, Depresi, Electronecephalogram, Random Forest |
Subjects: | Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. |
Divisions: | Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis |
Depositing User: | Akila Akhtar El Dafi |
Date Deposited: | 31 Jul 2025 06:59 |
Last Modified: | 31 Jul 2025 06:59 |
URI: | http://repository.its.ac.id/id/eprint/124139 |
Actions (login required)
![]() |
View Item |