Klasifikasi Depresi Menggunakan CNN Berbasis Power Spectral Density Pada Sinyal EEG Resting State

Hasian, Mida (2025) Klasifikasi Depresi Menggunakan CNN Berbasis Power Spectral Density Pada Sinyal EEG Resting State. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5024211021_Mida Hasian_Buku Final.pdf Download (13MB)

Abstract

Depresi merupakan gangguan mental yang dapat berdampak signifikan terhadap kualitas hidup individu, sehingga diagnosis dini menjadi krusial untuk penanganan yang efektif. Salah satu metode non-invasif yang dapat digunakan untuk menganalisis aktivitas otak adalah electroencephalography (EEG), khususnya pada kondisi resting state. Penelitian ini bertujuan untuk mengklasifikasikan kondisi depresi pada individu dengan memanfaatkan fitur Power Spectral Density (PSD) dari sinyal EEG yang diproses menggunakan Convolutional Neural Network (CNN). Data EEG diambil dari dataset MODMA, dengan rekaman dari delapan kanal EEG terpilih, yang melalui tahapan pra-pemrosesan seperti filterisasi, segmentasi waktu, dan ekstraksi fitur PSD. Dua arsitektur CNN diusulkan, dengan Model 2 menunjukkan kinerja lebih baik, mencapai akurasi 99%, precision 1.00 pada kelas depresi, dan recall 0.98, dibandingkan Model 1 dengan akurasi 98%. Hasil penelitian menunjukkan bahwa kombinasi PSD dan CNN mampu mengklasifikasikan kondisi depresi dengan akurasi tinggi pada dataset resting state. Namun, performa model menurun pada dataset dengan kondisi activate state, sehingga penelitian lanjutan disarankan untuk mengeksplorasi strategi peningkatan generalisasi model terhadap variasi data yang lebih kompleks.
============================================================
Depression is a mental disorder that can significantly affect an individual’s quality of life, making early diagnosis crucial for effective treatment. One non-invasive method to analyze brain activity is electroencephalography (EEG), particularly in the resting-state condition. This study aims to classify depressive conditions in individuals by utilizing Power Spectral Density (PSD) features extracted from EEG signals and processed using a Convolutional Neural Network (CNN). The EEG data were obtained from the MODMA dataset, recorded from eight selected EEG channels, and underwent pre-processing steps including filtering, time segmentation, and PSD feature extraction. Two CNN architectures were proposed, with Model 2 demonstrating better performance, achieving 99% accuracy, 1.00 precision in the depressive class, and 0.98 recall, compared to Model 1 with 98% accuracy. The results indicate that the combination of PSD and CNNcanclassify depressive conditions with high accuracy on resting state datasets. However, the model’s performance decreased on datasets with activate-state conditions, suggesting that future research should explore strategies to improve the model’s generalization capability to more complex and dynamic data variations.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Depresi, EEG, Power Spectral Density, Convolutional Neural Network, Klasifikasi, Depression, EEG, Power Spectral Density, Convolutional Neural Network, Classification.
Subjects:	B Philosophy. Psychology. Religion > BF Psychology > BF318 Learning, Psychology of (Deep learning) Q Science > QP Physiology > Q376.5 Electroencephalography (EEG)
Divisions:	Faculty of Information Technology > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Mida Hasian
Date Deposited:	04 Aug 2025 04:31
Last Modified:	04 Aug 2025 04:31
URI:	http://repository.its.ac.id/id/eprint/125843

Actions (login required)

View Item