Klasifikasi Mata Terbuka dan Tertutup Berdasarkan Sinyal EEG Menggunakan Artificial Neural Network dan Principal Component Analysis

Abdurrahman Faqih, Amanda Muchsin Chalik, Bilal Abdul Qowy, Faiz Hanafi, Ahlijati Nuraminah

Abstract


Aktivitas otak manusia dapat direkam melalui biosinyal electroencephalogram (EEG). Dalam kondisi tertentu, otak manusia memberikan respon dengan mengeluarkan emosi tertentu yang ditampilkan pada wajah seperti mata terbuka ataupun tertutup. Untuk mengidentifikasi jenis respon emosi yang diberikan otak dapat dilakukan dengan cara mengklasifikasikan sinyal EEG dengan akurat. Oleh karena itu pada penelitian ini digunakan model berbasis Artificial Neural Network (ANN) dalam mengklasifikasikan mata tertutup dan mata terbuka. Dalam performasi pengujian, juga digunakkan metode Principal Component Analysis yang berfungsi untuk menganalisis sekumpulan data multidimensi. Analisis menggunakan dataset Eye State Classification dari Kaggle. Hasil uji coba sampel pada 14980 data diperoleh akurasi sebesar 0.57 atau 57% dalam mengklasifikasi mata terbuka dan mata tertutup.

Keywords


Elektroensephalogram, Klasifikasi, Artificial Neural Network, Principal Component Analysis.

References


A. A. Saleh. (2018). Buku Pengantar Psikologi. Makassar: Penerbit Aksara Timur.

B. Sarasati dan O. Nurvia. (2021). Emosi Dalam Tulisan. vol. 14, no. 1, hlm. 40–48. doi: 10.30813/psibernetika.

A. Akbar dan A. Lawi. (2021). Implementasi Algoritma Deep Artificial Neural Network Menggunakan Mel Frequency Cepstrum Coefficient Untuk Klasifikasi Audio Emosi Manusia. Konferensi Nasional Ilmu Komputer (KONIK) 2021, [Daring]. Tersedia pada: https://www.kaggle.com/ejlok1/toronto.

A. J. P. L. Tobing, A. Bhawiyuga, dan D. P. Kartikasari. (2020). Implementasi Akuisisi Data Biosignal Manusia dengan Mekanisme Store-Forward Pada Perangkat Smartwatch Berbasis Wear Os Menggunakan Protokol Komunikasi Bluetooth Low Energy.

R. Anggara dan Y. Rahayu. (2020). Sistem Electroencephalogram (EEG) Untuk Analisis Sinyal Gelombang Otak Pada Pasien Depresi. Jurnal Online Mahasiswa (JOM) Bidang Teknik dan Sains.

E. C. Prakoso, U. N. Wisesty, dan . J. (2016). Klasifikasi Keadaan Mata Berdasarkan sinyal EEG menggunakan Extreme Learning Machines. Indonesian Journal on Computing (Indo-JC), vol. 1, no. 2, hlm. 97. doi: 10.21108/INDOJC.2016.1.2.105.

W. Setiawan. (2020). Deep Learning Menggunakan Convolutional Neural Network. Malang: MNC.

E. S. Noviando, E. Ervianto, dan I. Yasri. (2016). Studi Penerapan ANN (Artificial Neural Network) Untuk Menghilangkan Harmonisa Pada Gedung Pusat Komputer.

A. Darmawan. (2019). Aplikasi Mobile Pengenalan Wajah Secara Real-Time Berbasis Principal Component Analysis. Ubiquitous: Computers and its Applications Journal, vol. 2, no. 1, hlm. 57–66.

Z. F. M. Ramli, S. T. M. . I. Wijayanto, dan S. T. M. . S. Hadiyoso. Deteksi Kondisi Konsentrasi Berdasarkan Sinyal Eeg Dengan Stimulasi Menghafal Al-Quran. e-Proceeding Eng, vol. 5, no. 3, hlm. 4683–4690.

O. Roesler. (2022). Kaggle Eye State Classification EEG Dataset.

D. Hindarto, R. Eko Indrajit, dan E. Dazki. (2022). Perbandingan Kinerja Akurasi Klasifikasi K-NN, NB Dan DT Pada APK Android. vol. 9, no. 1, hlm. 486–503.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.