STUDI KOMPARASI ALGORITMA KLASIFIKASI MENTALWORKLOAD BERDASARKAN SINYAL EEG
Total View This Week0
Total View This Week0
Institusion
Universitas Negeri Surabaya
Author
DESSY KUSUMANINGRUM (STUDENT ID : 16030214016)
(LECTURER ID : 0005048201)
(LECTURER ID : 0005048201)
Subject
Matematika dan Ilmu Pengetahuan Alam
Datestamp
2022-12-23 14:43:02
Abstract :
Kondisipsikologis dan fisik manusia dapat memengaruhi proses berpikir. Apabila kondisiindividu mengalami kelelahan, maka dapat memengaruhi penurunan tingkatproduktivitas maupun penurunan proses berpikir yang menyebabkan timbulnya mental workload. Workload yang dimiliki harus seimbang terhadap kemampuan danketerbatasan yang dimiliki. Mentalworkload yang berlebih berdampak buruk bagi individu karena menimbulkanpenurunan produktivitas kerja. Perangkat khusus yang dapat digunakan untukmengetahui tingkat mental workloadseorang individu adalah Elektroensefalogram (EEG). EEG adalah perangkat khususyang digunakan untuk mengukur sinyal potensi listrik dari otak. Dataset yangdigunakan dalam penelitian ini adalah STEW: Simultaneous Task EEG Datasetdengan 45 subjek. Dalam penelitian ini, telah dilakukan studi komparasialgoritma Random Forest, K-Nearest Neighbor (KNN), Multi-Layer Perceptron(MLP), dan Support Vector Machine (SVM) untuk klasifikasi mental workload berdasarkan sinyal EEG. Studi dilakukan untukmenentukan algoritma terbaik dalam klasifikasi dilihat dari segi nilai akurasidan penggunaan memori saat proses klasifikasi. Dataset telah melalui beberapatahapan, diantaranya pra-pemrosesan data, ekstraksi fitur, dan prosesklasifikasi. Pra-pemrosesan data menerapkan pembagian data menjadi beberapachunk. Untuk mendapatkan ciri dalam ekstraksi fitur, diterapkan metodePrincipal Component Analysis (PCA). Pada proses klasifikasi menggunakanpendekatan k-fold cross validation. Hasil studi penelitian ini adalah algoritmaterbaik dari sisi akurasi adalah algoritma KNN, algoritma terbaik dari sisiwaktu pembuatan model adalah algoritma Random Forest, serta algoritma terbaikdari sisi penggunaan memori adalah algoritma MLP.
Kondisipsikologis dan fisik manusia dapat memengaruhi proses berpikir. Apabila kondisiindividu mengalami kelelahan, maka dapat memengaruhi penurunan tingkatproduktivitas maupun penurunan proses berpikir yang menyebabkan timbulnya mental workload. Workload yang dimiliki harus seimbang terhadap kemampuan danketerbatasan yang dimiliki. Mentalworkload yang berlebih berdampak buruk bagi individu karena menimbulkanpenurunan produktivitas kerja. Perangkat khusus yang dapat digunakan untukmengetahui tingkat mental workloadseorang individu adalah Elektroensefalogram (EEG). EEG adalah perangkat khususyang digunakan untuk mengukur sinyal potensi listrik dari otak. Dataset yangdigunakan dalam penelitian ini adalah STEW: Simultaneous Task EEG Datasetdengan 45 subjek. Dalam penelitian ini, telah dilakukan studi komparasialgoritma Random Forest, K-Nearest Neighbor (KNN), Multi-Layer Perceptron(MLP), dan Support Vector Machine (SVM) untuk klasifikasi mental workload berdasarkan sinyal EEG. Studi dilakukan untukmenentukan algoritma terbaik dalam klasifikasi dilihat dari segi nilai akurasidan penggunaan memori saat proses klasifikasi. Dataset telah melalui beberapatahapan, diantaranya pra-pemrosesan data, ekstraksi fitur, dan prosesklasifikasi. Pra-pemrosesan data menerapkan pembagian data menjadi beberapachunk. Untuk mendapatkan ciri dalam ekstraksi fitur, diterapkan metodePrincipal Component Analysis (PCA). Pada proses klasifikasi menggunakanpendekatan k-fold cross validation. Hasil studi penelitian ini adalah algoritmaterbaik dari sisi akurasi adalah algoritma KNN, algoritma terbaik dari sisiwaktu pembuatan model adalah algoritma Random Forest, serta algoritma terbaikdari sisi penggunaan memori adalah algoritma MLP.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
