Rancang Bangun Sistem Klasifikasi Emosi Berbasis Electroencephalography dengan Support Vector Machine (SVM) untuk Instrumentasi Pengukuran Psikoterapi

M GHAZIAN RASIS R, Prof. Ir. Sunarno, M.Eng., Ph.D., IPU; Ir. Memory Motivanisman W., M. Eng., IPM

2020 | Skripsi | S1 TEKNIK FISIKA

Efektivitas psikoterapi selama ini dievaluasi dari perubahan emosi klien yang diukur secara subjektif. Sehingga perlu dikembangakan suatu sistem indikator objektif yang mampu mengenali emosi klien secara objektif. Banyak indikator fisiologis yang secara natural berubah seiring dengan perubahan emosi, salah satunya adalah aktivitas otak. Aktivitas otak manusia dipantau dengan menggunakan teknik electroencephalography (EEG) dengan mengukur potensial listrik yang timbul akibat aktivitas otak manusia. Saat ini belum ada sistem klasifikasi jenis emosi dengan memanfaatkan data EEG yang cocok untuk diterapkan dalam pengukuran psikoterapi. Data EEG memiliki pola-pola yang tidak dapat dibedakan dengan pengamatan secara langsung. Oleh karena itu digunakan salah satu algoritma machine learning yaitu support vector machine (SVM). Untuk melakukan klasifikasi, digunakan fitur daya, energi, dan asimetri serebral pada data EEG. Dilakukan metode sampling sesi tunggal dan multi-sesi. Pada penelitian ini diperoleh sistem klasifiasi emosi senang, takut, sedih, dan tenang dengan akurasi 63,29% untuk sampel sesi tunggal dan 45,00% untuk sampel multi-sesi.

As far as we concerned, the effectiveness of psychotherapy is evaluated from the client's emotional changes as measured subjectively. So it is necessary to develop an objective measurement system that is able to objectively identify client emotions. Many physiological indicators change naturally with emotional changes, one of which is brain activity. Human brain activity is monitored using the electroencephalography (EEG) technique by measuring the electrical potential arising from human brain activity. Currently, there is no emotion classification system using EEG data that is suitable for application in psychotherapy measurements. EEG data have patterns that cannot be distinguished from direct observation. Therefore, one of the machine learning algorithms is used, namely support vector machine (SVM). To perform the classification, power, energy, and cerebral asymmetry features are extracted from EEG data. Single-session and multi-session sampling methods are performed. In this study, we obtained a classification system of happy, fearful, sad, and calm emotions with an accuracy of 63.29% for single-session samples and 45.00% for multi-session samples.

Kata Kunci : Psikoterapi, Electroencephalography, Support Vector Machine, Klasifikasi Emosi