KLASIFIKASI EMOSI BERBASIS SINYAL EEG DENGAN ALGORITMA DEEP NEURAL NETWORK (DNN), LONG SHORT-TERM MEMORY (LSTM), DAN GATED RECURRENT UNIT (GRU)

Dewa Ayu Cintya Brilianti, Ir. Noor Akhmad Setiawan, S.T., M.T., Ph.D., IPM. ; Dr.Eng. Ir. Igi Ardiyanto, S.T., M.Eng.

2023 | Skripsi | S1 TEKNIK BIOMEDIS

Sinyal otak didapatkan dari pengukuran potensial listrik aktivitas otak manusia yang dipantau dan direkam menggunakan electroencephalogram (EEG). Dalam bidang kesehatan, salah satu pengaplikasian data dari sinyal EEG yaitu klasifikasi emosi pada manusia. Kecepatan dan respon otak yang dimiliki oleh manusia berbeda-beda sehingga sinyal EEG memiliki bentuk yang kompleks dan sulit untuk dilakukan pengamatan secara langsung. Oleh karena itu, pada tugas ini dilakukan klasifikasi emosi berdasarkan sinal EEG dengan menggunakan algoritma deep learning, yaitu Deep Neural Network (DNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Network (GRU).
Dataset yang digunakan pada tugas akhir ini menggunakan EEG Brainwave Data- set : Feeling Emotions. Klasifikasi emosi dilakukan dengan mengkategorikan sinyal EEG pada tiga kelas yaitu , positive, neutral, dan negative. Pengujian sistem dilakukan dengan split validation, di mana data dibagi menjadi dua yaitu 30?ta validasi dan 70?ta latih. Akurasi terbaik diperoleh dari metode DNN dengan akurasi sebesar 97.19%, se- dangkan akurasi yang diperoleh dari metode LSTM dan GRU sama yaitu masing-masing sebesar 94.53%.

Brain signals obtained through the measurement of electrical potentials genera- ted by the human brain’s activity, which are monitored and recorded using an electro- encephalogram (EEG). In the field of health, one application of EEG data is the classi- fication of human emotions. Due to the different speeds and responses of human brain, EEG signals have complex forms that are difficult to observe directly. Therefore, in this task, emotion classification is performed based on EEG signals using deep learning algorithms, that is Deep Neural Network (DNN), Long Short-Term Memory (LSTM), and Gated Recurrent Network (GRU).
The dataset used in this final project is EEG Brainwave Dataset : Feeling Emo- tions. Emotion classification performed by categorizing EEG signals into three classes : positive, neutral, and negative. System testing is performed using split validation, where the data is divided into two parts : 30% for validation data and 70% for training data. The best accuracy is obtained from the DNN method with an accuracy of 97.19%, while the accuracy obtained from the LSTM and GRU methods is the same, both at 94.53%.

Kata Kunci : Klasifikasi Emosi, Electroencephalogram, DNN, LSTM, GRU