Deteksi Adiksi Pornografi Pada Remaja Dengan Brain-Computer Interface Berbasis EEG Melalui Pendekatan Machine Learning
Muhammad Gilang Pratama, Ir. Noor Akhmad Setiawan, S.T., M.T., Ph.D., IPM. ; Prof. Dr. Ir. Ridi Ferdiana, S.T., M.T., IPM.
2024 | Tesis | S2 Teknologi Informasi
Adiksi pornografi adalah
kondisi di mana penggunaan konten pornografi secara kompulsif berdampak negatif
pada kesehatan fisik, psikologis, dan sosial individu. Tantangan utama dalam
mendeteksi adiksi ini adalah kurangnya metode yang efektif untuk
mengidentifikasi pola aktivitas otak yang relevan dan keterbatasan data serta
model machine learning yang optimal. Penelitian ini bertujuan
mengembangkan model deteksi adiksi pornografi yang akurat dengan menggunakan Brain-Computer
Interface (BCI) berbasis Electroencephalography (EEG) dan teknik machine
learning. Dataset EEG dikumpulkan dari 14 partisipan, tujuh diantaranya
mengalami adiksi pornografi dan tujuh lainnya tidak. Perekaman dilakukan saat
mereka menjalankan tugas eksekutif dengan stimulus konten pornografi. Data EEG
diuraikan menjadi gelombang Delta, Theta, Alpha, Beta, dan Gamma
serta direpresentasikan dalam peta topografi untuk analisis visual. Penerapan
teknik Upsampling dan SMOTE (Synthetic
Minority Over-sampling
Technique) juga digunakan untuk menambah jumlah data yang akan diproses.
Hasil visualisasi topografi menunjukkan perbedaan pola gelombang otak antara
subjek yang adiksi dan tidak adiksi, khususnya pada gelombang Alpha, Beta,
dan Gamma. Selanjutnya, ekstraksi fitur dilakukan menggunakan metode Common
Spatial Pattern (CSP) diikuti oleh analisis machine learning
menggunakan algoritma seperti Linear Discriminant Analysis (LDA), Logistic
Regression, Support Vector Machines (SVM), Extreme Gradient
Boosting (XGBoost), dan Random Forest. Hasil menunjukkan
bahwa metode Random Forest memiliki akurasi rata-rata tertinggi sebesar
90?lam mendeteksi adiksi pornografi, sementara metode lainnya mencapai
akurasi rata-rata 85%. Penelitian ini memberikan kontribusi signifikan dalam
memahami pola aktivitas otak yang terkait dengan adiksi pornografi dan
menawarkan model deteksi yang akurat untuk pencegahan adiksi ini.
Pornography addiction is a condition where
compulsive use of pornographic content negatively impacts an individual's
physical, psychological, and social health. The main challenge in detecting
this addiction lies in the lack of effective methods for identifying relevant
brain activity patterns and the limitations in data and optimal machine
learning models. This study aims to develop an accurate model for detecting
pornography addiction using a Brain-Computer Interface (BCI) based on Electroencephalography
(EEG) and machine learning techniques. The EEG dataset was collected from 14
participants, seven of whom were addicted to pornography and seven who were
not. Recordings were made while they performed executive tasks with
pornographic content stimuli. EEG data were decomposed into Delta, Theta, Alpha,
Beta, and Gamma waves and represented in topographic maps for visual analysis.
Upsampling and SMOTE (Synthetic Minority Over-sampling Technique) techniques were also applied to increase the
amount of data to be processed. The topographic visualizations showed
differences in brain wave patterns between addicted and non-addicted subjects,
particularly in the Alpha, Beta, and Gamma waves. Feature extraction was then
performed using the Common Spatial Pattern (CSP) method, followed by machine
learning analysis with algorithms such as linear discriminant analysis (LDA),
logistic regression, Support Vector Machiness (SVM), extreme gradient boosting
(XGBoost), and random forest. The results showed that the Random Forest method
achieved the highest average accuracy of 90% in detecting pornography
addiction, while the other methods reached an average accuracy of 85%. This
research significantly contributes to understanding the brain activity patterns
associated with pornography addiction and offers an accurate detection model
for preventing this addiction.
Kata Kunci : Brain-Computer Interface (BCI), EEG, Adiksi, Adiksi, Pornografi