Deteksi Stres Berbasis Electroencephalography (EEG) menggunakan Metode Random Forest

Sifaunnufus, Fi Imanur and Dr.Eng.Fitra Abdurrachman Bachtiar, S.T., M.Eng. and Barlian Henryranu Prasetio, S.T., M.T., Ph.D. (2024) Deteksi Stres Berbasis Electroencephalography (EEG) menggunakan Metode Random Forest. Sarjana thesis, Universitas Brawijaya.

Abstract

Stres merupakan masalah fatal yang dapat mengakibatkan gangguan mental maupun kematian. Stres dapat mempengaruhi kinerja seseorang dan memberikan ketidaknyamanan pada orang tersebut. Metode yang biasa digunakan untuk mendeteksi stres yaitu pemeriksaan stres ke rumah sakit. Metode ini memerlukan biaya besar dan kurang fleksibel karena harus dilakukan di rumah sakit. Metode lain yang dapat digunakan untuk deteksi stres adalah menggunakan biosignal. Dengan biosignal, hasil deteksi stres yang didapatkan bersifat lebih objektif dan akurat. Terdapat beberapa biosignal yang dapat digunakan untuk deteksi stres, pada penelitian ini dipilih EEG karena terbukti dapat membedakan antara keadaan santai dan beban kognitif / mental dengan akurasi lebih tinggi dibandingkan biosignal lainnya seperti EKG dan EDA. EEG diproses menggunakan Random Forest karena model ini terbukti dapat mengklasifikan data dengan cepat, ringan, dan dapat mengolah data masukan yang banyak tanpa menyebabkan overfitting. Pembuatan model Random Forest menggunakan perbandingan data training dan testing sebesar 8:2. Random Forest mengklasifikasikan dengan kedalaman atau tingkatan tree sampai semua daun di pohon murni atau berisi kurang dari 2. Tree yang dibuat sebanyak 100 dan diakhir model disimpan dalam file berformat joblib. Model Random Forest tersebut dimuat dalam sistem yang portable dengan pemroses utama Raspberry Pi. Hasil prediksi dugaan tingkatan stres yaitu Not Stres, Mid Stres, dan High Stres ditampilkan di LCD 16x2. Prediksi stres didapatkan menggunakan 3 fitur hasil ekstraksi menggunakan Power Spectral Density (PSD) yaitu Delta_value, Alpha_value, dan Delta_power. Hasil akurasi training yang didapatkan sebesar 0.87, akurasi testing sebesar 1 dengan ratarata waktu komputasi pengujian sebesar 1.67 detik

English Abstract

Stres is a fatal problem that can lead to mental disorders and death. Stres can affect a person's performance and give discomfort to the person. The usual method used to detect stres is a stres test at the hospital. This method is costly and less flexible because it must be done in a hospital. Another method that can be used for stres detection is using biosignals. With biosignals, the stres detection results obtained are more objective and accurate. There are several biosignals that can be used for stres detection, in this study EEG is chosen because it is proven to be able to distinguish between relaxed state and cognitive / mental load with higher accuracy than other biosignals such as ECG and EDA. EEG will be processed using Random Forest because this model is proven to classify data quickly, lightly, and can process a lot of input data without causing overfitting. Random Forest modeling uses a training and testing data ratio of 8:2. Random Forest will classify with tree depth or level until all leaves in the tree are pure or contain less than 2. The tree that will be created is 100 and at the end of the model will be stored in a joblib format file. The Random Forest model will be loaded into a portable system with a Raspberry Pi as main processor. The prediction results of the alleged stres levels, namely Not Stres, Mid Stres, and High Stres, will be displayed on a 16x2 LCD. Stres prediction is obtained using 3 features extracted using Power Spectral Density (PSD), namely Delta_value, Alpha_value, and Delta_power. The training accuracy result obtained is 0.87, the testing accuracy is 1 with an average test computation time of 1.67 seconds.

Item Type:	Thesis (Sarjana)
Identification Number:	0524150077
Uncontrolled Keywords:	Stres, EEG, Random Forest, Raspberry Pi, Fast Fourier Transform, Muse 2
Divisions:	Fakultas Ilmu Komputer > Teknik Komputer
Depositing User:	Sugeng Moelyono
Date Deposited:	20 Feb 2024 07:23
Last Modified:	20 Feb 2024 07:23
URI:	http://repository.ub.ac.id/id/eprint/215571

Text (DALAM MASA EMBARGO) FI IMANUR SIFAUNNUFUS MS.pdf Restricted to Registered users only Download (5MB)

Actions (login required)

View Item