Pemanfaatan Data Sinyal Electroencephalogram (EEG) Pada Deteksi Stress Menggunakan Metode KNearest Neighbor (KNN)

Ramadhan, Muhammad Fitrah and Dr. Eng. Fitra Abdurrachman Bachtiar, S.T., M.Eng. and Barlian Henryranu Prasetio, S.T., M.T., Ph.D. (2024) Pemanfaatan Data Sinyal Electroencephalogram (EEG) Pada Deteksi Stress Menggunakan Metode KNearest Neighbor (KNN). Sarjana thesis, Universitas Brawijaya.

Abstract

Keadaan Stress seseorang yang tidak dideteksi dengan cepat dan tidak ditangani dengan tepat dapat berdampak pada fatal. Stress merupakan kondisi penolakan antara tubuh dan pikiran, Stress dapat diderita oleh siapapun yang diakibatkan oleh masalah pekerjaan, pendidikan, keuangan dan sebagainya. Berdasarkan survey World Health Organization terdapat kasus bunuh diri sekitar 700.000 per tahunnya yang diakibatkan oleh Stress. Stress dapat diatasi dengan cara mendeteksi dugaan tingkatan Stress yang dialami, meminimalisir halhal buruk yang terjadi yang diakibatkan oleh Stress, tingkatan Stress umumnya dibagi menjadi 3 kategori, yaitu Not Stress, Mid Stress, dan High Stress. Stress dapat dideteksi dengan memproses otak sinyal menggunakan sinyal Electroencephalogram (EEG) berdasarkan kelompok gelombang sinyal, yang banyak digunakan di rumah sakit tetapi membutuhkan biaya yang cukup mahal, deteksi dugaan Stress juga biasa menggunakan kuesioner yang tergolong subjektif dan tidak akurat. Oleh karena itu, dibutuhkan alat pendeteksi Stress portabel yang dapat dilakukan dimana saja tanpa harus ke rumah sakit, dan dapat digunakan di lingkungan pekerjaan dan pendidikan. Pada penelitian ini dibuat sistem pendeteksi dugaan tingkatan Stress yang portabel dengan menggunakan Muse 2 sebagai sumber pengambilan data sinyal EEG dan Raspberry Pi sebagai pemrosesan utama yang hasilnya akan muncul pada LCD 16x2, dengan menggunakan metode klasifikasi KNearest Neighbor (KNN) dari data EEG yang didapatkan dari Muse 2 melalui proses Bandpass yang digunakan untuk membatasi sinyal frekuensi pada sinyal EEG menjadi 0.5 Hz – 50 Hz, selanjutnya melalui proses metode Independent Component Analysis (ICA) untuk memisahkan pola komponen sinyal yang tidak dibutuhkan untuk dihapus, dan Outlier Remover yang digunakan untuk memaksimalkan ratarata data sinyal agar tidak keluar pada karakteristik yang dimiliki, data tersebut kemudian di Ekstraksi Fitur Fast Fourier Transform (FFT) untuk mendapatkan fitur sesuai dengan kelompok gelombang sinyal frekuensi, dan KNN untuk melakukan proses klasifikasi. Dengan hasil yang didapatkan penggunaan 6 fitur Delta_Value, Theta_Value, Beta_Value, Gamma_Value, SD_Beta_Value, dan SD_Gamma_Value K=10 mendapatkan error rate 10% dan akurasi training sebesar 90%, setelah diuji didapatkan akurasi pengujian sebesar 93% dan ratarata waktu komputasi pengujian sebesar 1,26 detik.

English Abstract

A person's state of Stress that is not detected quickly and not treated appropriately can have a fatal impact. Stress is a condition of rejection between body and mind. Stress can be suffered by anyone caused by work, education, financial and other problems. Based on the World Health Organization survey, there are about 700,000 suicides per year caused by Stress. Stress can be overcome by detecting the alleged level of Stress experienced and minimizing the bad things caused by Stress. The level of Stress is generally divided into three categories, namely, Not Stress, Mid Stress, and High Stress. Stress can be detected by processing brain signals using Electroencephalogram (EEG) signals based on signal wave groups, which are widely used in hospitals but are expensive. Detection of suspected Stress is also standard using questionnaires classified as subjective and inaccurate. Therefore, a portable stress detection tool can be done anywhere without going to the hospital and used in work and education environments. In this study, a portable Stress level detection system was made using Muse 2 as a source of EEG signal data collection and Raspberry Pi as the primary processing whose results will appear on the 16x2 LCD, using the KNearest Neighbor (KNN) classification method from EEG data obtained from Muse 2 through a Bandpass process used to limit the frequency signal in the EEG signal to 0. 5 Hz 50 Hz, then through the Independent Component Analysis (ICA) method process to separate the signal component patterns that are not needed to be removed. Outlier Remover, which is used to maximize the average signal data so that it does not come out on its characteristics, the data is then extracted by Fast Fourier Transform (FFT) to get features according to the frequency signal wave group, and KNN to perform the classification process. With the results obtained using six features Delta_Value, Theta_Value, Beta_Value, Gamma_Value, SD_Beta_Value, and SD_Gamma_Value K=10 get an error rate of 10% and training accuracy of 90%, after testing obtained a testing accuracy of 93% and an average test computation time of 1.26 seconds.

Item Type:	Thesis (Sarjana)
Identification Number:	0524150152
Uncontrolled Keywords:	Stress, Electroencephalogram, Muse 2, Raspberry Pi, Independent Component Analysis, Bandpass, Fast Fourier Transform, KNearest Neighbor.Stress, Electroencephalogram, Muse 2, Raspberry Pi, Independent Component Analysis, Bandpass, Fast Fourier Transform, KNearest Neighbor.
Divisions:	Fakultas Ilmu Komputer > Teknik Komputer
Depositing User:	soegeng sugeng
Date Deposited:	26 Feb 2024 07:10
Last Modified:	26 Feb 2024 07:10
URI:	http://repository.ub.ac.id/id/eprint/215969

Text (DALAM MASA EMBARGO) Muhammad Fitrah Ramadhan.pdf Restricted to Registered users only Download (4MB)

Actions (login required)

View Item