Klasifikasi Emosi Berdasarkan Sinyal Eeg Dengan Menggunakan Metode Algoritma Genetika Dan Independent Component Analysis

Abstract

Abstrak Dalam mengambil keputusan, emosi mempengaruhi hasil keputusan tersebut. Contoh saat senang, penilaian suatu hal akan cenderung baik karena menyukai hal tersebut, sebaliknya jika sedih, penilaian suatu hal akan cenderung kurang baik. Pada penelitian sebelumnya emosi dinilai dari sumber fisiologis yaitu sinyal Electroencephalographic (EEG) dari otak. EEG memperoleh sinyal yang berasal dari neuron-neuron yang bekerja pada otak. Rekaman EEG timbul saat terjadi aktivitas listrik pada otak. Data diperoleh melalui media video yang diberikan kepada peserta untuk mengetahui emosi yang terjadi pada peserta. Dalam penelitian ini sinyal EEG diambil dari penelitian DEAP : A database for Emotion Analysis using physiological Signals dan diproses oleh Independent Component Analysis (ICA). Data yang digunakan sudah melalui tahap pre-processing yang berasal dari database. Data dari database mempunyai beberapa tingkatan yaitu arousal, valence, liking, dominance, dan familiarity. Tingkat yang diambil hanya dari valence. Dengan menggunakan ICA untuk mendapatkan matriks setiap percobaan, kemudian dari matriks tersebut diambil ekstraksi fitur yang kemudian digunakan sebagai data latih dan data uji. Hasil fitur yang didapat diklasifikasikan oleh Support Vector Machine (SVM) dan Genetic Algorithm (GA) agar memperoleh akurasi serta kondisi emosi yang dialami saat senang atau sedih. Dalam penelitian yang dilakukan, hasil klasifikasi hanya menggunakan SVM memperoleh akurasi sebesar 56.25% dan klasifikasi menggunakan SVM yang dioptimalisasi oleh GA memperoleh akurasi sebesar 77.2727%. Hal ini menunjukan bahwa klasifikasi SVM yang dioptimalisasi oleh GA memberikan hasil akurasi yang lebih baik dibandingkan klasifikasi jika hanya menggunakan SVM. Hasil akurasi yang dapatkan menunjukan hasil klasifikasi emosi antara senang dan sedih. Kata Kunci : EEG, DEAP, ICA, GA, SVM Abstract In making decisions, emotions influence the outcome of the decision. For example, when feels happy, evaluating something can be tend to be good, on the contrary when feels sad, the assessment of something can be tend to be bad. In previous studies, emotions were assessed from physiological sources is Electroencephalographic (EEG) signals from the brain. EEGs get signals that come from neurons that work in the brain. EEG footage appears when electrical activity occurs in the brain. Data is obtained through video media given to participants to find out the emotions that occur in participants. In this study EEG signals were taken from the DEAP study: Database for Emotion Analysis using physiological signals and processed by Independent Component Analysis (ICA). The data used has been preprocessing originating from the database. Data from the database has several levels of arousal, valence, likes, domination, and familiarity. The level taken is only from valence. By using ICA to get the matrix of each experiment, then the feature extraction is taken from the matrix which is then used as training data and test data. The results of the features obtained are classified by Support Vector Machine (SVM) and Genetic Algorithm (GA) in order to obtain the accuracy and emotional conditions experienced when happy or sad. In the research conducted, the classification results using only SVM obtained an accuracy of 56.25% and the classification using SVM optimized by GA obtained an accuracy of 77.2727%. This shows that SVM classification optimized by GA provides better accuracy results than classification only using SVM. The accuracy results obtained show the classification of emotions between happy and sad. Keyword : EEG, DEAP, ICA, GA, SVM