Klasifikasi Sinyal Eeg Menggunakan Deep Neural Network Dengan Stacked Denoising Autoencoder

Abstract

Pengenalan emosi merupakan kunci untuk membangun sebuah human computer interacton yang alami, yaitu komputer yang memiliki kecerdasan emosional dalam memberikan tanggapan. emosi dapat dikenali salah satunya melalui EEG (electrocephalonogram). Deep Learning berfokus pada menemukan reperesentasi fitur bertingkat yang dimana pada tingkatan fitur yang lebih tinggi merepresentasikan lebih banyak aspek abstrak dari data. Dengan menggunakan deep learning, data EEG dapat ditemukan representasi bertingkatnya dan dijadikan sebagai input kepada classifier agar dapat dilakukan Klasifikasi. Pada tugas akhir ini emosi diklasifikasi dengan menggunakan metode deep learning dengan Stacked Denoising AutoEncoder sebagai pembangun dari Deep Neural Network. Hasil pengujian terbaik untuk 4 kelas didapatkan nilai f1 score sebesar 0.3578 menggunakan data PCA. Sedangkan untuk klasifikasi 2 kelas didapatkan nilai f1 score sebesar 0.5656 untuk klasifikasi valence dan 0.5891 untuk klasifikasi arousal. Proses klasifikasi menggunakan data per orang menghasilkan performansi dengan rerata f1 score sebesar 0.5488. Penambahan jumlah hidden layer dan peningkatan nilai corruption level menyebabkan efek yang bervariasi terhadap peformansi DNN.

Kata kunci : EEG, DNN, autoencoder, klasifikasi