Hybrid Approach of EEG Stress Level Classification Using K-Means Clustering and Support Vector Machine

Wen, Tee Yi; Aris, Siti Armiza Mohd

doi:10.1109/access.2022.3148380

Cited by 23 publications

(2 citation statements)

References 56 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Oleh karena itu, perlu adanya sebuah metode optimasi untuk meningkatkan hasil evaluasi yang dapat mengatasi permasalahan hasill evaluasi yang tidak maksimal akibat penentuan sentroid yang dilakukan secara acak. Ada beberapa metode optimasi yang dapat digunakan untuk optimasi diantaranya metode elbow [8], metode Artificial Bee Colony [9], metode Particle Swarm Optimization [10], metode Genetic Algorithm [11], metode Support Vector Machine [12], metode Sum of Square Error [13], metode Pillar [14], metode Fuzzy Metrics [15], metode Bee Colony Optimization [16]. Dari beberapa metode tersebut peneliti akan mengambil 2 metode yang banyak digunakan peneliti lain dan akan digunakan untuk optimalisasi hasil evaluasi dengan menggunakan data pada dataset yang sama, sehingga pada akhirnya didapatkan sebuah perbandingan hasil evaluasi dan waktu iterasi yang diguanakn terhadap 2 metode optimalisasi yang dilakukan serta dapat mengambil sebuah kesimpulan metode optimasi yang mana antara yang baik untuk diterapkan.…”

Section: Pendahuluanunclassified

Optimasi Penentuan Sentroid Awal Pada K-Means Untuk Meningkatkan Hasil Evaluasi Davies-Bouldin Index

Hendrik,

Kusrini,

Kusnawi

2024

JINTEKS

View full text Add to dashboard Cite

Perkembangan data yang semakin heterogen dan kompleks dengan volume yang terus meningkat menimbulkan kesulitan dalam pengolahan big data secara manual. Dalam konteks data mining, metode clustering menggunakan algoritma K-Means sering digunakan untuk mengelompokkan data berdasarkan kedekatan atau kemiripan. Namun, algoritma K-Means memiliki tantangan, terutama dalam menentukan jumlah cluster dan pemilihan sentroid awal yang dapat mempengaruhi hasil klasterisasi. Artikel ini membahas masalah tersebut dan mengusulkan dua metode optimasi, yaitu Elbow dan Particle Swarm Optimization (PSO), untuk meningkatkan hasil evaluasi algoritma K-Means. Dari hasil evaluasi, disimpulkan bahwa metode elbow lebih unggul dari segi waktu iterasi dibandingkan dengan metode PSO, meskipun keduanya menghasilkan nilai DBI yang sama. Waktu iterasi metode elbow hanya membutuhkan 0.297 detik, sedangkan metode PSO membutuhkan waktu iterasi selama 779 detik. Kesimpulannya, metode elbow lebih efisien dalam hal waktu iterasi. Saran untuk penelitian selanjutnya adalah menggunakan dataset yang berbeda dan mempertimbangkan metode optimasi lainnya untuk perbandingan evaluasi yang lebih komprehensif.

show abstract

Section: Pendahuluanunclassified

Optimasi Penentuan Sentroid Awal Pada K-Means Untuk Meningkatkan Hasil Evaluasi Davies-Bouldin Index

Hendrik,

Kusrini,

Kusnawi

2024

JINTEKS

View full text Add to dashboard Cite

show abstract

“…This result confirmed the excellent efficiency of 98% accuracy because of the significant adjustments in beta activity all through pre-and post-stimuli latent patterns using localized and reduced features and evaluating model accuracy and false positive findings on EEG data from people with MDD and HV. The motivation to write this research to solve the following issue came from considering the above kinds of literature and using abilities in this field [23]. Most of the research for psychological disorders has been done with resting states, eye open and closed states of EEG dataset.…”

Section: Related Workmentioning

confidence: 99%

Classification of Psychological Disorders by Feature Ranking and Fusion using Gradient Boosting

Tahseen¹,

Danti²

2023

IJACSA

View full text Add to dashboard Cite

Negative emotional regulation is a defining element of psychological disorders. Our goal was to create a machinelearning model to classify psychological disorders based on negative emotions. EEG brainwave dataset displaying positive, negative, and neutral emotions. However, negative emotions are responsible for psychological health. In this paper, research focused solely on negative emotional state characteristics for which the divide-and-conquer approach has been applied to the feature extraction process. Features are grouped into four equal subsets and feature selection has been done for each subset by feature ranking approach based on their feature importance determined by the Random Forest-Recursive Feature Elimination with Cross-validation (RF-RFECV) method. After feature ranking, the fusion of the feature subset is employed to obtain a new potential dataset. 10-fold cross-validation is performed with a grid search created using a set of predetermined model parameters that are important to achieving the greatest possible accuracy. Experimental results demonstrated that the proposed model has achieved 97.71% accuracy in predicting psychological disorders.

show abstract

Electroencephalogram Based Stress Detection Using Machine Learning

Ohal,

Tiwari,

Satote

et al. 2024

IFIP Advances in Information and Communication Technology

View full text Add to dashboard Cite

Hybrid Approach of EEG Stress Level Classification Using K-Means Clustering and Support Vector Machine

Abstract: Date of publication xxxx 00, 0000, date of current version xxxx 00, 0000.

Cited by 23 publications

References 56 publications

Optimasi Penentuan Sentroid Awal Pada K-Means Untuk Meningkatkan Hasil Evaluasi Davies-Bouldin Index

Optimasi Penentuan Sentroid Awal Pada K-Means Untuk Meningkatkan Hasil Evaluasi Davies-Bouldin Index

Classification of Psychological Disorders by Feature Ranking and Fusion using Gradient Boosting

Electroencephalogram Based Stress Detection Using Machine Learning

Contact Info

Product

Resources

About