Studi Komparasi Algoritma Klasifikasi Mental Workload Berdasarkan Sinyal EEG

Abstract

Kondisi psikologis dan fisik manusia dapat memengaruhi proses berpikir. Apabila kondisi individu mengalami kelelahan, maka dapat memengaruhi penurunan tingkat produktivitas maupun penurunan proses berpikir yang menyebabkan timbulnya mental workload. Workload yang dimiliki harus seimbang terhadap kemampuan dan keterbatasan yang dimiliki. Mental workload yang berlebih berdampak buruk bagi individu karena menimbulkan penurunan produktivitas kerja. Perangkat khusus yang dapat digunakan untuk mengetahui tingkat mental workload seorang individu adalah Electroencephalogram (EEG). EEG adalah perangkat khusus yang digunakan untuk mengukur sinyal potensi listrik dari otak. Dataset yang digunakan dalam penelitian ini adalah STEW: Simultaneous Task EEG Dataset dengan 45 subjek. Dalam penelitian ini, telah dilakukan studi komparasi algoritma Random Forest, K-Nearest Neighbor (KNN), Multi-Layer Perceptron (MLP), dan Support Vector Machine (SVM) untuk klasifikasi mental workload berdasarkan sinyal EEG. Studi dilakukan untuk menentukan algoritma terbaik dalam klasifikasi dilihat dari segi nilai akurasi dan penggunaan memori saat proses klasifikasi. Dataset telah melalui beberapa tahapan, diantaranya pra-pemrosesan data, ekstraksi fitur, dan proses klasifikasi. Pra-pemrosesan data menerapkan pembagian data menjadi beberapa chunk. Untuk mendapatkan ciri dalam ekstraksi fitur, diterapkan metode Principal Component Analysis (PCA). Pada proses klasifikasi menggunakan pendekatan k-fold cross validation. Hasil studi penelitian ini adalah algoritma terbaik dari sisi akurasi adalah algoritma KNN, algoritma terbaik dari sisi waktu pembuatan model adalah algoritma Random Forest, serta algoritma terbaik dari sisi penggunaan memori adalah algoritma MLP.

6. Penentuan Jurusan Peminatan Prodi Fisika Berdasarkan K-Means

“…Dalam pelaksanaan penelitian ini, peneliti menggunakan beberapa tahapan CRISP-DM proses [8], [9]. Tahapan awal yaitu Business Understanding.…”

Analisis Perbandingan Kinerja Algoritma Multilayer Perceptron dan K-Nearest Neighbor pada Klasifikasi Tipe Migrain

“…Algoritma Multilayer Perceptron dipilih dalam penelitian ini karena algoritma ini sangat banyak digunakan pada penelitian-penelitian di bidang kesehatan [17] dan sering menunjukkan performa terbaik dalam memecahkan kasus klasifikasi [18]. Sedangkan, algoritma K-Nearest Neighbor pada beberapa penelitian yang lain menunjukkan algoritma tersebut dapat mengklasifikasi dengan baik dan dapat mempelajari tugas-tugas kompleks menggunakan prosedur sederhana [18].…”

“…Algoritma Multilayer Perceptron dipilih dalam penelitian ini karena algoritma ini sangat banyak digunakan pada penelitian-penelitian di bidang kesehatan [17] dan sering menunjukkan performa terbaik dalam memecahkan kasus klasifikasi [18]. Sedangkan, algoritma K-Nearest Neighbor pada beberapa penelitian yang lain menunjukkan algoritma tersebut dapat mengklasifikasi dengan baik dan dapat mempelajari tugas-tugas kompleks menggunakan prosedur sederhana [18]. Selain itu, penulis belum menemukan penelitian yang menggunakan dataset migrain ini yang terpublikasi secara resmi di jurnal penelitian tertentu, terutama untuk penelitian berkaitan dengan analisis komparatif algoritma MLP dan KNN dengan dataset migrain.…”