DETAIL KOLEKSI

Klasifikasi emosi jenis arousal dan valence menggunakan metode convolutional neural network

1.0


Oleh : William Kristianto

Info Katalog

Subyek : Electroencephalography;Electrical engineering

Penerbit : FTI - Usakti

Kota Terbit : Jakarta

Tahun Terbit : 2019

Pembimbing 1 : Henry Candra

Kata Kunci : electroencephalogram signal, emotion recognition, convolutional neural networks, deep learning


File Repositori
No. Nama File Ukuran (KB) Status
1. 2019_TS_MTE_162170002_Halaman-Judul.pdf 575.56
2. 2019_TS_MTE_162170002_Lembar-Pengesahan.pdf 644.29
3. 2019_TS_MTE_162170002_Bab-1_Pendahuluan.pdf 244.74
4. 2019_TS_MTE_162170002_Bab-2_Tinjauan-Pustaka.pdf 447.32
5. 2019_TS_MTE_162170002_Bab-3_Metodologi-Penelitian.pdf 384.76
6. 2019_TS_MTE_162170002_Bab-4_Analisis-dan-Pembahasan.pdf 402.03
7. 2019_TS_MTE_162170002_Bab-5_Kesimpulan.pdf 63.77
8. 2019_TS_MTE_162170002_Daftar-Pustaka.pdf 202.63
9. 2019_TS_MTE_162170002_Lampiran.pdf 694.27

D Dalam dunia psikologis medis mengetahui emosi yang dirasakan seseorang dengan tepat dapat membantu proses terapi atau penyembuhan dari ganguan emosi. Proses pengenalan emosi yang dirasakan seseorang dapat dilakukan dengan menggunakan gelombang otak manusia yang dibaca otak manusia yang dibaca menggunakan electroencephalography (EEG). James Russel melakukan pemetaan emosi yang disebut Circumplex Model of Emotion, yang menyatakan emosi dibagi empatkuadran dan berdasarkan dua dimensi yaitu arousal dan valence. Dengan mengetahui tinggi atau rendahnya nilai arousal dan valence seseorang maka dapat mengetahui keadaan emosi seseorang. Proses untuk mengetahui tinggi rendahnya nilai arousal dan valence seseorang dengan tingkat akurasi yang tinggi merupakansebuah proses yang sulit untuk dilakukan secara manual. Untuk itu pada percobaan ini memanfaatkan machine learning khususnya deep learning untuk mengklasifikasikan keadaan arousal dan valence berdasarkan data dari DEAP dataset. Metode yang digunakan yaitu Convolution Neural Network (CNN),pemilihan metode ini karena bentuk dari data EEG yang memiliki lebih dari satudimensi. DEAP dataset yang digunakan langsung kedalam model CNNmenghasilkan model yang overfitting. Overfitting tersebut dapat diatasi dengancara melakukan data augmentation pada DEAP dataset yang bertujuan untukmemperbesar jumlah dataset. Setelah melakukan data augmentation pada DEAP dataset dan melakukan proses training pada model CNN, overfitting tidak terjadi dan didapatkan model dengan nilai akurasi 72% untuk arousal dan 71 % untukvalence, nilai akurasi tersebut lebih tinggi bila dibandingkan dengan nilai akurasidengan menggunakan model SVM.

R Recognizing emotion for psychologist is very important to help diagnose patientstate of emotion accurately. Research in recognizing emotion has been done withmany methods, one of them by using brain wave or electroencephalography (EEG).The main benefit of using EEG because its ability to track events within brain withmillisecond accuracy. Psychologist James Russel, proposed a model that help toclassify human emotion that divided emotion into four quadrant and using twodimension of emotion which are arousal and valence.In this paper we proposed to use Convolutional Neural Network (CNN) method forrecognizing emotion because its features like local connections, shared weights,pooling and using series of stages layers suited to handle high dimensional data likeEEG data in DEAP dataset.We are successfully address overfitting problem in DEAP dataset due to insufficientsample of data by doing data augmentation process using data segmentation witheffective window size of 4 second and after some trials we got the best model forarousal and valence with accuracy result 72% and 71% which are higher than SVMmodel proposed by Henry et. al. with accuracy 65% for both of arousal and valence

Bagaimana Anda menilai Koleksi ini ?