STUDI KOMPARASI ALGORITMA KLASIFIKASI MENTAL WORKLOAD BERDASARKAN SINYAL EEG

COMPARATIVE STUDY OF MENTAL WORKLOAD CLASSIFICATION ALGORITHMS BASED ON EEG SIGNALS

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 Elektroensefalogram (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.

The psychological and physical condition of human can affect the process of thought. The weariness that people experienced can decrease the level of productivity and decrease the process of thought, which leads to mental workload. The workload need to be balanced against the capabilities and the limitations possessed. Excessive mental workload is dangerous for human being because it decrease the work productivity. There is a special tool that can be used as a determiner of mental level of individual’s workload called Electroencephalogram (EEG). EEG is a special device used to measure the electrical potential signals from human brain. The dataset that used in this research is STEW: Simultaneous Task EEG with 45 subjects. In this research, comparative study of Random Forest algorithm, K-Nearest Neighbor (KNN), Multi-Layer Perceptron (MLP), and Support Vector Machine (SVM) have been used for mental workload classification based on EEG signal. The study was conducted to determine the best classification algorithm, in terms of the value of accuracy and memory usage during the classification process. The dataset has gone through several stages, including pre-processing data, feature extraction, and the classification process. Pre-processing data applied to divide data into chunks. To achieve the attribute in feature extraction, Principal Component Analysis (PCA) method is applied. In classification process, the writer used k-fold cross validation approach. Then, this research come in several results: Random Forest algorithm has better algorithm performance compared to KNN, MLP, and SVM types of algorithm, in terms of accuracy and memory usage in classifying data.