Elektroensephalogram (EEG) merupakan rekaman dari aktivitas otak berupa gelombang otak yang direkam melalui kulit kepala. Diperlukan sebuah pengolahan sinyal EEG karena pengenalan secara visual terhadap sinyal EEG sulit dilakukan. Hal tersebut dikarenakan sinyal EEG berbentuk gelombang elektrik yang sangat lemah. Pada skripsi ini, sinyal EEG diolah secara matematis sehingga dapat digunakan untuk mengklasifikasikan keadaan emosional. Seseorang tidak dapat mengidentifikasi keadaan emosional manusia dari isyarat verbal maupun non verbal saja karena emosi merupakan proses psiko-fisiologis yang dikaitkan dengan suasana hati, temperamen, kepribadian, serta motivasi. Untuk mengklasifikasikan keadaan emosional berdasarkan sinyal EEG, pada skripsi ini digunakan algoritma Adaptive Multilayer Generalized Learning Vector Quantization (AMGLVQ). Algoritma ini mengintegrasikan Principal Component Analysis (PCA) dan Generelized Learning Vector Quantization (GLVQ). Dataset yang digunakan adalah DEAP : A Database for Emotion Analysis using Physiological Signals dataset sebanyak 1280 data pada tiap 1 chunk (potong) sinyal. Sebelum proses pelatihan, data latih dan data uji dipisah secara acak dengan rasio 7:3, 8:2, dan 9:1. Dari hasil pengujian, algoritma AMGLVQ lebih baik akurasinya dibandingkan dengan algoritma Random Forest (RF) dan Support Vector Machine (SVM) yaitu 58.00% pada rasio 7:3 dengan rasio pembelajaran 0.6 dan iterasi sebanyak 10.
Kata kunci : Klasifikasi, Keadaan Emosional, Sinyal EEG, AMGLVQ, DEAP dataset
Electroensephalogram (EEG) is a brain activity record in the form of brain waves recorded through the scalp. An EEG signal processing is required because visual recognition of EEG signals is difficult. It is because EEG signal is form a very smooth electrical waves. In this thesis, EEG signal was processed mathematically to classify emotional states. Human can not identify another humans emotional state just from verbal or non verbal signals, because emotions are a psycho-physiological process that is associated with mood, temperament, personality, and motivation. To classify emotional states based on EEG signals, in this thesis used Adaptive Multilayer Generalized Learning Vector Quantization (AMGLVQ) algorithm. This algorithm integrates Principal Component Analysis (PCA) and Generalized Learning Vector Quantization (GLVQ). The dataset that used in this thesis is DEAP: A Database for Emotion Analysis using Physiological Signals dataset contains of 1280 data for each 1 chunk signal. Before the training process, training data and test data were separated randomly with a ratio of 7:3, 8:2, and 9:1. From the test results, the AMGLVQ algorithm has better accuracy compared to the Random Forest (RF) algorithm and Support Vector Machine (SVM), namely 58.00% at ratio 7: 3 with learning rate 0.6 and 10 iterations.
Keywords: Classification, Emotional States, EEG Signals, AMGLVQ, DEAP dataset