KLASIFIKASI SINYAL EEG UNTUK MENGENALI JENIS EMOSI MENGGUNAKAN RECURRENT NEURAL NETWORK

UTARI, ASPIRANI and Rini, Dian Palupi (2024) KLASIFIKASI SINYAL EEG UNTUK MENGENALI JENIS EMOSI MENGGUNAKAN RECURRENT NEURAL NETWORK. Masters thesis, Sriwijaya University.

	Text RAMA_55101_09012682226006.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text RAMA_55101_09012682226006_TURNITIN.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (8MB) | Request a copy
	Text RAMA_55101_09012682226006_0023027804_01_Front_Ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text RAMA_55101_09012682226006_0023027804_02.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (497kB) | Request a copy
	Text RAMA_55101_09012682226006_0023027804_03.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (317kB) | Request a copy
	Text RAMA_55101_09012682226006_0023027804_04.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (363kB) | Request a copy
	Text RAMA_55101_09012682226006_0023027804_05.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (45kB) | Request a copy
	Text RAMA_55101_09012682226006_0023027804_06_Ref.pdf - Bibliography Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (174kB) | Request a copy
	Text RAMA_55101_09012682226006_0023027804_07_Lamp.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (22MB) | Request a copy

Abstract

Penelitian ini berfokus pada eksplorasi mendalam dan analisis tentang penerapan dua jenis Recurrent Neural Network (RNN), yakni Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Dua model tersebut dilatih dengan parameter yang sama, terdiri dari 3 lapisan, menggunakan fungsi aktivasi relu, dan menerapkan 1 tingkat dropout. Dalam rangka membandingkan kinerja keduanya, dilakukan percobaan dengan menggunakan pembagian data 80:20 dataset untuk data pelatihan dan data uji. Evaluasi tersebut mencakup metrik - metrik seperti akurasi, precision, recall dan F1-score. Dataset yang digunakan adalah eeg emotion yang terdiri dari 2549 variabel, dimana 2548 berisi data dalam bentuk desimal dan 1 variabel dalam bentuk data string. Dalam hal kinerja, LSTM berhasil mengungguli performa GRU dalam tugas klasifikasi sinyal eeg untuk mengenali jenis emosi. Di sisi lain, GRU menunjukkan kelebihan dalam percepatan proses pelatihan dibandingkan LSTM. Meskipun akurasi kedua metode hampir serupa dalam semua pembagian data, namun dalam evaluasi kurva ROC, model LSTM mendemonstrasikan unggulan dengan kurva yang lebih optimal dibandingkan GRU

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Long Short-Term Memory; Gated Recurrent Unit; Klasifikasi Emosi; Sinyal EEG
Subjects:	#2 Repository of Library Services > Documentation of Important Decrees (UU, PP, Permen etc)
Divisions:	09-Faculty of Computer Science > 55101-Informatics (S2)
Depositing User:	Aspirani Utari
Date Deposited:	01 Feb 2024 08:24
Last Modified:	01 Feb 2024 08:24
URI:	http://repository.unsri.ac.id/id/eprint/140610

Actions (login required)

View Item