Negara, I Made Wahyu Guna (2025) Optimalisasi Artefak Removal untuk Mendeteksi Stres Berbasis Electroencephalogram Menggunakan Metode Independent Component Analysis dan Relative Difference. Masters thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2029101011-COVER.pdf Download (2MB) |
|
Text (ABSTRAK)
2029101011-ABSTRAK.pdf Download (491kB) |
|
Text (BAB 1 PENDAHULUAN)
2029101011-BAB 1 PENDAHULUAN.pdf Download (526kB) |
|
Text (BAB 2 KAJIAN TEORI)
2029101011-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (984kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2029101011-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2029101011-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2029101011-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (807kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2029101011-DAFTARPUSTAKA.pdf Download (802kB) |
|
Text (LAMPIRAN)
2029101011-LAMPIRAN.pdf Download (1MB) |
Abstract
Deteksi stres berbasis electroencephalogram (EEG) sangat penting untuk pemantauan kesehatan mental secara dini, namun kualitas sinyal sering menurun akibat artefak dan variabilitas baseline. Penelitian ini mengusulkan metode praproses yang dioptimalkan dengan mengombinasikan Independent Component Analysis (ICA) untuk menghilangkan artefak dan Relative Difference untuk reduksi baseline. Dengan menggunakan dataset EEG SAM-40, fitur diekstraksi menggunakan Differential Entropy dan disusun ke dalam kubus EEG 3D untuk mempertahankan informasi spasial-frekuensi. Convolutional Neural Network (CNN) digunakan untuk mengklasifikasikan tingkat stres menjadi dua kategori, yaitu stres rendah dan stres tinggi. Metode yang diusulkan ini mencapai akurasi sebesar 94,44%, yang menunjukkan peningkatan signifikan dalam kualitas sinyal dan kinerja klasifikasi. Sebaliknya, tanpa penerapan praproses sinyal, akurasi menurun menjadi 58,33%, yang menegaskan pentingnya peran ICA dan reduksi baseline dalam meningkatkan deteksi stres berbasis EEG menggunakan deep learning.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | SAM-40 dataset, Deteksi Stres, ICA, Relative Difference, CNN |
| Subjects: | R Medicine > R Medicine (General) T Technology > T Technology (General) |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | I Made Wahyu Guna Negara |
| Date Deposited: | 08 Aug 2025 04:09 |
| Last Modified: | 08 Aug 2025 04:09 |
| URI: | http://repo.undiksha.ac.id/id/eprint/26635 |
Actions (login required)
 |
View Item |