Klasifikasi Efek Familiarity Pada Sinyal EEG Manusia Menggunakan Metode Hjorth Descriptor : Classification of Familiarity Effects in Human EEG Signal Using Hjorth Descriptor Method

Dalam Human-Computer Interaction, audiovisual sangat berpengaruh bagi kondisi fisiologis yang mempengaruhi perasaan manusia. Hal ini dapat dilihat dari kemampuan manusia yang mampu merasakan perasaan yang berbeda-beda saat melihat tayangan video musik. Perasaan ini muncul akibat stimulus yang dihasilkan dari tayangan video musik tersebut sehingga terjadi fluktuasi aktifitas otak dan menghasilkan karakteristik sinyal otak tertentu. Dengan menggunakan Electroencephalogram (EEG), dilakukan klasifikasi karakteristik sinyal otak pada kategori familiarity. Familiarity adalah keadaan saat manusia mengenali sesuatu. Penelitian ini mengambil data sekunder dari DEAP: A Database for Emotion Analysis using Physiological Signal yang telah dilakukan pre-processing sebelumnya. Data dari DEAP berjumlah 32 data yang mewakili 32 peserta, dengan tiap datanya berisi 40 percobaan dan 32 kanal. Dataset kemudian dilakukan ekstraksi ciri dengan Hjorth Descriptor dengan keluaran tiga ciri untuk kemudian diklasifikasi sesuai kelas familiar dan unfamiliar dengan Multilayer Perceptron (MLP). Pada DEAP dataset, terdapat data dengan imbalance class dimana jumlah data unfamiliar tidak seimbang dengan jumlah data familiar. Maka, tahap klasifikasi dilakukan dengan menggunakan data pada percobaan terbaik dari seluruh percobaan yang memiliki balance class untuk menghindari kesalahan klasifikasi. Pengujian dilakukan dengan skenario dimana data dari 29 data yang digunakan, 15 data digunakan sebagai data latih dan 14 data digunakan sebagai data uji. Dari hasil pengujian yang dilakukan, didapatkan akurasi terbaik pada kondisi balance class sebesar 78.57% pada percobaan 1, 2 dan 27 dengan kombinasi ciri Hjorth Descriptor activity, mobility dan complexity. Digunakan juga dua hidden layer dengan 12 neurons pada tiap hidden layer serta epoch berjumlah 1.000 epochs pada MLP