Temporal Data Mining Pada Data Galvanic Skin Response Untuk Deteksi Emosi

Johan, Evan (2017) Temporal Data Mining Pada Data Galvanic Skin Response Untuk Deteksi Emosi. S1 thesis, UAJY.

	Text (Halaman Judul) TF072990.pdf Download (553kB)
	Text (Bab I) TF072991.pdf Download (272kB)
	Text (Bab II) TF072992.pdf Download (525kB)
	Text (Bab III) TF072993.pdf Restricted to Registered users only Download (603kB)
	Text (Bab IV) TF072994.pdf Restricted to Registered users only Download (2MB)
	Text (Bab V) TF072995.pdf Download (699kB)

Abstract

Emosi, baik emosi positif, netral, maupun negatif, dapat mempengaruhi semua aktivitas manusia. Emosi akan membuat manusia menjadi kehilangan konsentrasi termasuk dalam hal belajar. Pada tahun 2007, dicetuskan gagasan Affective Computing oleh Picard, mengenai sistem komputer yang dapat mengenal emosi manusia, sehingga manusia terbantu oleh komputer yang dapat mengetahui dan memperbaiki kondisi emosi saat sedang tidak baik, terutama untuk kegiatan belajar. Penelitian ini membahas tentang deteksi emosi manusia pada saat belajar dengan menggunakan Temporal Data Mining pada perangkat Galvanic Skin Response (GSR) dengan cara melakukan klasifikasi data hasil GSR yang telah diberikan induksi emosi positif, netral dan negatif. Dari analisis tersebut diharapkan dataset yang telah terbentuk dari klasifikasi dapat digunakan untuk keperluan prediksi ataupun pengenalan pola Algoritma yang digunakan untuk klasifikasi data dalam penelitian ini adalah Random Forest, dan parameter yang digunakan adalah Principle Component Analysis (PCA) dan Independent Component Analysis (ICA), dimana ekstraksi parameternya adalah rata-rata, standar deviasi, varian, skewness, dan kurtosis. Dalam penelitian ini juga digunakan metode resampling data untuk tahap preprocessing, yang bertujuan untuk meningkatkan akurasi pada saat dilakukan klasifikasi. Selain itu, dilakukan pemotongan data dengan durasi waktu satu detik, dua detik, tiga detik, empat detik, lima detik dan 10 detik yang menentukan tingkat keberhasilan klasifikasi. Dari 33 data dari responden, terbentuk sebuah dataset yang telah diklasifikasi dan hasilnya menunjukkan bahwa semakin panjang durasi waktu pemotongan maka semakin buruk kualitas datanya. Dimana akurasi terbaik sebelum dilakukan resampling data adalah sebesar 48,0721% dan setelah dilakukan resampling data adalah sebesar 79,473%.

Actions (login required)

View Item