DETEKSI STATUS EMOSI MANUSIA DENGAN ALGORITMA SUPPORT VECTOR MACHINE MENGGUNAKAN DATA GALVANIC SKIN RESPONSE

Gunawan, Sebastian Bagya (2017) DETEKSI STATUS EMOSI MANUSIA DENGAN ALGORITMA SUPPORT VECTOR MACHINE MENGGUNAKAN DATA GALVANIC SKIN RESPONSE. S1 thesis, UAJY.

	Text (HALAMAN JUDUL) 0.pdf Download (579kB)
	Text (BAB I) 1.pdf Download (247kB)
	Text (BAB II) 2.pdf Download (353kB)
	Text (BAB III) 3.pdf Restricted to Registered users only Download (501kB)
	Text (BAB IV) 4.pdf Restricted to Registered users only Download (794kB)
	Text (BAB V) 5.pdf Restricted to Registered users only Download (237kB)
	Text (BAB VI) 6.pdf Download (649kB)

Abstract

Emosi merupakan salah satu bidang yang banyak dipelajari pada masa ini. Dengan mempelajari emosi, berbagai macam area kehidupan dapat berkembang dengan pesat. Akan tetapi yang menjadi masalah adalah cara untuk mendapatkan data fisiologis seseorang. Namun pada saat ini, banyak sensor yang dapat digunakan untuk mengambil data fisiologis. Salah satunya adalah GSR yang dapat menangkap tegangan listrik yang dihasilkan oleh kelenjar keringat. Data GSR tersebut kemudian diolah menggunakan metode penambangan data temporal sehingga bisa dilakukan proses klasifikasi terhadap status emosi positif, netral dan negatif. Pengolahan data tersebut meliputi kategorisasi, agregasi, normalisasi dan konversi menggunakan metode sliding windows. Dalam penelitian ini, lag yang digunakan untuk membentuk windows classifier sejumlah 5 sampai dengan 41. Algoritma yang digunakan untuk klasifikasi adalah SVM, Naive Bayes dan KNN. Dengan data GSR, dapat dilakukan deteksi terhadap status emosi manusia berupa emosi positif, netral maupun negatif dengan akurasi mencapai 75% menggunakan algoritma SVM kernel RBF. Dari percobaan yang dilakukan untuk mencari hubungan antara jumlah lag dan akurasi, ditemukan bahwa semakin besar jumlah lag yang digunakan akan membuat akurasi cenderung meningkat dan akan mengalami penurunan setelah melewati jumlah tertentu. Dalam penelitian ini, jumlah lag yang dapat menghasilkan akurasi terbaik adalah 40. Selain itu proses normalisasi juga dapat meningkatkan akurasi hingga hampir 15%. Dari hasil perbandingan model klasifikasi, dapat disimpulkan bahwa algoritma SVM dengan kernel RBF dapat mengklasifikasikan data GSR yang diolah menggunakan metode sliding windows dengan baik dibandingkan kernel lain bahkan algoritma lain seperti Naive Bayes dan KNN.

Actions (login required)

View Item