Publisher

Tel-UTel-U

Journal International Journal on Information and Communication Technology (IJoICT)International Journal on Information and Communication Technology (IJoICT) Abstract

Penelitian ini membahas optimasi hiperparameter Jaringan Saraf Tiruan Konvolusi (CNN) dan Jaringan Saraf Tiruan Dalam (DNN) untuk klasifikasi sinyal emosi EEG, sebuah bidang penting dalam sistem klasifikasi emosi. Dataset dibagi menjadi tiga rasio: 80:20, 70:30, dan 60:40, dengan penyesuaian hiperparameter selanjutnya. CNN mencapai akurasi puncak 98,36%, sementara DNN mencapai 98,18%, keduanya dalam skenario 80:20. Perbedaan dalam kurva kerugian mengungkapkan kompleksitas kinerja bernuansa dari kedua model. Pembagian data 80:20 terbukti paling berdampak, mengungguli pembagian 70:30 dan 60:40. Pilihan menggunakan baik DNN maupun CNN berasal dari kekuatan pelengkap mereka. CNN unggul dalam ekstraksi fitur spasial, cocok untuk sinyal EEG multidimensi, sementara keahlian DNN terletak pada pembelajaran representasi hierarkis untuk membedakan pola rumit dalam data EEG temporal. Mengintegrasikan kedua arsitektur bertujuan untuk memanfaatkan kekuatan gabungan mereka, meningkatkan ketahanan sistem klasifikasi emosi EEG.

Conclusion

Penelitian ini menunjukkan bahwa baik CNN maupun DNN memiliki keunggulan masing-masing dalam tugas klasifikasi emosi EEG, dan pilihan model bergantung pada preferensi pengguna dan karakteristik data yang tersedia.Optimasi hiperparameter sangat penting untuk meningkatkan akurasi dan generalisasi model.20 cenderung menghasilkan hasil yang lebih baik, dan pemantauan kurva kerugian memberikan wawasan berharga tentang proses pembelajaran model.

Future Research

Berdasarkan temuan penelitian ini, beberapa saran penelitian lanjutan dapat diajukan. Pertama, eksplorasi arsitektur jaringan saraf yang lebih kompleks, seperti Transformer, dapat dilakukan untuk menangkap ketergantungan jangka panjang dalam data EEG dengan lebih baik. Kedua, penelitian lebih lanjut dapat difokuskan pada pengembangan metode augmentasi data yang lebih efektif untuk meningkatkan ukuran dan variasi dataset, sehingga meningkatkan kemampuan generalisasi model. Ketiga, investigasi terhadap kombinasi berbagai modalitas data, seperti data fisiologis (misalnya, detak jantung, konduktansi kulit) bersama dengan data EEG, dapat memberikan representasi emosi yang lebih komprehensif dan akurat. Dengan menggabungkan pendekatan-pendekatan ini, diharapkan dapat menghasilkan sistem klasifikasi emosi EEG yang lebih robust dan adaptif, yang dapat diterapkan dalam berbagai aplikasi, mulai dari diagnosis gangguan mental hingga pengembangan antarmuka manusia-komputer yang lebih intuitif.

References

1. Optimizing Hyperparameters of CNN and DNN for Emotion Classification Based on EEG Signals | International... doi.org/10.21108/ijoict.v10i1.857Optimizing Hyperparameters of CNN and DNN for Emotion Classification Based on EEG Signals International doi 10 21108 ijoict v10i1 857

Metadata

File size	848.47 KB
Pages	12
DMCA	Report