Peningkatan Akurasi Pengenalan Emosi pada Sinyal Electroencephalograpy Menggunakan Multiclass Fisher Discriminant Analysis

Sinyal EEG memiliki korelasi yang signifikan terhadap emosi bila dibandingkan dengan modalitas lainnya. Dikarenakan akurasi yang rendah pada pengenalan emosi melalui sinyal EEG, makalah ini mengusulkan metode reduksi dimensi pada sinyal EEG untuk menangani permasalahan tersebut menggunakan Multiclass Fisher Discriminant Analysis (MC-FDA). Dalam makalah ini, ujicoba diterapkan pada dataset publik dengan tiga kelas emosi, yaitu positif, negatif, dan netral. Metode ekstraksi ciri differential entropy diterapkan pada sinyal EEG yang telah didekomposisi ke dalam frekuensi delta, theta, alpha, beta, dan gamma. Akurasi pengenalan emosi diukur menggunakan dua metode klasifikasi ternama pada identifikasi EEG, yakni LDA dan SVM. Untuk menunjukkan keunggulan metode MC-FDA, metode reduksi dimensi PCA diterapkan sebagai pembanding. Hasil akurasi klasifikasi dari seluruh uji coba menunjukkan keunggulan MC-FDA dibanding PCA. Akurasi klasifikasi emosi terbaik diperoleh dari uji coba pada seluruh data dari dua belas elektrode dengan metode MC-FDA dan LDA, yakni 93,3%. Hasil tersebut menunjukkan rerata peningkatan akurasi sebesar 3,5 poin dari data ciri vektor semula.