Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKIsu kesehatan mental merupakan sebuah isu yang sangat berkembang pesat pada masa ini. Remaja dan dewasa muda pada usia 16 hingga 30 tahun adalah korban utama yang menjadi penderita penyakit mentalitas. Isu kesehatan mental merupakan isu yang cukup serius dalam bidang medis dan social. Salah satu penyebab dari penyakit pada mentalitas manusia adalah kurangnya kemawasan diri, yang merupakan salah satu kunci dalam menjaga kestabilan mental pada diri seseorang. Sinyal otak merupakan suatu sinyal yang diduga mampu mendekteksi aktifitas otak manusia, dan dari sinyal tersebut, kita mampu membuat suatu sistem klasifikasi kondisi emosional manusia. Pada penelitian ini, EEG Neurostyle dengan 24 kanal digunakan untuk menangkap sinyal kelistrikan dari otak manusia. Metodenya meliputi reaksi seorang subjek terhadap stimulus berupa audio-visual yang berdurasi kurang lebih 5 menit. Subjek terdiri dari 10 orang manusia berumur 18 hingga 22 tahun, dimana tiap subjek menonton sebuah video pada lingkungan yang sama. Ekspresi mimik wajah akan direkam menggunakan kamera sebagai referensi dan konfirmasi agar sesuai dengan emosi yang dideskripsikan oleh subjek. Fitur emosi berupa RPR kemudian diambil untuk kemudian dimasukan kedalam algoritme classifier. Emosi dibagi berdasarkan 4 jenis yaitu: senang, sedih, takut, dan jijik Menggunakan Supervised Machine Learning, kita dapat menggunakan fitur fitur tersebut untuk klasifikasi. Menggunakan k-NN, didapat akurasi diatas 70% dengan menggunakan 4 kelas.

---

ABSTRACT

Mental health issues are growing rapidly in these recent years. Teenagers and young adult on age 16-30 years old are the most common victims. Mental health is a really serious issue concerning emotional health. One of the causes on emotional health issues is a lack of self-awareness, which is the key cornerstone on maintaining emotional-state. Brain signals has proven that it can read human emotion, and from there we can use brain waves to classify human emotional-state. In this research study, EEG Neurostyle of 24 channels is used to obtain brain electrical signals. The method involves the subject reaction to a set of audio-visual stimuli of approximately 5 minutes, the subject consists of 10 subjects aged 18-22, with each person watched the video-clips in the same environment. The expressions of the subjects were recorded separately to ensure their emotion accordance with the source (i.e. sad clips resulting sad emotion). Then its feature were extracted. The feature were used to classify the emotion into 4 classes: happy, sad, scared, and disgust. Using Supervised Machine Learning Method, we can use these features to identify a new sample to predict which class it belongs to. Using k-NN algorithm as classifier, an accuracy greater than 70% is obtained with 4 classes."

"ABSTRAK

Untuk menunjang pemantauan konsentrasi manusia, perlu adanya pemahaman mengenai respon sinyal dari EEG terhadap dua kondisi manusia ya itu saat sedang konsentrasi penuh dan konsentrasi tidak penuh (adanya distraksi). Dalam mengolah data sinyal EEG tersebut, dibutuhkan metode algoritma dan klasifikasi sinyal untuk mendapatkan hasil data sinyal dari dua kondisi tersebut. Pada penelitian ini akan dijelaskan tentang sistem perancangan pendeteksian konsentrasi manusia berdasarkan sinyal EEG. Metode yang digunakan adalah Fast Fourier Transform (FFT) dan Discrete Wavelet Transform (DWT) sedangkan dalam algoritma klasifikasinya menggunakan Support Vector Machine (SVM). Hasil yang telah didapatkan dalam pengujian ini adalah SVM lebih mampu untuk mengklasifikasikan sistem dengan kernel RBF menggunakan 30% holdout validation. Keakurasian dari sistem ini adalah 91% pada metode DWT dan 72% pada metode FFT. Sehingga, dari kedua ekstraksi metode FFT dan DWT, yang memiliki nilai ekstraksi terbaik adalah DWT.

---

ABSTRACT

To support the monitoring focused human concentration, there is a need to understand the response of signals from EEG in two conditions which are when human is in full concentration and less concentration (presence of distraction).  To process those EEG signal data, an algorithm method and classification is needed to get the results of signal data from these two conditions In this research, the system of detecting design of human concentration levels based on EEG signals will be explained. The used methods are Fast Fourier Transform (FFT) and Discrete Wavelet Transform (DWT) while the classification algorithm uses Support Vector Machine (SVM).  The result of this research shows that by using SVM, a much more reliable result is achieved when a kernel RBF is used with 30% holdout validation. The result of the aforementioned method yields a 91% accuracy with DWT method and a 72% accuracy with FFT. 

 

"

"Classification is a method for compiling data systematically according to the rules that have been set previously. In recent years classification method has been proven to help many people’s work, such as image classification, medical biology, traffic light, text classification etc. There are many methods to solve classification problem. This variation method makes the researchers find it difficult to determine which method is best for a problem. This framework is aimed to compare the ability of classification methods, such as Support Vector Machine (SVM), K-Nearest Neighbor (K-NN), and Backpropagation, especially in study cases of image retrieval with five category of image dataset. The result shows that K-NN has the best average result in accuracy with 82%. It is also the fastest in average computation time with 17.99 second during retrieve session for all categories class. The Backpropagation, however, is the slowest among three of them. In average it needed 883 second for training session and 41.7 second for retrieve session.

---

Klasifikasi adalah metode untuk menyusun data secara sistematis menurut aturan-aturan yang telah ditetapkan sebelumnya. Dalam beberapa tahun terakhir metode klasifikasi telah terbukti membantu pekerjaan banyak orang, seperti klasifikasi citra, alat-alat medis, lampu lalu lintas, klasifikasi teks dll. Ada banyak metode yang dapat digunakan untuk memecahkan masalah klasifikasi, metode yang bervariasi ini membuat para peneliti menemukan kesulitan dalam menentukan metode manakah yang terbaik untuk menyelesaikan masalahnya. Artikel ini bertujuan untuk membandingkan kemampuan metode klasifikasi, seperti Support Vector Machine (SVM), K-Nearest Neighbor (K-NN), dan Back-propagation khususnya dalam studi kasus image retrieval (pencarian gambar) dengan lima kategori dataset citra. Hasil penelitian menunjukkan bahwa K-NN memiliki nilai rata-rata akurasi terbaik dengan 82% dan yang tercepat dengan rata-rata waktu komputasi selama 17,99 detik untuk proses pencarian gambar pada semua kategori kelas. Sebaliknya, Backpropagation merupakan metode paling lambat di antara ketiganya. Metode ini rata-rata memerlukan waktu 883 detik untuk sesi pelatihan dan 41,7 detik untuk sesi pencarian gambar."

"

Konsumsi energi nasional secara signifikan dikontribusikan oleh tenaga listrik rumah tangga. Untuk mengetahui penggunaan energi listrik di setiap peralatan listrik rumah tangga, teknik yang disebut Non-Intrusive Load Monitoring (NILM) digunakan. NILM adalah alat untuk memantau dan mengidentifikasi kekuatan setiap peralatan listrik. Baru-baru ini beberapa metode klasifikasi data seperti jaringan saraf, pembelajaran mendalam telah diterapkan untuk mengembangkan NILM. Dalam tulisan ini, metode naive bayes digunakan untuk NILM. Metode ini untuk mengklasifikasikan kondisi on-off peralatan listrik. Untuk meningkatkan akurasi, metode preprocessing data yang normalisasi dan diskritisasi digunakan. Perbandingan kinerja dievaluasi untuk setiap metode. Dalam tulisan ini, dataset REDD digunakan. Metode Supervised learning yang digunakan adalah Naive Bayes dan K Nearest Neighbour. Hasil simulasi menunjukkan bahwa dua metode ini dapat mengenali data NILM dengan akurasi yang tinggi. Metode naive bayes dengan diskritisasi memperoleh akurasi tertinggi dengan nilai 96.64% diikuti oleh KNN dengan k =5 dengan nilai 96.1287%.

 

---

National energy consumption is significantly contributed by household electricity. To find out the use of electrical energy in every household electrical equipment, a technique called Non-Intrusive Load Monitoring (NILM)  used. NILM is a tool to monitor and identify the strength of each electrical equipment. Recently several methods of data classification such as neural networks, deep learning have been applied to develop NILM. In this paper, the naive Bayes method used for NILM. This method is to classify the conditions of on-off electrical equipment. Accuracy to improve, data preprocessing techniques that are normalised and discretised used. Performance comparisons are evaluated for each method. In this paper, the REDD dataset used. The Supervised learning method used is Naive Bayes and K Nearest Neighbor. The simulation results of the two classification methods can recognise NILM data with high accuracy, the naive Bayes method with discretisation obtained the highest accuracy with an amount of 96.64% followed by KNN with 5 with a value of 96.1287%.

 "

"Sistem akuisisi data Electroencephalography (EEG) telah dikembangkan. menggunakan Analog Front End (AFE) ADS1299 EEGFE-PDK berbasis Raspberry Pi. Sistem ini merupakan kelanjutan dari sistem yang dikembangkan sebelumnya, dengan menambahkan fitur Relative Power Ratio (RPR), komunikasi Local Area Networking (LAN) dan GUI (Graphical User Interface). Fitur RPR perlu dipahami Karakteristik sinyal EEG. ADS 1299 memiliki beberapa keunggulan diantaranya Akuisisi data secara simultan, resolusi 24 bit, membutuhkan daya <0,2 mW dan noise <1 μV. Sistem akuisisi data ini terdiri dari 4 unit AFE yang dikonfigurasi secara daisy rantai. Komunikasi antara AFE dan Raspberry Pi menggunakan periferal serial antarmuka (SPI) dengan format RDATA. Bahasa pemrograman C digunakan untuk komunikasi antara Raspberry dengan AFE dan Matlab digunakan untuk pemrosesan sinyal. Data dari Raspberry ditransfer melalui LAN ke Personal Computer (PC). Kemudian disaring menggunakan Butterworth order 5. Data EEG dan perhitungan RPR ditampilkan secara real-time. Perhitungan dilakukan dengan Fast Fourier Transforms (FFT) dan Power Spectral Density (PSD). Sistem ini telah dievaluasi dengan menggunakan simulator EEG (NETECH Mini-Sim EEG) yang menghasilkan sinyal listrik sinusoidal dengan frekuensi 2 Hz, 5 Hz, dan amplitudo tegangan 30, 50 μV. Dengan perbandingan rata-rata FWHM (Full Width at Half Maximum) didapatkan untuk frekuensi 2Hz di sistem akuisisi tersebut memperoleh nilai 4 Hz, dan dalam Neurostyle 4 Hz. Di frekuensi 5 Hz, rata-rata nilai FWHM yang diperoleh untuk sistem akuisisi yang dibuat adalah 13 Hz dan Neurostyle pada 14 Hz.

---

The systems have been developed to obtain Electroencephalography (EEG) data using the Raspberry Pi based Analog Front End (AFE) ADS1299 EEGFE-PDK. This system is a continuation of a previously developed system, supported by Relative Power Ratio (RPR) features, Local Area Networking (LAN) and GUI (Graphical User Interface) features. EPR. ADS 1299 has several advantages that can be taken from simultaneous data, 24 bit resolution, requires power <0.2 mW and noise <1 μV. This data acquisition system consists of 4 AFE units completed by daisy chains. Communication between AFE and Raspberry Pi uses a serial peripheral interface (SPI) with RDATA format. C programming language is used for communication between Raspberries and AFE and MATLAB is used for signal implementation. Data from Raspberry is transferred via LAN to Personal Computer (PC). Then filtered using Butterworth order 5. EEG data and realtime calculations. The calculations are carried out by Fast Fourier Transforms (FFT) and Power Spectral Density (PSD). This system has been evaluated using an EEG simulator (NETECH Mini-Sim EEG) which produces sinusoidal electrical signals with a frequency of 2 Hz, 5 Hz, and a amplitude of 30, 50 μV. With the average change in FWHM (Full Width at Half Maximum) obtained for the 2Hz frequency in the acquisition system a value of 4 Hz is obtained, and in Neurostyle it is 4 Hz. At a frequency of 5 Hz, the average FWHM value obtained for the acquisition system is 13 Hz and Neurostyle is 14 Hz."

"Dalam penelitian ini, telah dibuat sebuah sistem akuisisi data 32-channel berbasis Field Programmable Gate Array FPGA untuk mengakuisisi dan memroses sinyal Electroencephalography EEG . Sistem akuisisi data yang dibangun menggunakan board PYNQZ1, dengan Xilinx ZYNQ XC7Z20-1CLG400C All Programmable System-on-Chip APSoCs yang dapat memberikan sebuah sistem tertanam dengan performa tinggi, karena memiliki kombinasi antara fleksibilitas serta versatility dari programmable logic PL dengan prosesor embedded atau programmable system PS dengan kecepatan tinggi. Sebagai pusat dari sistem akuisisi data yang dibangun, FPGA menerima, memproses, dan menyimpan data dari Front-End Analog to Digital Converter ADC ADS1299EEG-FE. Komunikasi data yang digunakan dalam sistem akuisisi data yang dibangun adalah Serial Peripheral Interface SPI dengan konfigurasi daisy-chain. Untuk bagian pemrosesan sinyal, penulis mengimplementasikan filter bandpass Butterworth dengan orde 5 dan Fast Fourier Transform FFT pada overlay dari PYNQ-Z1. Overlay merupakan desain FPGA yang dapat dikonfigurasi sehingga menghubungkan PS pada ZYNQ dengan PL, memberikan penulis kemampuan untuk mengendalikan secara langsung platform hardware memanfaatkan Python pada PS. Rerata dari error akurasi yang didapatkan dari hasil validasi adalah 1.34 dan kriteria performa Total Harmonic Distortion THD menghasilkan 0.0091 , dengan memanfaatkan NETECH MiniSIM EEG Simulator 330. Perbandingan dari sistem akuisisi data dengan Neurostyle NS-EEG-D1 System yang mengambil data EEG yang sama menghasilkan parameter korelasi gradien dengan 0.9818, y-intercept dengan -0.1803, dan R2 dengan 0.9742 berdasarkan analisis least square. Parameter tersebut memperlihatkan sistem akusisi data yang telah dibangun cukup, jika tidak setara, dengan sistem akuisisi data komersil dengan standar medis, yaitu Neurostyle NS-EEG-D1 System, karena dapat memastikan dan mempertahankan akurasi dengan konfigurasi frekuensi sampling yang lebih tinggi.

---

This study proposes a novel Field Programmable Gate Array FPGA based 32 channel data acquisition system to acquire and process Electroencephalography EEG signal. The data acquisition system is utilizing PYNQ Z1 board, which is equipped with a Xilinx ZYNQ XC7Z020 1CLG400C All Programmable SoC APSoCs that can offer high performance embedded system because of the combination between the flexibility and versatility of the programmable logic PL and the high speed embedded processor or programmable system PS . As the core of the data acquisition system, the FPGA collect, process, and store the data based on Front End Analog to Digital Converter ADC ADS1299EEG FE. The communication protocol used in the data acquisition system is Serial Peripheral Interface SPI with daisy chain configuration. For the signal processing part, we implement a 5th order Butterworth bandpass filter and Fast Fourier Transform FFT directly on the PYNQ Z1 rsquo s overlay. The overlay are configurable FPGA design that extend the system from the PS of the ZYNQ to the PL, enabling us to control directly the hardware platform using Python running in the PS. The mean accuracy error obtained from validation result of the developed system is 1.34 and the Total Harmonic Distortion THD performance criterion resulting in 0.0091 , both of them validated with NETECH MiniSIM EEG Simulator 330. The comparison between the developed system with Neurostyle NS EEG D1 System acquiring the same EEG data shows correlation parameter gradient of 0.9818, y intercept with 0.1803, and R2 of 0.9742 based on the least square analysis. The parameter above indicates that the developed system is adequate enough, if not on a par, with the commercialized, medical grade EEG data acquisition system Neurostyle NS EEG D1 as it can assure and maintain accuracy with higher sampling frequency."

"

Elektroensefalografi (EEG), sebagai metode rekaman neurofisiologis yang telah dimanfaatkan secara luas, terutama dalam penelitian dasar tentang fungsi otak dan pemantauan pasien dengan gangguan neurologis. serta sistem Brain Computer Interface (BCI) untuk menerjemahkan sinyal menjadi perintah atau fungsi tertentu. Dalam perekaman sinyal EEG, terdapat tantangan interferensi dan noise akibat amplitudo sinyal yang sangat kecil (mikrovolt [V]) dan frekuensi rendah. Penelitian ini mengeksplorasi pengembangan elektroda aktif sebagai solusi untuk menguatkan sinyal EEG sehingga dapat meminimalisir noise yang mungkin ada. Elektroda aktif dirancang menggunakan filter aktif Sallen & Key orde 2 dengan respon butterworth menggunakan OPA378 sebagai operational amplifier dengan frekuensi cut-off 0 hingga 100 Hz. Untuk meminimalisir jumlah kabel, diterapkan operasi single-supply sehingga hanya 3 kabel yang diperlukan untuk mengoperasikan elektroda aktif. Prototype elektroda aktif diuji menggunakan EEG simulator NETECH MiniSim 330 dan direkam menggunakan ADS1299 PDK sebagai ADC dan Raspberry Pi 4 Model B untuk menyimpan file rekaman. Hasilnya, elektroda aktif mampu melakukan penguatan sinyal sebesar 22 kali dengan cukup stabil pada rentang frekuensi 20 hingga 100 Hz dengan error sebesar 3.53% dari target penguatan yang diinginkan.

---

Elektroensefalografi (EEG) is a widely used method for recording neurophysiological signals, primarily for research on brain functions and monitoring patients with neurological disorders. The development of active electrodes is being explored as a solution to improve the quality of EEG signals, which are characterized by very low amplitude (microvolts [μV]) and low frequency. The active electrode is designed using Sallen & Key filter or Butterworth filter with OPA378 as the operational amplifier with a cut-off frequency range of 0 Hz to 100 Hz. To minimize the number of wires, single-supply operation is applied, requiring only three wires to operate the active electrode. The prototype of the active electrode was tested using a NETECH MiniSim 330 EEG simulator and recorded using an ADS1299 PDK as an ADC and a Raspberry Pi 4 Model B to save the recorded file. The results show that active electrodes can provide signal attenuation up to 22 times with sufficient stability in the 20 Hz to 100 Hz frequency range, with an error of 3.35% from the expected

"

"Brain Computer Interface (BCI) merupakan sebuah teknologi yang sedang banyak dikembangkan di banyak negara di dunia, pasalnya teknologi BCI ini adalah teknologi yang modern dimana teknlogi ini dapat memungkinkan manusia dapat berkomunikasi dengan suatu sistem. Sampai sekarang BCI banyak dikembangkan pada dunia medis, salah satunya adalah stroke, stroke adalah sebuah penyakit yang diakibatkan oleh penguumpalan darah pada pembuluh darah diotak ataupun akibat pecahnya pembuluh datah diotak. Stroke mengakibatkan kelumpuhan pada bagian tubuh penderitanya, sehingga membuat ketebatasan pada mobilitasnya. Sehingga melalui penelitian ini diharapkan dapat membantu pasien stroke dalam mobilitiasnya. Pada pembuatan sistem sebelumnya dilakukan pengklasifikasian sinyal otak dengan cara perekaman sinyal EEG dengan menggunakan ADS1299EEG-FE, perekaman ini dilakukan dengan metode motor imagery sehingga subjek tidak perlu melakukan pergerakan cukup melakukan pemikiran pergerakan motorik untuk dapat menjalankan kursi roda. Pengklasifikasian sistem ini menggunakan fitur RPR yaitu nilai rasio power, setelah dilakukan klasifikasi dilakukanlah validasi sistem dengan melakukan pengujian lasngung pada sistem. Pada pengujian sistem terdapat 2 model pengujian yakni Diam – Maju – Mundur dan Diam – Kiri – kanan dengan presentase keberhasilan 46% dan 65%.

---

Brain Computer Interface (BCI) is a technology that is being developed in many countries in the world, because this BCI technology is a modern technology where technology can enable communicate human with a system. BCI has been widely developed in the medical, one of them is stroke, stroke is a disease caused by blood clots in blood vessels in the brain or due to ruptured brained vessels. Stroke results in paralysis of the part of the body of the sufferer, making it difficult for mobility. So that this research is expected to help stroke patients in their mobility. For making the system previously we classification the brain signals by recording EEG signals using ADS1299EEG-FE, this recording using the motor imagery method so that the subject did not need to move and just thinking about motor movements to control a wheelchair. The classification of this system uses the RPR feature, namely the value of the power ratio, after classification the system validation is done by direct testing on the system. In the system testing there are 2 test models namely Stop - Forward - Backward and Stop - Left - right with a success percentage 46% and 65%."

"

Meningkatnya angka prevalensi gangguan depresi, terutama di generasi muda, membawa urgensi tentang pentingnya menjaga kesehatan mental. Terlebih lagi, adanya gangguan depresi pada seseorang telah terbukti untuk meningkatkan risiko dan keparahan (severity) penyakit kardiovaskular. Seringkali, depresi luput atau salah didiagnosis sebagai penyakit lain, karena gejala-gejalanya yang mirip dengan penyakit non-mental lainnya. Karena itu, kebutuhan untuk membuat suatu sistem berbasis sinyal elektroensefalografi (EEG) yang dapat membantu diagnosis gangguan mental ini menjadi semakin penting. Tujuan penelitian ini adalah membuat program analisis spektral dan klasifikasi sinyal EEG untuk membantu diagnosis gangguan depresi yang berbasis Machine Learning. Untuk melengkapinya, dibuat juga aplikasi MATLAB dengan Graphical User Interface agar mempermudah pengguna. Sinyal EEG diproses menggunakan dua metode, yaitu wavelet dan Power Spectral Density (PSD). Relative Power Ratio dan Average Alpha Asymmetry dihitung sebagai fitur klasifikasi. Untuk mereduksi jumlah fitur, dilakukan perhitungan dominansi. Fitur akan diurutkan sesuai dominansinya, sehingga fitur dengan dominansi tertinggi akan digunakan untuk klasifikasi Machine Learning. Pengklasifikasi yang digunakan adalah feedforward neural network dengan cross validation. Hasil akurasi tertinggi yang dicapai adalah 83,6% menggunakan metode wavelet dan 77,5% menggunakan metode PSD. Selain itu, di bagian Frontal dan Parietal subyek depresi, ditemukan aktivitas alfa bagian otak kanan yang lebih dominan. Hal tersebut konsisten dengan penemuan dari riset-riset sebelumnya yang menunjukkan bahwa subyek depresi memiliki asimetri aktivitas otak yang dominan di bagian kanan.

---

The increasing prevalence of depressive disorder (also known as major depressive disorder or MDD), especially in the younger generations, has brought urgency upon the importance of keeping good mental health. Moreover, depression has proven to increase risks of cardiovascular diseases, along with their severities. Depressive disorders are oftentimes not diagnosed or misdiagnosed, because some of the symptoms are similar with those of other non-mental illnesses. Because of that, the necessity to build a system based on electroencephalographic (EEG) signals that could help diagnose this mental illness has been increasing in importance. The goal of this research is to make a Machine Learning-based classification program that implements EEG spectral analysis to aid for the diagnostics of depression. A MATLAB application with a Graphical User Interface was made as an addition to the program so that users can operate it easily. EEG signals were processed using two different signal processing methods, which are wavelet and Power Spectral Density (PSD). Relative Power Ratio and Average Alpha Asymmetry were calculated for feature extraction. As a feature-reducing method, feature dominance was calculated and ranked so that the highest ranked features will be used as input for the Machine Learning classification. The classifier used was feedforward neural network with cross validation. The highest achieved results were 83,6% accuracy using the wavelet method and 77,5% accuracy using the PSD method. Other than that, depressed subjects also showed a dominant right-hemisphere alpha activity in the Frontal and Parietal region, which is consistent with previous research that reveals the right-dominated asymmetry in the depressed brain.

"

"Penderita gangguan depresi semakin meningkat setiap tahunnya, terutama pada generasi muda. Hal ini membawa urgensi tentang pentingnya menjaga kesehatan mental, terlebih lagi WHO melaporkan bahwa depresi sangat mempengaruhi kualitas hidup dan menjadi penyebab dari meningkatnya risiko gangguan kesehatan lainnya. Kesalahan diagnosis seringkali terjadi pada depresi, maka dari itu sangat penting untuk mengembangkan pendekatan objektif untuk membantu dokter mendiagnosis depresi secara lebih efektif. Elektroensefalografi (EEG) merupakan teknologi berbasis sinyal otak yang dapat merekam aktivitas jaringan otak. Penelitian ini bertujuan untuk membuat program analisis gangguan depresi berbasis Machine Learning. Aplikasi Graphical User Interface (GUI) juga dibuat untuk mempermudah pengguna. Pemrosesan sinyal dilakukan dengan dua metode, yakni wavelet dan Power Spectral Density (PSD). Relative Power Ratio (RPR) dihitung sebagai fitur klasifikasi. Perhitungan dominansi juga dilakukan untuk mereduksi jumlah fitur. Fitur dengan dominansi tertinggi akan digunakan untuk membuat model klasifikasi Machine Learning. Pengklasifikasi yang digunakan adalah K-Nearest Neighbor (KNN) dengan cross validation. Akurasi tertinggi yang diperoleh mencapai 70% dengan metode wavelet dan 65% dengan metode PSD.

---

The number of individuals suffering from depressive disorder (also known as major depressive disorder or MDD) is increasing every year, especially among the younger generations. This highlights the urgency of prioritizing mental health, especially considering the World Health Organization’s report that depression significantly affects the quality of life and increases the risk of other health disorders. Misdiagnosis often occurs in cases of depression, making it crucial of develop an objective approach to help doctors diagnose depression more affectively. Electroencephalography (EEG) is a brain signalbased technology that records brain network activity. This research aims to create a machine learning-based program for analyzing depressive disorders. Additionally, a Graphical User Interface (GUI) application is developed to facilitate users. Signal processing is performed using two methods, namely wavelet and Power Spectral Density (PSD). The Relative Power Ratio (RPR) is calculated as a classification feature. Dominance computation is also conducted to reduce the number of features, and the feature with highest dominance are used to create the Machine Learning classification model. The classifier used is K-Nearest Neighbor (KNN) with cross-validation. The highest accuracy achived is 70% with the wavelet method and 65% with the PSD method."