<![CDATA[KLASIFIKASI POLA RESPON EMOSI PEMAIN VIDEO GAME DENGAN CAPSULE NETWORK DAN TRANSFORMER BERBASIS DATA ELECTROENCEPHALOGRAPHY]]>

// <![CDATA[KLASIFIKASI POLA RESPON EMOSI PEMAIN VIDEO GAME DENGAN CAPSULE NETWORK DAN TRANSFORMER BERBASIS DATA ELECTROENCEPHALOGRAPHY]]> 0415068801 - Yusup Miftahuddin, S.Kom., MT Penulis KREUSNA BAYU PRANGGA WIDAYATMOKO / 15-2021-079 Penulis Penelitian ini fokus pada klasifikasi pola respons emosi pemain video game menggunakan Capsule Network (CapsNet) dan Transformer berbasis data Electroencephalography (EEG). Penelitian ini bertujuan untuk mengatasi tantangan dalam mengelola data spasial dan temporal yang terekam selama sesi permainan. CapsNet digunakan untuk menangani hubungan spasial, sementara Transformer mengelola ketergantungan temporal dalam data EEG. Hasil pengujian pada data tes menunjukkan bahwa model ini berhasil mengklasifikasikan pola emosional dengan akurasi sebesar 85%. Meskipun hasilnya positif, terdapat fluktuasi pada akurasi validasi, terutama dalam membedakan kelas dengan karakteristik emosional yang serupa. Penelitian ini mengembangkan bidang klasifikasi emosi berbasis EEG dengan meningkatkan kemampuan untuk mendeteksi respons emosional pemain video game secara akurat, khususnya dalam dimensi arousal dan valence. This research focuses on classifying the emotion response patterns of video game players using Capsule Network (CapsNet) and Transformer based on Electroencephalography (EEG) data. The study aims to address the challenge of managing spatial and temporal data recorded during gameplay sessions. CapsNet is used to handle spatial relationships, while the Transformer manages temporal dependencies in the EEG data. The results from testing on the test data show that the model successfully classifies emotional patterns with an accuracy of 85%. Despite these positive results, fluctuations in validation accuracy were observed, particularly in distinguishing classes with similar emotional characteristics. This research advances the field of EEG-based emotion classification by improving the ability to accurately detect emotional responses in video game players, particularly in the dimensions of arousal and valence.