// <![CDATA[KLASIFIKASI MENTAL WORKLOAD BERDASARKAN DATA ELECTROENCEPHALOGRAM MENGGUNAKAN METODE TABNET]]> 0415068801 - Yusup Miftahuddin, S.Kom., MT Dosen Pembimbing 1 PRATAMA BEVAN NURROHMAN / 15-2021-105 Penulis
Penelitian ini mengusulkan alur kerja yang dapat diinterpretasikan untuk klasifikasi tingkat beban kerja mental (rendah, moderat, tinggi) yang didasarkan pada sinyal EEG dengan 14 kanal (Emotiv EPOC, 128 Hz). Proses praproses terdiri dari pemfilteran high-pass pada frekuensi 1 Hz, notch pada 50 Hz. Analisis Komponen Independen (ICA), serta mereferensikan rata-rata. Sinyal kemudian dibagi menjadi segmen dengan jendela waktu 2 detik tanpa tumpang tindih, di mana fitur dayanya (delta-beta) diekstraksi menggunakan metode PSD-Welch dan kemudian diseleksi melalui Neighborhood Component Analysis (NCA) dengan 5-fold hingga mencapai ambang kumulatif 75%.Model TabNet dievaluasi dengan pemisahan berdasarkan subjek dan dioptimalkan menggunakan Optuna. Hasil penelitian menunjukkan akurasi validasi sebesar 92,85% dan macro-F1 sebesar 0,92, melebihi baseline dan juga Random Forest (75,89%). Analisis mengenai kepentingan fitur menekankan dominasi pita beta dan theta pada kanal Frontal serta oksipital. Perbandingan eksperimental menunjukkan bahwa (i) Sparsemax tanpa pengaturan tidak stabil, (ii) pemberian bobot kelas saja tidak cukup, sedangkan (iii) kombinasi antara Entmax dan pengaturan hyperparameter memberikan performa yang paling konsisten. Eksperimen kontrol terhadap data mentah (tanpa proses praproses) menunjukkan penurunan signifikan di angka 46%, yang menekankan pentingnya praproses dan seleksi fitur. Eksperimen ini menunjukkan bahwa rangkaian PSD-Welch → NCA → TabNet (Entmax) dengan pengaturan menggunakan Optuna menjadi eksperimen dengan hasil evaluasi kinerja terbaik dibandingkan eksperimen lainnya dan dapat diaplikasikan untuk klasifikasi beban kerja mental yang berbasis EEG, serta layak dijadikan baseline yang kuat untuk penelitian lanjutan. This study proposes an interpretable workflow for classifying mental workload levels (low, moderate, high) based on 14-channel EEG signals (Emotiv EPOC, 128 Hz). The preprocessing consists of high-pass filtering at 1 Hz and notch filtering at 50 Hz. Independent Component Analysis (ICA), and referencing the mean. The signal is then divided into segments with a 2-second time window without overlap, where its power features (delta-beta) are extracted using the PSD-Welch method and then selected through Neighborhood Component Analysis (NCA) with 5-fold until reaching a cumulative threshold of 75%. The TabNet model was evaluated with separation based on subjects and optimized using Optuna. The results showed a validation accuracy of 92.85% and a macro-F1 of 0.92, exceeding the baseline and also Random Forest (75.89%). Feature importance analysis emphasized the dominance of the beta and theta bands in the Frontal and occipital channels. Experimental comparisons show that (i) Sparsemax without tuning is unstable, (ii) class weighting alone is insufficient, while (iii) the combination of Entmax and hyperparameter tuning provides the most consistent performance. Control experiments on raw data (without preprocessing) show a significant decrease of 46%, emphasizing the importance of preprocessing and feature selection. This experiment demonstrates that the PSD-Welch → NCA → TabNet (Entmax) sequence with tuning using Optuna yields the best performance evaluation results compared to other experiments and can be applied to EEG-based mental workload classification, making it a strong baseline for further research.