Klasifikasi Baseline, Stress, dan Amusement dari data WESAD menggunakan Random Forest dan Federated Learning

JAYSURAHMAN, HAFIDZ (2023) Klasifikasi Baseline, Stress, dan Amusement dari data WESAD menggunakan Random Forest dan Federated Learning. S1 thesis, Universitas Ahmad Dahlan.

	Text (JUDUL) T1_1600018017_JUDUL__230729114339.pdf Download (1MB)
	Text (BAB I) T1_1600018017_BAB_I__230729114339.pdf Download (405kB)
	Text (BAB II) T1_1600018017_BAB_II__230729114339.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB III) T1_1600018017_BAB_III__230729114339.pdf Restricted to Registered users only Download (377kB) | Request a copy
	Text (BAB IV) T1_1600018017_BAB_IV__230729114339.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) T1_1600018017_BAB_V__230729114339.pdf Restricted to Registered users only Download (85kB) | Request a copy
	Text (Daftar Pustaka) T1_1600018017_DAFTAR_PUSTAKA__230729114339.pdf Restricted to Registered users only Download (4B) | Request a copy

Abstract

Seiring dengan pesatnya perkembangan teknologi informasi tentunya menuntut pengguna semakin aware dengan keamanan data pribadinya. Dalam penelitian ini adalah bagaimana melakukan pengolahan data dari pasien (subjek) yang sangat sensitif jika terjadi kebocoran data. Dengan menggunakan WESAD (Wearable Stress and Affect Detection) dataset, penelitian ini bertujuan untuk mensimulasikan bagaimana melatih data yang bersifat privasi secara aman tanpa melanggar aturan terkait perlindungan data.
Penelitian ini menggunakan data dari kedua sensor yang terdapat dalam dataset WESAD yaitu Empatica E4 dan RespiBAN. dengan menggunakan 3-kelas klasifikasi (Baseline, Stress, Amusement) serta fitur dari kedua sensor yaitu EDA,ECG, BVP, TEMP, dan RESP. Penelitian ini berusaha mensimulasikan metode pemodelan data yang lebih menjaga keamanan dan privasi data menggunakan metode Federated Learning dan model klasifikasi Random Forest.
Hasil dari penelitian ini dengan algoritma klasifikasi Random Forest menghasilkan rata-rata akurasi 98%. Hal ini tentu merupakan tanda yang baik, dimana model klasifikasi dapat melakukan prediksi sesuai dengan kelas klasifikasi yang ditentukan. Hasil klasifikasi dengan menggunakan metode Federated Learning juga memiliki akurasi yang sempurna, yaitu 98% untuk global model dan 97% untuk local model. Kesimpulannya adalah baik menggunakan Random Forest saja dalam melakukan klasifikasi terhadap dataset WESAD hasilnya sudah sangat memuaskan, bahkan dengan menggunakan metode pemodelan data Federated Learning dimana dengan menggunakan metode ini performa model dalam mengklasifikasi tidak turun.

Item Type:	Thesis (S1)
Keyword:	Federated learning;WESAD;random forest
Subjects:	T Technology > T Technology (General) T Technology > TA Engineering (General). Civil engineering (General)
Divisi / Prodi:	Faculty of Industrial Technology (Fakultas Teknologi Industri) > S1-Informatics Engineering (S1-Teknik Informatika)
Depositing User:	userperpus2 userperpus2
Date Deposited:	08 Oct 2024 01:37
Last Modified:	08 Oct 2024 01:37
URI:	http://eprints.uad.ac.id/id/eprint/76084

Actions (login required)

View Item