Application of Support Vector Machine in Measuring Stress Levels Based on EEG Signals
DOI:
https://doi.org/10.34012/jutikomp.v8i1.6584Keywords:
EEG, Stress Classification, Support Vector Machine, Beta Average, BrainwavesAbstract
This study aims to classify stress levels based on electroencephalography (EEG) signals using the Support Vector Machine (SVM) algorithm. The data used in this study came from 21 subjects with a total of 379 datasets, which included the main variables of Subject, Electrode Channel (E), Theta, Beta 1, and Beta 2. Preprocessing was done to ensure data quality, including blank data elimination, normalization, and feature engineering. One of the main features developed was the Beta Average, which was obtained by calculating the average between Beta 1 and Beta 2, and stress level classification, which was determined based on the comparison between the Beta Average and Theta. The SVM algorithm was applied to build a stress classification model with an initial stage of manual calculation to understand the basic concepts, followed by the Python programming language implementation. The evaluation results show that the developed model has an accuracy of 92.76%, with the highest precision, recall, and f1-score values reaching 100% and the lowest value of 85%. The confusion matrix analysis showed that the model could classify low stress with 100% accuracy, while it reached 87.8% for high stress. The findings of this study prove that the SVM algorithm effectively classifies EEG signal-based stress levels. This model can be the basis for further development of stress detection methods, especially in mental health and neuroinformatics applications.
References
Abdusyukur, F. (2023). PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK KLASIFIKASI PENCEMARAN NAMA BAIK DI MEDIA SOSIAL TWITTER. KOMPUTA : Jurnal Ilmiah Komputer Dan Informatika, 12(1).
Angraina, D., & Putri, A. (2022). Analisis Sentimen Pengguna Aplikasi Google Meet Menggunakan Algoritma Support Vector Machine. Jurnal CoSciTech (Computer Science and Information Technology), 3(3), 472–478. https://doi.org/10.37859/coscitech.v3i3.4260
Aziz, F., Pancasakti Makassar, U., Wahab, A., Keperawatan, I., Karya, U., & Muna, P. (n.d.). JOURNAL PHARMACY AND APPLICATION OF COMPUTER SCIENCES IMPLEMENTASI METODE SUPPORT VECTOR MACHINE UNTUK DETEKSI DINI PERSISTENSI OBAT DALAM FARMASI IMPLEMENTATION OF THE SUPPORT VECTOR MACHINE METHOD FOR EARLY DETECTION OF DRUG PERSISTENCE IN PHARMACY. https://www.kaggle.com/datasets/harbhajansing
Damasela, R., Tomasouw, B. P., & Leleury, Z. A. (2022). PENERAPAN METODE SUPPORT VECTOR MACHINE (SVM) UNTUK MENDETEKSI PENYALAHGUNAAN NARKOBA. PARAMETER: Jurnal Matematika, Statistika Dan Terapannya, 1(2), 111–122. https://doi.org/10.30598/parameterv1i2pp111-122
Eldo, H., Ayuliana, A., Suryadi, D., Chrisnawati, G., & Judijanto, L. (2024). Penggunaan Algoritma Support Vector Machine (SVM) Untuk Deteksi Penipuan pada Transaksi Online. Jurnal Minfo Polgan, 13(2), 1627–1632. https://doi.org/10.33395/jmp.v13i2.14186
Hidayat, T., & Wirananda, H. A. (n.d.). PENGARUH TERAPI PSIKOLOGI DAN TERAPI FISIK DALAM UPAYA REHABILITASI TERHADAP PARA PECANDU NARKOBA DI PANTI REHABILITASI AL KAMAL SIBOLANGIT DESA SUKA MAKMUR SUMATERA UTARA.
Homepage, J., Syukron, H., Fauzi Fayyad, M., Junita Fauzan, F., Ikhsani, Y., & Rizkya Gurning, U. (2022). MALCOM: Indonesian Journal of Machine Learning and Computer Science Comparison K-Means K-Medoids and Fuzzy C-Means for Clustering Customer Data with LRFM Model "Perbandingan K-Means K-Medoids dan Fuzzy C-Means untuk Pengelompokan Data Pelanggan dengan Model LRFM. 2, 76–83.
Jobst, B. C., Bartolomei, F., Diehl, B., Frauscher, B., Kahane, P., Minotti, L., Sharan, A., Tardy, N., Worrell, G., & Gotman, J. (2020). Intracranial EEG in the 21st Century. Epilepsy Currents, 20(4), 180–188. https://doi.org/10.1177/1535759720934852
Juan Felik Sitorus, V., & Kunci, K. (2023). Jurnal JPILKOM (Jurnal Penelitian Ilmu Komputer) ANALISIS ARSITEKTUR JST BERDASARKAN ANGKA KEMATIAN AKIBAT OVERDOSIS NARKOTIKA MENGGUNAKAN ALGORITMA BACKPROPAGATION. In Jurnal JPILKOM (Vol. 1, Issue 2). Online.
Laili, U. H. (n.d.). IMPLEMENTASI DATA MINING NAÏVE BAYES DAN SVM (SUPPORT VECTOR MACHINE) DALAM PENGUMPULAN BERITA KRIMINAL DI INDONESIA PADA MASA PANDEMI COVID-19 Studi Kasus : Situs Berita Detik.com. In Journal of Engineering and Sustainable Technology.
Nurrachmat Hidayat, F. (n.d.). Analisis Sentimen Masyarakat Terhadap Perekrutan PPPK Pada Twitter Dengan Metode Naive Bayes … (Fajar Nurrachmat Hidayat, Sugiyono) Analisis Sentimen Masyarakat Terhadap Perekrutan PPPK Pada Twitter Dengan Metode Naive Bayes Dan Support Vector Machine. Jurnal Sains Dan Teknologi, 5(2), 665–672. https://doi.org/10.55338/saintek.v5i1.1359
Petrescu, A. M., Taussig, D., & Bouilleret, V. (2020). Electroencephalogram (EEG) in COVID-19: A systematic retrospective study. Neurophysiologie Clinique, 50(3), 155–165. https://doi.org/10.1016/j.neucli.2020.06.001
Rabbani, S., Safitri, D., Rahmadhani, N., Sani, A. A. F., & Anam, M. K. (2023). Perbandingan Evaluasi Kernel SVM untuk Klasifikasi Sentimen dalam Analisis Kenaikan Harga BBM. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 3(2), 153–160. https://doi.org/10.57152/malcom.v3i2.897
Saputra, A. B., & Judul, H. (2024). FINAL PROJECT REPORT TEXT-BASED SMART SURVEY SYSTEM USING SUPPORT VECTOR MACHINE METHOD FOR FACILITIES SURVEYING AT THE FACULTY OF INDUSTRIAL TECHNOLOGY.
Soufineyestani, M., Dowling, D., & Khan, A. (2020). Electroencephalography (EEG) technology applications and available devices. In Applied Sciences (Switzerland) (Vol. 10, Issue 21, pp. 1–23). MDPI AG. https://doi.org/10.3390/app10217453
Talib, S., Sudin, S., & Suratin, M. D. (n.d.). PENERAPAN METODE SUPPORT VECTOR MACHINE (SVM) PADA KLASIFIKASI JENIS CENGKEH BERDASARKAN FITUR TEKSTUR DAUN.
Wahyuni, S. D., & Kusumodestoni, R. H. (2024). Optimalisasi Algoritma Support Vector Machine (SVM) Dalam Klasifikasi Kejadian Data Stunting. Bulletin of Information Technology (BIT), 5(2), 56–64. https://doi.org/10.47065/bit.v5i2.1247
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Bryan Wijaya, Delima Sitanggang, Brandon Lee, Vicky Angie, Eric Simon Giovanni Siahaan
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
- Hak Cipta atas naskah-naskah karya ilmiah di dalam Jurnal ini dipegang oleh Penulis.
- Penulis menyerahkan hak saat pertama kali mempublikasi Naskah karya ilmiahnya dan secara bersamaan Penulis memberikan izin/lisensi dengan mengacu pada Creative Commons Attribution-ShareAlike 4.0 International License kepada pihak lain untuk menyebarkan karya ilmiahnya tersebut dengan tetap mencantumkan penghargaan bagi penulis dan Jurnal Teknologi dan Ilmu Komputer Prima sebagai media Publikasi pertama atas karya tersebut.
- Hal-hal yang berkaitan dengan non-eksklusivitas pendistribusian Jurnal yang menerbitkan karya ilmiah penulis dapat diperjanjikan secara terpisah (contoh: permintaan untuk menempatkan karya yang dimaksud pada perpustakaan suatu institusi atau menerbitkannya sebagai buku) dengan Penulis sebagai salah satu pihak perjanjian dan dengan penghargaan pada Jurnal Teknologi dan Ilmu Komputer Prima sebagai media publikasi pertama atas karya dimaksud.
- Penulis dapat dan diharapkan untuk mengumumkan karyanya secara online (misalnya pada Repositori atau pada laman Organisai/Institusinya) sejak sebelum dan selama proses pengumpulan naskah, sebab upaya tersebut dapat meningkatkan pertukaran citasi lebih awal dan dengan cakupan yang lebih luas.
