Hasil Pencarian  ::  Simpan CSV :: Kembali

"

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

"

"Telah dibuat sistem akuisisi data EEG 16 kanal menggunakan ADS1299FE Texas Instrument, USA berbasis FPGA Zedboard Diligent,USA . EEG merupakan suatu divais yang digunakan untuk mengukur aktivitas kelistrikan pada permukaan kepala yang dikenal sebagai sinyal EEG. Sinyal EEG memiliki beda potensial 0.5-100 V dengan frekuensi 0.5 ndash; 40 Hz. Sistem akuisisi data EEG ini terdiri atas 2 buah chip ADS1299 yang terhubung secara Daisy-Chain yang diproses menggunakan FPGA Zedboard. Rancangan sistem akuisisi ini dapat dikonfigurasi ulang baik gain dan data ratenya. Pengaturan ulangini dapat dilakukan melalui program terminal pada komputer maupun dengan menggunakan perangkat lunak yang didisain khusus untuk sistem ini. Perangkat lunak tersebut dapat merekam dan menampilkan data hasil akuisisi secara real time. Validasi sistem akuisisi data EEG ini telah diuji menggunakan EEG Simulator NETECH Mini-Sim EEG , pengujian dilakukan pada frekuensi 2Hz dan 5Hz dengan rentang amplitudo 10 V, 30 V , 50 V dan 100 V. Hasil uji validasi pada frekuensi 2Hz diperoleh hasil pengukuran dengan maksimal deviasi 1.3 dan pada frekuensi 5Hz diperoleh hasil pengukuran dengan maksimal deviasi 1.8.

---

Has been developed Electroencepharography EEG data acquisition system base on FPGA Zedboard Diligent, USA usin ADS1299FE Texas Instrument, USA . EEG is a device used to measure the electrical activities on the scalp. The voltage range of EEG signal are around 0.5 100 V with frequency 0.5 ndash 40 Hz. This data acquisition system consisted of 2 chips ADS1299 which were connected in Daisy Chain mode and processes using Zedboard. This acquisition system can be reconfigured both its gain and data rate. This configuration could modified both using terminal program or software specially design respectively. The feature of this software are data recording and display the EEG signal graphically in real time. The recorded EEG signal were validated using EEG Simulator NETECH Mini Sim EEG with frequency 2Hz and 5Hz and voltage test in 10 V, 30 V, 50 V and 100 V. The result of the validation test at 2Hz obtained measurement result with a maximum deviation of 1.3 and at a frequency of 5Hz obtained measurement result with a maximum deviation of 1.8 ."

"Penelitian mengenai klasifikasi emosi manusia sudah berlangsung lama. Pada umumnya yang dikembangkan adalah algoritma pengklasifikasiannya dengan menggunakan dataset EEG laboratory-grade yang sudah tersedia secara bebas. Penelitian ini bertujuan membuat dataset klasifikasi emosi manusia berbasis peranngkat EEG komersil. Responden direkrut secara online dan yang memenuhi kriteria diminta  untuk menonton 6 video stimuli emosi sambil direkam aktivitas kelistrikan otaknya menggunakan perangkat EEG komersil. Tiap video stimuli diperuntukkan untuk memancing emosi yang berbeda, yaknik emosi sedih, takut, jijik, marah, tenang, dan senang. Responden juga diminta unutk mengisi kuesioner untuk tiap video stimuli yang ditonton. Dari 27 responden yang direkam data EEG-nya, hasil rekam dari 3 responden harus dieliminasi karena kualitas hasil rekam yang buruk. Hasil analisa kuesioner menunjukkan bahwa sebagian besar video stimuli sudah berhasil memancing emosi responden sesuai dengan tujuannya. Sedangkan hasil rekam signal EEG dibuat dataset untuk melatih algoritma Deep Learning model Recurrent Neural Network (RNN) untuk klasifikasi emosi manusia. Setelah melewati 16 epoch dan tidak ada perbaikan sampai epoch ke-46, nilai akurasi yang dicapai adalah sebesar 33%.

---

The majority of studies on the classification of human emotions have relied on the analysis of pre-existing datasets. We generated a dataset using consumer-grade EEG devices, which could be a big step forward for EEG research. Respondents were recruited online based on specific criteria and asked to watch a series of six videos while recording their brain's electrical activity using an EEG device and asked to complete a questionnaire for each video they watched. Out of the 27 respondents whose EEG data were recorded, the recordings from 3 respondents had to be eliminated due to the poor quality of the recordings. The results of the questionnaire analysis show that most of the video stimuli have succeeded in evoking the intended respondents’ emotions. Meanwhile, the EEG signal recording results are made into a dataset to train the Deep Learning algorithm using Recurrent Neural Network (RNN) method for the classification of human emotions. After passing 16 epochs and no improvement until the 46th epoch, the accuracy value achieved is 33%."

"Ada sekitar 1,3 juta orang meninggal akibat kecelakaan lalu lintas setiap tahunnya di seluruh dunia. Di Indonesia sendiri, jumlah kecelakaan lalu lintasnya terbilang tinggi dan cenderung terus meningkat setiap tahunnya menurut data dari Badan Pusat Statistik (BPS). Faktor manusia seringkali ditetapkan sebagai faktor utama penyebab terjadinya kecelakaan. Pada manusia, kelelahan dianggap sebagai penyebab utama kecelakaan transportasi dengan salah satu indikatornya adalah rasa kantuk. Langkah yang dapat dilakukan untuk mencegah meningkatnya tingkat kantuk yang dialami oleh pengemudi salah satunya adalah dengan mengatur suhu ruang kemudi. Suhu lingkungan kerja memberikan kontribusi yang besar terhadap tingkat kelelahan. Maka dari itu, penelitian ini dilakukan untuk mengetahui rentang suhu optimal untuk mengurangi tingkat kantuk pengendara guna mengurangi tingkat kecelakaan lalu lintas di Indonesia. Metode yang digunakan dalam penelitian ini adalah Electroencephalography (EEG) untuk pengukuran secara objektif dan Karolinska Sleepiness Scale (KSS) untuk pengukuran secara subjektif. Hasil dari penelitian ini diharapkan dapat dijadikan alternatif untuk mencegah serta mengurangi tingkat terjadinya kecelakaan lalu lintas.

---

There are about 1.3 million people die from traffic accidents every year worldwide. In Indonesia itself, the number of traffic accidents is fairly high and tends to increase every year according to data from Badan Pusat Statistik (BPS). The human faktor is often determined as the main faktor causing accidents. In humans, fatigue is considered the main cause of transportation accidents with one of the indicators being drowsiness. One of the steps that can be taken to prevent the driver from increasing the level of sleepiness experienced by the driver is to regulate the temperature inside the vehicle. The temperature of the working environment contributes greatly to the level of fatigue. Therefore, this study was conducted to determine the optimal temperature range to reduce the level of sleepiness of drivers in order to reduce the rate of traffic accidents in Indonesia. The method used in this research is Electroencephalography (EEG) for objective measurement and Karolinska Sleepiness Scale (KSS) for subjective measurement. The results of this study are expected to be used as an alternative to prevent and reduce the rate of traffic accidents."

"Telah dirancang prototype motor imagery dengan memanfaatkan perintah sinyal otak yang dihasilkan oleh Electroencephalography EEG . Sinyal EEG digunakan untuk memberikan informasi sinyal motorik. Bentuk unik dari sinyal EEG menggambarkan perintah untuk menggerakkan lengan. Pada kondisi lumpuh sekalipun, informasi motorik pada sinyal EEG masih akan ditemukan saat seseorang membayangkan menggerakkan lengannya. Dalam penelitian ini informasi motorik pada sinyal EEG digunakan sebagai umpan balik dengan menggabungkan 4 elektrode input F3, F4, FC5, FC6 . Akuisisi sinyal EEG menggunakan Emotiv EPOC portable. Probabilistic Neural Network PNN berfungsi sebagai pemrosesan sinyal. Fungsi ini digunakan untuk pengenalan sinyal motor imagery membayangkan gerakan lengan tangan . Karakteristik komputasi yang dilakukan oleh PNN secara parallel mampu mempersingkat waktu pemrosesan sinyal. Hasil pengolahan PNN adalah power maksimum sinyal mu, Power maksimum sinyal beta, frekuensi mu dan frekuensi beta. Kombinasi keempat fitur ini memberikan nilai akurasi yang cukup tinggi. Hasil percobaan menunjukkan bahwa akurasi untuk training rata-rata adalah 85,49 - 91,32 sedangkan nilai untuk testing 82,6 - 87,6 . Alat terapi yang digunakan nBETTER Upper Limb Feedback. Alat terapi akan aktif, bila nilai testing sinyal EEG lebih besar dari 80 . Ke depan, prototype motor imagery ini dapat dikembangkan sebagai alat terapi pasien stroke yang mampu mengurangi ketergantungan pada seorang fisioterapis saat proses terapi.

---

A modeling arms post stroke therapy used command brain signals generated by Electroencephalography EEG has been designed. EEG signals used to provide motorics information. The unique form of signal EEG describe commands to move the limbs. On condition paralyzed, motorics information on the EEG signals will still be found when someone tried to move his limbs.

In this research, we aim used the motorics information on the EEG signals as neuro feedback with combine 4 input electrode F3, F4, FC5, FC6. EEG signal acquisition using the Emotiv EPOC portable. Probabilistic Neural Network PNN function as signal processing. This function was applied to the recognition research of motor imagery EEG signals imagining arms movement . The parallel computing characteristic of PNN not only improved the generation ability for network, but also shorted the operation time.

The result of PNN are maximum mu power, maximum beta power, mu frequency and beta frequency that provided value to calculate classification accuracy. The experimental results show that the accuracy for training on average is 85.49 91.32 while the value for testing is 82.6 87.6. Therapy tool used nBETTER Upper Limb Feedback. The therapeutic tool will be active, when the value of the EEG signal testing is greater than 80. In the future, this modeling post stroke therapy can be reduced dependency from physiotherapist."

"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."

"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."

"Latar belakang: Elektroensefalografi EEG adalah suatu prosedur untuk mendukung diagnosis dan evaluasi pengobatan pada penyakit epilepsi. Perekaman EEG ideal dapat dicapai bila anak mengalami tidur alamiah, yang sampai saat ini masih sulit untuk dilakukan. Melatonin, merupakan hormon tidur alami yang dihasilkan oleh kelenjar pineal, mulai dikembangkan sebagai premedikasi EEG yang diharapkan memiliki efek samping lebih kecil dibanding prosedur deprivasi tidur parsial DTP dan obat sedasi.

Tujuan: 1 mengetahui perbandingan awitan tidur, makrostruktur tidur, dan lama tidur pada anak epilepsi yang diberikan melatonin oral dengan yang dilakukan prosedur DTP, 2 mengetahui perbedaan efek samping pemberian premedikasi melatonin dibandingkan prosedur DTP pada anak epilepsi yang direncanakan EEG

Metode: Penelitian uji klinik acak tersamar tunggal secara paralel dilakukan pada 76 subyek berusia 1-18 tahun yang melakukan pemeriksaan EEG di Laboratorium Elektrodiagnostik IKA-RSCM selama periode November 2016 ndash; Januari 2017. Seluruh subyek tersebut dibagi menjadi 2 kelompok, satu kelompok diberikan premedikasi melatonin per oral, sedangkan kelompok lainnya dilakukan prosedur DTP.

Hasil: Rerata awitan tidur kelompok DTP adalah 42,39 menit sedangkan kelompok melatonin 33,97 menit p le;0,01 . Rerata lama tidur kelompok DTP adalah 22,58 menit, sedangkan kelompok melatonin 25,09 menit p=0,144 . Gambaran makrostruktur tidur p>0,05 dan efek samping prosedur p>0,05 pada kedua kelompok subyek tidak berbeda bermakna.

Simpulan: Awitan tidur pada kelompok melatonin lebih cepat dibandingkan kelompok DTP, dengan durasi tidur yang serupa antar 2 kelompok. Makrostruktur tidur kedua kelompok mirip dengan tidur alamiah. Tidak didapatkan perbedaan efek samping antara kelompok DTP dan kelompok melatonin. Melatonin dapat digunakan sebagai premedikasi EEG pada anak untuk praktik sehari-hari.

---

Background Electroencephalography EEG is a procedure to support and evaluate therapy in children with epilepsy. Ideally, EEG result can be achieved if the child fell on a natural sleep, but this phase was difficult to gain. Melatonin, a natural sleep hormone that is produced by the pineal gland, was started to developed as a premedication following EEG procedure to produce natural sleep with minimal side effects compared to partial sleep deprivation PSD and other sedative agents.

Aim 1 to discover sleep onset, sleep duration, and sleep macrostructure in children with the oral administration of melatonin compared to partial sleep deprivation, 2 to discover side effects of oral melatonin EEG premedication in epilepsy children

Method In a parallel single blinded randomized clinical trial, 76 children who were referred to EEG Unit of Cipto Mangunkusumo Hospital from November 2016 to January 2017 were evaluated. The children were randomly assigned into two groups to receive PSD procedure control group and oral melatonin treatment group.

Results Mean sleep onset in PSD group was 42.39 minutes, while in melatonin group was 33.97 minutes p le 0,01 . Mean sleep duration in PSD group was 22.58 minutes, while in melatonin group was 25.09 minutes p 0,05 . There were no significant differences in both sleep macrostructure p 0,05 and procedure rsquo s side effects p 0,05 in both groups.

Conclusions Sleep onset was more prompt in melatonin group compares to PDS group, while sleep duration was similar between each groups. Both of sleep macrostructures were similar to natural sleep process. There were no significant differences of side effects in both groups. Melatonin can be use as premedication for EEG examination in epilepsy children."

"

Brain-Machine Interface (BMI), atau saat ini juga terdapat Hybrid Brain-Machine Interface (hBMI),teknologi yang saat ini sedang berkembang pesat. Teknologi ini juga telah diaplikasikan pada berbagai bidang. BMI adalah sistem yang secara langsung mengubah pikiran seseorang dari otak menjadi sebuah informasi yang dapat diproses untuk mengartikannya menjadi informasi yang dapat dipahami manusia. BMI ini juga memiliki pengembangan lanjut dimana sinyal otak digabungkan oleh sinyal biologis lain seperti electromyography (EMG), electrooculography (EOG), atau juga electrocardiography (ECG). Pengembangan teknologi ini memiliki aplikasi sebagai alat bantu rehabilitasi untuk seseorang yang menderita ketidakmampuan dalam menggerakkan anggota tubuhnya, seperti tangan. Melalui penelitian ini diharapkan untuk dapat merancang sistem pengendalian orthosis sebagai alat bantu rehabilitasi dengan menggunakan metode klasifikasi dengan sinyal otak dan sinyal otot, sehingga subjek yang menggunakan alat ini dapat melakukan rehabilitasi dalam pergerakan lengan atas khususnya pada sendi siku. Hasil klasifikasi gerakan dengan menggunakan sinyal otak dan sinyal otot ini, dengan menggunakan fitur delta alpha rasio dan root mean square, didapatkan akurasi training untuk tiga gerakan yakni relaks, fleksi, dan ekstensi yaitu sebesar 90.3% dan untuk akurasi testing sebesar 85.2%.

---

Brain-Machine Interface (BMI) or also its advancement, hybrid brain machine interface (hBMI), is a technology that is vastly developed. This technology has been used in many fields. BMI is a system that directly changes human’s mind into information that can be extracted to informations that can be meaningful to people. BMI also has advancement in which the brain signal is combined with other biopotential signal such as electromyography (EMG), electrooculography (EOG), or electrocardiography (ECG). The development of this technology has applications as a rehabilitation aid for someone suffering from an inability to move his limbs, such as the hands. Through this research it is hoped to be able to design an orthosis control system as a rehabilitation device by using a classification method with brain signals and muscle signals, so that subjects who use this tool can carry out rehabilitation in upper arm movements especially in the elbow joint. The results of the movement classification using brain signals and muscle signals, using the delta alpha ratio and root mean square features, obtained training accuracy for three movements namely relax, flexion, and extension of 90.3% and for testing accuracy of 85.2%.

"

"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."