Klasifikasi Sinyal EEG Subband Beta untuk Identifikasi Persepsi Rasa Manis dan Asam Menggunakan Algoritma Machine Learning

Abstract

Aktivitas gelombang otak (EEG) dapat digunakan untuk mengenali respons manusia terhadap stimulus sensorik, termasuk persepsi rasa. Penelitian ini bertujuan untuk mengklasifikasikan aktivitas otak terhadap dua jenis stimulus rasa, yaitu rasa manis (Susu) dan rasa asam (Lemon), menggunakan sinyal EEG pada subband Beta (12–25 Hz) dengan pendekatan machine learning. Penelitian ini merupakan pengembangan dari studi sebelumnya yang hanya menampilkan visualisasi topografi otak (brain heatmap), dengan menambahkan analisis klasifikasi otomatis berbasis kecerdasan buatan. Data EEG direkam dari empat kanal utama, yaitu T3, T4, CP1, dan CP2, kemudian diekstraksi menggunakan dua fitur utama: Mean Absolute Value (MAV) dan Variance (VAR). Total data yang digunakan sebanyak 10.644 potong data (3.550 Susu dan 7.094 Lemon). Tiga algoritma machine learning digunakan untuk membandingkan performa klasifikasi, yaitu Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Decision Tree (DT). Hasil pengujian menunjukkan bahwa Decision Tree menghasilkan performa terbaik dengan akurasi 84,0%, F1-score 0,727, dan ROC AUC 0,789, diikuti oleh KNN dengan akurasi 76,6%. Model SVM linear menunjukkan performa terendah akibat ketidakseimbangan data dan distribusi non-linear. Hasil ini membuktikan bahwa fitur EEG pada subband Beta dapat digunakan untuk membedakan stimulus rasa manis dan asam secara objektif. Penelitian ini memberikan kontribusi terhadap pengembangan sistem EEG-based Taste Recognition dan membuka peluang penerapan dalam bidang neurogastronomi serta Brain–Computer Interface (BCI). Kata kunci: EEG, subband Beta, klasifikasi rasa, machine learning, Decision Tree.