Klasifikasi Tingkat Kemampuan Bahasa Anak Berdasarkan Sinyal EEG Menggunakan Random Forest dengan Ektraksi Fitur Wavelet
DOI:
https://doi.org/10.30865/jurikom.v15i5.9874Keywords:
Klasifikasi, Kemampuan Bahasa, EEG, Wavelet, Random ForestAbstract
Salah satu indikator penting dalam perkembangan kognitif anak terhadap kemampuan komunikasi, proses pembelajaran, dan literasi adalah kemampuan bahasa, tetapi pengukuran kemampuan bahasa masih sering dilakukan dengan pendekatan konvensional seperti tes akademik dan observasi yang mengarah ke subjektif dan belum bias merepresentasikan aktivitas otak secara langsung. Urgensi penelitian ini mengatasi keterbatasan subjektif konvensional menjadi pendekatan klasifikasi kategori kemampuan bahasa anak menggunakan sinyal electroencephalography (EEG). Tujuan penelitian ini adalah mengembangkan pendekatan klasifikasi kategori kemampuan bahasa anak berbasis sinyal EEG sebagai indikator objektif menggunakan algoritma Random Forest dan ekstraksi fitur wavelet. Data EEG yang digunakan adalah Kumar EEG Imagined Speech Dataset untuk mendukung pengujian karakteristik sinyal EEG yang berkaitan dengan aktivitas bahasa dan pengembangan tahapan pengolahan serta ekstraksi fitur. Sedangkan kategori kemampuan bahasa anak dioperasionalkan berdasarkan nilai akademik bahasa anak yang diperoleh dari tiga sekolah dasar di Yogyakarta. Tahapan penelitian ini, yaitu pra-pemrosesan data, ekstraksi fitur dengan Discrete Wavelet Transform (DWT), klasifikasi menggunakan algoritma Random Forest, dan evaluasi model. Hasil penelitian ini menunjukkan performa klasifikasi yang memuaskan dengan akurasi 0.86, precision 0.89, recall 0.83, dan f1-score 0.83, Hasil penelitian ini menunjukkan adanya potensi karakteristik fitur EEG yang dapat dimanfaatkan untuk membedakan kategori kemampuan bahasa yang ditetapkan berdasarkan data nilai akademik. Penelitian ini memberikan kontribusi awal dalam menghubungkan representasi neurofisiologis sinyal EEG dengan kategori kemampuan bahasa anak melalui pendekatan machine learning.
References
[1] P. Mariani, D. F. Kurnia, and L. Yarni, “Kecerdasan Majemuk (Multiple Intelligence),” KOLONI, vol. 2, no. 4, pp. 201–212, Dec. 2023, doi: 10.31004/KOLONI.V2I4.566.
[2] P. Peng and R. A. Kievit, “The Development of Academic Achievement and Cognitive Abilities: A Bidirectional Perspective,” Child Dev. Perspect., vol. 14, no. 1, pp. 15–20, 2020, doi: 10.1111/cdep.12352.
[3] V. Cook, “The language in language and thinking,” Vigo Int. J. Appl. Linguist., no. 18, pp. 35–58, Jan. 2021, doi: 10.35869/VIAL.V0I18.3364.
[4] “PISA 2022 Assessment and Analytical Framework,” Aug. 2023, doi: 10.1787/DFE0BF9C-EN.
[5] “PISA 2022 Results (Volume III),” Jun. 2024, doi: 10.1787/765EE8C2-EN.
[6] A. P. Fitriani, A. Wijayanti, and D. P. Koesmadi, “Meningkatkan Kecerdasan Linguistik Anak Usia Dini Dengan Menggunakan Buku Language Smart Kids,” J. Pendidik. Anak Usia Dini Undiksha, vol. 9, no. 2, pp. 270–276, Jul. 2021, doi: 10.23887/PAUD.V9I2.34123.
[7] A. T. Inayah et al., “Objectivity in subjectivity: do students’ self and peer assessments correlate with examiners’ subjective and objective assessment in clinical skills? A prospective study,” BMJ Open, vol. 7, no. 5, p. e012289, May 2017, doi: 10.1136/BMJOPEN-2016-012289.
[8] J. Decety, K. L. Meidenbauer, and J. M. Cowell, “The development of cognitive empathy and concern in preschool children: A behavioral neuroscience investigation,” Dev. Sci., vol. 21, no. 3, pp. 1–12, 2018, doi: 10.1111/desc.12570.
[9] S. Bagherzadeh, K. Maghooli, A. Shalbaf, and A. Maghsoudi, “A Hybrid EEG-Based Emotion Recognition Approach Using Wavelet Convolutional Neural Networks (WCNN) and Support Vector Machine,” Basic Clin. Neurosci., vol. 14, no. 1, pp. 87–102, 2023, doi: 10.32598/bcn.2021.3133.1.
[10] T. A. Aldhaheri, S. B. Kulkarni, P. R. Bhise, and B. Ghaleb, “Investigation of brain response to acquisition and learning the second languages based on EEG signals and machine learning techniques,” Cogent Arts Humanit., vol. 11, no. 1, p., 2024, doi: 10.1080/23311983.2024.2416759.
[11] M. Melinda, F. H. Juwono, I. K. A. Enriko, M. Oktiana, S. Mulyani, and K. Saddami, “Application of Continuous Wavelet Transform and Support Vector Machine for Autism Spectrum Disorder Electroencephalography Signal Classification,” Radioelectron. Comput. Syst., no. 3(107), pp. 73–90, 2023, doi: 10.32620/reks.2023.3.07.
[12] A. Yudhana, D. Setyawan, S. Suyadi, A. W. Asmorojati, S. A. Akbar, and S. Al Irfan, “Classification of Human Emotions Brain Wave Signals Using the K-Nearest Neighbor Algorithm,” SSRN Electron. J., 2022, doi: 10.2139/ssrn.4231287.
[13] S. Kumar G S, N. Sampathila, and T. Tanmay, “Wavelet based machine learning models for classification of human emotions using EEG signal,” Meas. Sensors, vol. 24, no. November, p. 100554, 2022, doi: 10.1016/j.measen.2022.100554.
[14] M. M. Abdulghani, W. L. Walters, and K. H. Abed, “Imagined Speech Classification Using EEG and Deep Learning,” Bioengineering, vol. 10, no. 6, 2023, doi: 10.3390/bioengineering10060649.
[15] F. Elwasify, E. Shaaban, and R. M. Abdelmoneem, “EEG imagined speech neuro-signal preprocessing and deep learning classification,” Sci. Rep., vol. 16, no. 1, pp. 1–19, 2026, doi: 10.1038/s41598-026-39395-6.
[16] P. Kumar, R. Saini, P. P. Roy, P. K. Sahu, and D. P. Dogra, “Envisioned speech recognition using EEG sensors,” Pers. Ubiquitous Comput. 2017 221, vol. 22, no. 1, pp. 185–199, Sep. 2017, doi: 10.1007/S00779-017-1083-4.
[17] A. Derakhshesh, Z. Dehghanian, R. Ebrahimpour, and H. R. Rabiee, “Cueless EEG Imagined Speech for Subject Identification: Dataset and Benchmarks,” IEEE Trans. Biometrics, Behav. Identity Sci., pp. 1–13, 2025, doi: 10.1109/TBIOM.2025.3634273.
[18] A. Delorme, T. Sejnowski, and S. Makeig, “Enhanced detection of artifacts in EEG data using higher-order statistics and independent component analysis,” Neuroimage, vol. 34, no. 4, pp. 1443–1449, 2007, doi: 10.1016/j.neuroimage.2006.11.004.
[19] A. Yudhana, A. Muslim, D. E. Wati, I. Puspitasari, A. Azhari, and M. M. Mardhia, “Human emotion recognition based on EEG signal using fast fourier transform and K-Nearest neighbor,” Adv. Sci. Technol. Eng. Syst., vol. 5, no. 6, pp. 1082–1088, 2020, doi: 10.25046/aj0506131.
[20] A. Yudhana et al., “Recognizing Human Emotion patterns by applying Fast Fourier Transform based on Brainwave Features,” Proc. - 1st Int. Conf. Informatics, Multimedia, Cyber Inf. Syst. ICIMCIS 2019, pp. 249–254, Oct. 2019, doi: 10.1109/ICIMCIS48181.2019.8985227.
[21] R. Alfina, I. Arifianto, D. Astharini, and P. Wulandari, “Mendisain GUI Untuk Menampilkan Nilai FFT dan IFFT Menggunakan LabVIEW,” TESLA J. Tek. Elektro, vol. 21, no. 1, pp. 50–56, Mar. 2019, doi: 10.24912/TESLA.V21I1.3250.
[22] A. Solichin, “Analisis Komparatif Akurasi Deteksi Teks Dokumen Keuangan Menggunakan CTPN dan EAST,” vol. 18, no. 2, pp. 274–286, 2026.
[23] D. Haryanto, M. E. Agustian, K. Muhammad, and W. Hidayat, “AUTENTIKASI BERKELANJUTAN BERBASIS POLA KEYSTROKE MENGGUNAKAN METODE DEEP LEARNING,” KHARISMA Tech, vol. 21, no. 1, pp. 179–187, Mar. 2026, doi: 10.55645/KHARISMATECH.V21I1.692.
[24] Y. Lu, W. Wang, B. Lian, and C. He, “Feature Extraction and Classification of Motor Imagery EEG Signals in Motor Imagery for Sustainable Brain–Computer Interfaces,” Sustain., vol. 16, no. 15, 2024, doi: 10.3390/su16156627.
[25] M. Muthulakshmi, R. Munirathinam, M. Gayathri, and K. L. Nayana Sree, “EEG-Based Identification of Huntington’s Disease using Daubechies Wavelet features with Decision Tree Classifier,” 2025 Int. Conf. Sensors Relat. Networks, SENNET 2025 - Spec. Focus Digit. Healthc., 2025, doi: 10.1109/SENNET64220.2025.11135963.
[26] T. B. Putri, S. Saidah, B. Hidayat, F. Qothrunnada, T. Telekomunikasi, and U. Telkom, “Deteksi Emosi Berdasarkan Sinyal Suara Manusia Menggunakan Discrete Wavelet Transform (DWT) Dengan Klasifikasi Support Vector Machine (SVM),” vol. 3, no. 1, pp. 1–10, 2023.
[27] A. Fadlil, I. Riadi, I. Julda, and D. E. Purwadi Putra, “Comparison of Machine Learning Performance Using Naive Bayes and Random Forest Methods to Classify Batik Fabric Patterns”, doi: 10.18280/ria.370214.
[28] M. A. M. Mustofa, Sucipto, and A. Nugroho, “PENERAPAN RANDOM FOREST UNTUK DETEKSI DINI PENYAKIT PARKINSON’S DENGAN DATA FREKUENSI SUARA,” J. Qua Tek., vol. 15, no. 02, pp. 25–37, Sep. 2025, doi: 10.35457/QUATEKNIKA.V15I02.4563.
[29] H. Sumarti, “EEG Classification while Listening to Murottal Al-Quran and Classical Music using Random Forest Method EEG Classification while Listening to Murottal Al-Quran and Classical Music using Random Forest Method,” vol. 6, no. 2, 2023.
[30] J. Mega Reski, A. Yudhana, U. Ahmad Dahlan Jl Ringroad Selatan, K. Banguntapan, and D. Istimewa Yogyakarta, “Classification of Crystallization Images of Pharmaceutical Raw Materials Using Convolutional Neural Network Algorithm,” Int. J. Adv. Data Inf. Syst., vol. 6, no. 3, pp. 705–715, Dec. 2025, doi: 10.59395/IJADIS.V6I3.1440.
