Perpustakaan Digital ITB

Internet addiction merupakan salah satu isu yang sangat krusial belakangan ini, mengingat perkembangan teknologi digital dan luasnya penggunaan internet. Beberapa penelitian bahkan menyebutkan bahwa internet addiction tergolong ke jenis kecanduan baru yang sama seperti kecanduan lain seperti kecanduan zat. Oleh karena itu, perlu adanya solusi yang tepat untuk mendeteksi internet addiction dengan baik. Dalam dunia medis, terdapat sebuah teknik bernama Electroencephalogram (EEG) yang berfungsi menangkap frekuensi sinyal dari aktivitas otak yang merincikan kondisi tertentu, termasuk apabila subjek mengalami kecanduan. Data ini menjadi potensi sebagai data sumber yang dapat dimanfaatkan untuk mendeteksi internet addiction dengan memanfaatkan deep learning. Model deep learning yang umum digunakan untuk EEG adalah CNN yang mampu menangkap pola spasial lokal dan LSTM yang umumnya baik untuk data temporal. Penelitian ini dilakukan untuk mengeksplorasi dan membandingkan kinerja model CNN, LSTM, dan Hybrid CNN-LSTM dalam memanfaatkan data EEG untuk deteksi internet addiction. Pengembangan dilakukan dengan memanfaatkan hyperparameter tuning untuk mendapatkan konfigurasi model dengan performa terbaik. Hasil yang diperoleh menunjukkan bahwa model terbaik setelah hyperparameter tuning adalah model CNN yang berhasil mencapai akurasi 94,10%, diikuti dengan Hybrid CNN-LSTM dengan akurasi 92,45%, dan LSTM dengan akurasi 86,28%. Hasil evaluasi menunjukkan bahwa CNN bekerja sangat baik untuk mendeteksi internet addiction dengan kompleksitas sederhana dengan memahami pola spasial lokal pada data EEG. Sementara itu, model LSTM terlihat sulit dalam menangkap pola temporal pada data window EEG yang cenderung kecil.