DESAIN KLASIFIKASI SINYAL EEG GERAKAN EKSTREMITAS ATAS ENGGUNAKAN WIRELESS EEG HEADSET BERBASIS EXTREME LEARNING ACHINE (ELM)
| Main Author: | DIO ALIF PRADANA, 081411731032 |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | ind |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.unair.ac.id/78347/1/ST%20T%2042_18%20Pra%20d%20Abstrak.pdf http://repository.unair.ac.id/78347/2/ST%20T%2042_18%20Pra%20d.pdf http://repository.unair.ac.id/78347/ http://www.lib.unair.ac.id |
Daftar Isi:
- Ekstremitas atas merupakan salah satu anggota tubuh yang memiliki fungsi yang sangat penting dalam keberlangsungan hidup manusia baik dalam fungsi pergerakan maupun aktivitas lainnya sehingga kerusakan atau kegagalan yang terjadi pada bagian ini akan sangat berpengaruh besar terhadap keadalaan fisiologis dan psikologi seseorang. Salah satu cara untuk mengatasi permasalahan tersebut adalah dengan menggunakan BCI, dari sekian banyak metode BCI yang ada sinyal EEG (Electroencephalograph) merupakan salah satu bentuk metode yang paling banyak digunakan. Penelitian ini memanfaatkan teknologi wireless headset EEG yang digunakan untuk memperoleh sinyal EEG gerakan ekstremitas atas dalam bentuk raw data, yang kemudian di olah (ekstrasi ciri) menggunakan Transformasi Wavelet Diskrit untuk mendapatkan ciri atau pola pada rentang frekuensi alpha dan betha (mu). Dari hasil ekstrasi ciri tersebut kemudian akan diklasifikasikan menggunakan metode Extreme Learning Machine yang memiliki kelebihan dalam hal kecepatan pembelajaran dibandingan dengan metode SLFN (Single Layer Feed Forward Network) lainnya. Penelitian ini menghasilkan hasil pelatihan yang terbaik pada pengambilan data sinyal EEG disertai gerakan tangan dan menggunakan neuron sebanyak 30 buah pada hidden layernya. Hasil pengujian dari metode ini menunjukkan rata – rata akurasi sebesar 75%, yang berpotensi cukup baik untuk dikembangkan lebih lanjut ke dalam penelitian – penelitian berbasis BCI raw data kedepannya.