Klasifikasi Sinyal Otak Motor Imagery Menggunakan Extreme Learning Machine Dan Discrete Fourier Transform
| Main Author: | Pranoto, Fransiskus Cahyadi Putra |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2019
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/169448/1/Fransiskus%20Cahyadi%20Putra%20PranotoFransiskus%20Cahyadi%20Putra%20Pranoto%20%282%29.pdf http://repository.ub.ac.id/169448/ |
Daftar Isi:
- Otak adalah organ tubuh yang memiliki kemampuan untuk mengatur organ tubuh luar dan dalam yang dapat menyimpan, mengolah dan menghantarkan suatu informasi dan menjadikannya sebagai esensi pikiran dan jiwa seseorang. Otak terdiri dari milyaran sel neuron. Saat otak melakukan aktivitas, otak memancarkan suatu sinyal elektris yang dapat ditangkap oleh suatu perangkat antarmuka yaitu brain computer interface. Untuk melakukan rangsangan pada aktivitas sinyal otak dibutuhkan stimulus, salah satu metode stimulusnya adalah motor imagery. Motor imagery adalah representasi dari gerakan motor yang dibayangkan seseorang tetapi tidak menggerakkan anggota tubuh. Pada penelitian ini menggunakan perangkat brain computer interface bernama muse. Perangkat muse digunakan untuk pengumpul data dengan subyek berjumlah 20 dan rentang usia 19-23 tahun. Subyek diminta untuk membayangkan pengucapan tulisan pada stimulus tulisan yang muncul pada layar monitor. datasets yang digunakan adalah datasets BCI Competition IIIA dan IIIB untuk membandingkan kualitas dari datasets yang dikumpulkan peneliti dan membandingkan hasil akurasinya. Pemrosesan sinyal yang dilakukan adalah menggunakan butterworth filter infinite impulse response dengan rentang frekuensi antara 8 sampai 30 Hz. Penelitian ini melakukan ekspolarsi pada fitur yang didapatkan dari pengolahan sinyal hasil filter menggunakan metode discrete fourier transform. Ekplorasi dilakukan dengan mengambil fitur-fitur nilai frekuensi diskrit dan nilai frekuensi kontinyu. Fitur-fitur tersebut akan dilakukan proses klasifikasi menggunakan metode extreme learning machine. Eksplorasi pada metode learning adalah mencari jumlah neuron pada hidden layer yang tepat pada extreme learning machine untuk mencari nilai akurasi yang paling bai kantar jumlah neuron. Hasil dari penelitian adalah didapatkan akurasi sebesar 34% pada datasets muse dengan 5 kelas, 85% dan 90% untuk datasets muse 2 kelas, 66.67% dan 75% untuk datasets BCI Competition IIIA untuk 4 kelas dan 93.33% untuk datasets BCI Competition IIIB dengan 2 kelas.