Perpustakaan Digital ITB

Brain-Computer Interface merupakan salah satu teknologi yang akan menunjang interaksi manusia dengan komputer, khususnya komputer yang menggunakan basis pemrosesan sinyal otak EEG. Maksud dari pengolahan sinyal ini adalah menerjemahkan sinyal-sinyal otak EEG yang timbul akibat aksi-aksi tertentu ke bahasa mesin atau komputer. Penelitian yang dilakukan kali ini menggunakan data self-paced key typing yang sudah bebas dari artifak. Data ini merupakan sinyal yang direkam ketika seseorang mengetik dengan kondisi tertentu. Proses yang akan dilakukan selanjutnya adalah proses pengekstraksian fitur dan memilah fitur-fitur tersebut ke kelas-kelas yang diinginkan. Sebelum proses pengekstraksian fitur dengan menggunakan FFT dan PCA dilakukan, pertama-tama dilakukan pemisahan data tiga dimensi berdasarkan kanal dan kelasnya masing-masing sehingga akan mempermudah proses pengolahan selanjutnya. Setelah itu barulah data dimasukkan ke dalam FFT. Data delapan koefisien pertama hasil FFT ini akan dimasukkan ke dalam PCA. Untuk hasil PCA, diambil dua komponen pertama yang memiliki nilai variansi paling besar. Setelah proses pengekstraksian fitur, data-data tersebut dimasukkan ke dalam pemilah untuk melakukan pengenalan fitur-fitur ke kelasnya masing-masing, yaitu kelas kanan atau kelas kiri. Data tertentu berada pada kelas kanan dan data lainnya berada pada kelas kiri. Pemilahan ini menggunakan Nave Bayesian Classifier dan Jaringan Saraf Tiruan. Setelah dilakukan pengenalan seluruh fitur, kemudian dilakukan pengujian sistem menggunakan data tes untuk memberikan label ke setiap data tes. Keberhasilan dari sistem ini dilihat dari keberhasilan sistem memberikan label yang tepat ke masing-masing data tes. Untuk data tes yang menggunakan Nave Bayesian Classifier, tidak didapatkan hasil yang memuaskan. Hampir seluruh data tes diberikan label kiri karena kelas kiri memiliki peluang lebih besar pada data training dan pendistribusian Gaussian yang menjadi asumsi awal penelitian dari setiap fitur masing-masing kelas tidak berbeda. Dengan label yang sebenarnya dari data tes adalah sebagian kanan dan sebagian kiri, bila dibandingkan dengan label yang didapatkan dari pemilah, maka keberhasilan dari pemilah ini adalah 49%. Untuk data tes yang menggunakan Jaringan Saraf Tiruan-Back Propagation, didapatkan hasil yang lumayan memuaskan. Pemilah dapat memilah kelas dengan berdasarkan proses pelatihan yang sudah dilakukan sebelumnya. Keberhasilan yang didapat dari pemilah ini adalah 72%.