digilib@itb.ac.id +62 812 2508 8800

Cover
PUBLIC karya

Lembar Pengesahan
PUBLIC karya

Abstrak dan Abstract
PUBLIC karya

Tesis
PUBLIC karya

Sistem brain-computer interface berbasis motor imagery (MI-BCI) merupakan suatu sistem yang ditujukan untuk mengoperasikan suatu sistem komputer berdasarkan rekaman aktivitas otak dari pengguna sistem tersebut, khususnya aktivitas yang dihasilkan dari imajinasi terkait gerakan yang dipikirkan oleh pengguna. Berbeda dengan jenis sistem BCI lain, sistem MI-BCI tidak membutuhkan stimulus eksternal sehingga sistem ini kerap diteliti khususnya untuk keperluan rehabilitatif dan asistif, misalnya untuk pengoperasian sistem eksoskeleton dan membantu aktivitas pasien stroke. Namun demikian, aplikasi sistem MI-BCI dalam kehidupan sehari-hari sulit untuk dilakukan; hal ini disebabkan oleh sifat sistem MI-BCI yang membutuhkan jumlah data besar untuk proses kalibrasinya sehingga mengakibatkan waktu kalibrasi yang lama, padahal hal tersebut dapat mengakibatkan kelelahan pada pengguna sistem tersebut dan memperburuk kualitas kalibrasi sistem MI-BCI. Oleh karena itu, pada penelitian ini dilakukan studi terhadap fisibilitas penggunaan data sinyal EEG buatan untuk mengurangi waktu kalibrasi sistem MI-BCI, khususnya sistem yang ditargetkan untuk penggunaan secara real-time. Metode pengurangan waktu kalibrasi berbasis data buatan dipilih pada penelitian ini karena tidak membutuhkan data dari sesi sebelumnya baik dari pengguna yang sama maupun yang berbeda, sehingga metode ini dianggap cocok untuk diaplikasikan pada sistem MI-BCI yang baru dan belum pernah dikalibrasi. Hasil dari penelitian ini ditargetkan agar dapat digunakan dalam pengembangan sistem MI-BCI real-time pada penelitian selanjutnya. Pada penelitian ini, tiga metode pembentukan data sinyal EEG buatan yang telah ada dievaluasi kinerjanya untuk mengurangi waktu kalibrasi sistem MI-BCI, yaitu pembentukan data buatan berbasis segmen domain waktu, segmen domain waktufrekuensi, dan komponen hasil empirical mode decomposition (EMD). Evaluasi ketiga metode tersebut dilakukan menggunakan suatu sistem MI-BCI offline yang dirancang agar terdiri atas pembaca data input, filter digital 7-30 Hz, generator data buatan, algoritme ekstraksi fitur yang terdiri atas filter spasial CSP dan perhitungan daya band logaritmik, dan algoritme LDA untuk klasifikasi fitur. i Sistem MI-BCI ini ditujukan untuk mengidentifikasi gerakan tangan kiri atau tangan kanan berdasarkan hasil analisis ritme ERD/ERS yang terletak pada frekuensi 7-30 Hz sinyal EEG. Sistem ini selanjutnya digunakan untuk menganalisis tiga dataset MI-BCI yang berbeda sebagai input, yaitu dataset BCI Competition IV (2a) sebagai data sekunder, data primer motor imagery yang diperoleh menggunakan perangkat OpenBCI Cyton, dan data primer motor execution yang diperoleh menggunakan perangkat yang sama. Pada penelitian ini, ketiga metode pembentukan data buatan yang digunakan dioperasikan secara berulang; hal ini ditujukan untuk mengevaluasi fisibilitas setiap metode dalam pengurangan waktu kalibrasi sistem MI-BCI. Hal ini dilakukan dengan membentuk 200 data buatan dari data sinyal EEG asli dengan jumlah yang berbeda-beda (12-116 data); untuk setiap jumlah data sinyal EEG asli yang digunakan, proses pembentukan data diulang sebanyak 10 kali. Secara umum, proses ini terdiri atas dekomposisi data sinyal EEG asli yang ditujukan untuk pelatihan, konstruksi data buatan berdasarkan hasil dekomposisi yang dipilih secara acak, pelatihan algoritme CSP dan LDA menggunakan data pelatihan asli dan buatan, dan validasi hasil pelatihan. Hasil yang diperoleh selanjutnya dibandingkan dengan hasil pelatihan sistem tanpa menggunakan data buatan. Penilaian ketiga metode pembentukan data buatan dilakukan menggunakan tiga parameter sebagai bahan penilaian: kemiripan karakteristik data sinyal EEG buatan dengan data sinyal EEG asli berdasarkan filter CSP yang dihasilkan, waktu yang dibutuhkan untuk pembentukan data buatan, dan akurasi hasil klasifikasi data sinyal EEG; namun demikian, hanya poin kedua dan ketiga yang dibahas pada abstrak ini. Berdasarkan hasil evaluasi data sekunder yang diperoleh, penggunaan data pelatihan buatan dari segmen domain waktu dan segmen domain waktu-frekuensi dapat membantu sistem MI-BCI mencapai akurasi di atas 70% dalam waktu yang lebih cepat 33,2%; saat data buatan tidak digunakan, sistem membutuhkan 36 data buatan (270 detik) untuk mencapai akurasi 75%, namun saat kedua jenis data buatan tersebut digunakan, sistem dapat mencapai akurasi 73,7% dan 75,2% menggunakan 24 data buatan (180,28-181,34 detik). Sementara itu, penggunaan data buatan pada eksperimen data primer motor imagery mampu membantu sistem MI-BCI untuk mencapai akurasi 70,71% menggunakan 24 data sinyal EEG asli, meskipun akurasi hasil pelatihan sesudahnya mengalami penurunan nilai (42,14%-62,5%). Adapun penggunaan data buatan pada eksperimen data primer motor execution tidak mampu mengurangi waktu kalibrasi sistem MI-BCI maupun meningkatkan akurasi hasil kalibrasi; dalam hal ini, akurasi minimal di atas 70% yang terbaik dicapai dengan penggunaan 58 data sinyal EEG asli (78,57%). Patut dicatat bahwa berdasarkan hasil yang diperoleh khususnya pada hasil pemrosesan data sekunder, sistem MI-BCI yang dilatih menggunakan data buatan memiliki akurasi yang lebih rendah daripada sistem yang dilatih hanya menggunakan data sinyal EEG asli saat lebih dari 36 data sinyal EEG asli digunakan.