Brain-computer interfaces (BCI) memanfaatkan aktivitas elektrofisiologis otak
untuk mengendalikan perangkat eksternal. Pengembangan teknologi BCI tangan
prostetik berbasis sinyal EEG-MI dapat membantu penderita disabilitas tangan agar
mudah beraktifitas dan meningkatkan kualitas hidup. Saat ini, BCI tangan prostetik
memiliki keterbatasan pada gerakan jari tangan. Penelitian mengenai pengenalan
pola sinyal EEG-MI 5 jari tangan untuk diimplementasikan pada BCI tangan
prostetik telah dilakukan. Namun, penelitian-penelitian tersebut masih melibatkan
kanal EEG tidak relevan terhadap MI jari tangan. Oleh karena itu, perlu dilakukan
seleksi kanal pada pengenalan pola EEG-MI jari tangan. Hal tersebut bertujuan
untuk menunjang pengembangan BCI tangan prostetik yang praktis digunakan.
Pengembangan metode seleksi kanal pada tugas akhir ini menggunakan dataset
yang dipublikasikan oleh Kaya dkk. Dataset tersebut memiliki sinyal EEG-MI dari
19 kanal EEG. EEG-MI mempunyai area aktivasi otak yang spesifik pada area
SMA, sebagian lobus frontal, dan parietal. Oleh karena itu, seleksi kanal dilakukan
menggunakan PCA dan CSP-OVR, metode seleksi kanal yang memanfaatkan
informasi distribusi spasial sinyal. Metode tersebut dilanjutkan dengan pencarian
kombinasi kanal relevan optimal secara berurut. Hal tersebut bertujuan untuk
meminimalisasi penurunan akurasi akibat pengurangan jumlah kanal.
Berdasarkan hasil metode PCA terpilih 11 kanal relevan terhadap MI jari tangan
berupa, C4, C3, Fz, Cz, T4, Fp1, P3, F7, F4, T3, dan F3. Sedangkan berdasarkan
CSP-OVR terpilih 4 kanal relevan berupa F8, F7, Fp2, dan Fp1. Seleksi kanal
berpengaruh pada penurunan akurasi pengenalan pola EEG-MI. Kombinasi kanal
relevan dari CSP-OVR menghasilkan akurasi rata-rata pengenalan pola fitur
spektrogram sebesar 46,1%. Akurasi tersebut turun 0,6% dibandingkan dengan
klasifikasi menggunakan 19 kanal. Sedangkan metode PCA menghasilkan akurasi
rata-rata sebesar 45,7%, turun 1% dibandingkan dengan klasifikasi 19 kanal.