Perpustakaan Digital ITB

Brain Computer Interface (BCI) adalah sistem komunikasi antara otak dan suatu perangkat dengan fungsi tertentu tanpa melalui jaringan syaraf dan otot. Salah satu aplikasi BCI dalam bidang medis adalah memberikan bantuan bagi penderita paralyzed untuk mengontrol suatu perangkat seperti komputer, kursi roda dan aplikasi yang lain. BCI menggunakan EEG sebagai instrumen untuk mengukur aktivitas otak dikarenakan sifatnya yang responsif terhadap dinamika otak. Salah satu masalah utama dalam BCI adalah memberikan pengenalan terbaik dalam klasifikasi sinyal EEG. Dalam penelitian ini, dilakukan klasifikasi ciri sinyal EEG terhadap subjek yang berpikir untuk menggerakkan kursor ke atas dan ke bawah pada layar komputer. Pada proses klasifikasi, dimensi masukan data EEG mempengaruhi kecepatan komputasi. Karena itu perlu dilakukan ekstraksi ciri untuk mereduksi dimensi sinyal EEG tanpa menghilangkan ciri utama dari sinyal tersebut. Ekstraksi ciri menggunakan 2 metode yaitu spektral daya dengan teknik windowing terhadap suatu kelompok data dan transformasi wavelet diskrit dengan teknik pemisahan komponen frekuensi pada daerah frekuensi rendah dan frekuensi tinggi menggunakan fungsi basis symlet7. Untuk meningkatkan pengenalan pada klasifikasi sinyal EEG, pada tesis ini dilakukan klasifikasi ciri menggunakan jaringan Multi Layer Perceptron (MLP) dengan prinsip satu kanal-satu jaringan, yaitu pelatihan dilakukan pada satu jaringan kanal per kanal secara independen. Pelatihan untuk setiap jaringan dilakukan dengan 268 data kelas 0 dan kelas 1. Sedangkan pengujian dilakukan dengan dua tahap. Tahap pertama dilakukan pengujian 293 data trial dengan single trial classification. Sedangkan tahap kedua dilakukan pengujian 290 data trial dengan five trial classification. Hasil pengenalan single trial classification menggunakan data-ciri spektral daya menghasilkan pengenalan benar sebesar 63 %. Sedangkan penggunaan data-ciri wavelet dengan fungsi basis symlet7 level 3 diperoleh pengenalan benar tertinggi sebesar 82 %. Perbaikan metode klasifikasi dengan fungsi keputusan pada five trial classification memberikan peningkatan pengenalan terbaik dari 82 % menjadi 97 %.