Perpustakaan Digital ITB

Sinyal EEG berbasis motor imagery menghadapi permasalahan akurasi klasifikasi untuk data dengan kelas lebih dari dua. Penggunaan power spektrum, sebuah ide awal unit fitur, sulit untuk bisa menghasilkan akurasi klasifikasi lebih dari 70%. Penelitian-penelitian terdahulu mengkaji peningkatan akurasi klasifikasi berdasarkan: sistem akuisisi EEG, identifikasi dan eliminasi noise, dan kombinasi elemenelemen pada model klasifikasi dalam sistem brain-computer interface. Oleh karena itu melalui penelitian ini, diusulkan sebuah metode identifikasi dan eliminasi outlier untuk meningkatkan akurasi klasifikasi sinyal EEG berbasis motor imagery tiga kelas. Metode identifikasi dan eliminasi outlier yang digunakan adalah metode berbasis statistik, yaitu boxplot. Metode ini menganalisis persebaran data menggunakan perhitungan interquartile range, rentang antara nilai data di persentil ke-25 (Q1) dan nilai data di persentil ke-75 (Q3). Metode identifikasi dan eliminasi outlier ini berfungsi untuk menetapkan batas maksimum dan minimum dari sampel pada masing-masing fitur klasifikasi dan mengeliminasi sampel yang berada si luar batasbatas tersebut. Metode ini kemudian dikelompokkan berdasarkan jumlah outlier yang dieliminasi atau persentase outlier dari total data yaitu 10%, 20%, 30%, dan all. Penelitian ini mengolah data yang bersumber dari EEG Motor Movement/ Imagery Dataset yang dikelola oleh badan riset sinyal fisiologis kompleks di Amerika, dengan akses terbuka melalui www.physionet.org. Model klasifikasi yang digunakan dalam penelitian ini meliputi ekstraksi fitur, seleksi fitur, reduksi dimensi fitur, evaluasi model klasifikasi, dan klasifikasi menggunakan machine learning. Jumlah fitur yang tersedia adalah 56 fitur berupa nilai maksimum power menggunakan transforiii masi fast fourier transform dan pwelch, nilai absolut power, nilai power rata-rata, nilai variansi power, nilai skewness power, dan nilai kurtosis power. Adapun power sinyal berasal dari rentang frekuensi gelombang ? dari elektroda O1 dan O2, gelombang ? dari elektroda C3, CZ, dan C4, dan gelombang ? dari elektroda C3, CZ, dan C4. Metode identifikasi dan eliminasi sendiri diterapkan setelah elemen seleksi fitur. Peningkatan akurasi klasifikasi didasarkan pada perbandingan nilai metrik klasifikasi dan kategori nilai skor data testing terbaik antara sebelum dan sesudah penerapan eliminasi outlier. Algoritma identifikasi dan eliminasi yang diusulkan dalam penelitian ini mampu meningkatkan skor klasifikasi untuk data testing baik secara kolektif maupun individual dan berdasarkan pergeseran kecondongan kategori nilai skor data testing terbaik. Nilai akurasi prediksi data testing tertinggi dari salah satu subjek adalah sebesar 90% dengan peningkatan sebesar 11,05%.