Cover
PUBLIC karya Lembar Pengesahan
PUBLIC karya Abstrak
PUBLIC karya Abstract
PUBLIC karya Tesis
PUBLIC karya
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%.