Klasifikasi Kondisi Berpikir Berdasarkan Sinyal EEG Menggunakan Metode Backpropagation

Pengamatan mengenai aktivitas gelombang otak dapat dihasilkan dari pengukuran sinyal otak menggunakan elektroensephalogram (EEG) yaitu aktivitas dari gelombang otak yang direkam melalui kulit kepala. Pada penelitian sebelumnya, klasifikasi mengenai kondisi berpikir terhadap kondisi rileks dan non-rileks sudah pernah dilakukan menggunakan wavelet dan analisis spektral daya, namun akurasi yang didapatkan masih rendah. Pada penelitian ini metode yang digunakan adalah ekstraksi wavelet dan metode backpropagation. Kemudian data masukan sinyal EEG direkam menggunakan kanal FP1 terhadap 20 naracoba terhadap kondisi rileks dan non-rileks dengan frekuensi sampling sebesar 512 Hz. Data sinyal EEG akan disegmentasi terlebih dahulu selama 2 detik dan kemudian diekstraksi menggunakan wavelet dengan filter daubechies4 dimaksudkan untuk mereduksi sinyal EEG yang bercampur noise menjadi gelombang teta, alfa, dan beta yang digunakan sebagai data masukan pada tahap klasifikasi. Target keluaran pada tahap klasifikasi ini terdiri dari dua kelas yaitu kelas rileks dan non-rileks. Hasil dari pengujian terhadap 5 naracoba pada penelitian ini menunjukkan dapat meningkatkan akurasi pada tahap klasifikasi dengan akurasi sebesar 70,33% terhadap kondisi rileks dan non-rileks. Parameter yang digunakan pada pelatihan backpropagation yaitu, learning rate sebesar 0,2, minimal error sebesar 0,001, dan epoch sebesar 1000. Sistem klasifikasi ini telah diaplikasikan ke dalam perangkat lunak.

Observations on the activity of brain waves can be generated from measurements of brain signals using electroensephalogram (EEG) is the activity of brain waves that were recorded through the scalp. In previous studies, the classification of the conditions thought to the relaxed state and non-relaxed has been done using wavelet and power spectral analysis, but the accuracy obtained are still low. In this study, the method used is the wavelet extraction and backpropagation method. Then the input data recorded using the EEG signal channels to 20 subject FP1 to a relaxed state and non-relaxed with a sampling frequency of 512 Hz. EEG signal data to be segmented in advance for 2 seconds and then extracted using a wavelet filter daubechies4 intended to reduce noise EEG signals are mixed into a theta wave, alpha, and beta is used as input data in the stage classification. Target output at the classification stage consists of two classes, namely class relaxed and non-relaxed. Results of the tests on 5 subject this research shows may increase accuracy in the classification phase with an accuracy of 70.33% against the relaxed and non-relaxed condition. The parameters used in the training of backpropagation namely, learning rate of 0.2, the minimum error of 0.001, and the epoch of 1000. This classification system has been applied to the software.