Detail Cantuman

Elektroensefalogram (EEG) merupakan rekaman sinyal bioelektrik pada kulit
kepala yang dihasilkan oleh aktivitas neuron pada otak. Salah satu aplikasi EEG
adalah untuk mengendalikan sistem komputer melalui brain-computer interface
(BCI). BCI dapat dikembangkan pada sistem kendali perangkat elektronik
berbasis sinyal fisiologis untuk mengakomodasi aktivitas pengguna sistem dengan
keterbatasan kemampuan fisik yang signifikan. Pada penelitian ini telah
dirancang dan direalisasikan sebuah prototipe sistem berbasis sinyal EEG jenis
steady-state visually evoked potential (SSVEP) untuk melakukan kendali on-off
pada perangkat elektronik. Sistem dirancang menggunakan dua dataset SSVEP
dengan karakteristik yang berbeda: (1) delapan frekuensi dalam range 6-12 Hz
dan (2) tiga frekuensi yaitu 8, 14, dan 28 Hz. Berdasarkan karakteristik kedua
dataset, selanjutnya sinyal diproses dengan komponen-komponen berikut: filter
windowed-sinc untuk pra-pemrosesan, Fast Fourier Transform (FFT) untuk
ekstraksi fitur, dan Support Vector Machine (SVM) untuk klasifikasi fitur. Hasil
pemrosesan sinyal selanjutnya digunakan untuk mengendalikan tiga buah LED
yang merepresentasikan perangkat elektronik yang akan dikendalikan. Sistem
yang dirancang selanjutnya diuji menggunakan dua metode, yaitu pengujian
terhadap dataset dan pengujian menggunakan sinyal yang diakuisisi dari
perangkat OpenBCI. Untuk mengoperasikan sistem ini telah dibuat perangkat
lunak pemroses sinyal EEG berbasis Python sehingga menghasilkan sistem yang
portable dan cross-platform. Berdasarkan pengujian yang dilakukan dengan
dataset, secara umum sistem telah dapat berfungsi dengan cukup baik. Hasil
terbaik diperoleh dari pemrosesan sinyal dataset pertama menggunakan klasifikasi
SVM kernel Radial-Base Function (RBF) dengan akurasi hasil klasifikasi sebesar
83,26%. Hasil tersebut menunjukkan bahwa sistem akan beroperasi lebih baik
apabila frekuensi SSVEP input berada dalam range di bawah 14 Hz dengan jarak
antar-frekuensi yang berdekatan. Untuk pengujian melalui proses akuisisi sinyal
langsung, dihasilkan akurasi hasil klasifikasi yang lebih rendah, yaitu 37,5%-
54,16%. Untuk meningkatkan akurasi ini diperlukan penelitian lebih lanjut mengenai protokol akuisisi sinyal EEG-SSVEP, khususnya mengenai stimuli yang digunakan dan kondisi pengguna.