OPTIMASI METODE CONTINUOUS CONVOLUTION NEURAL NETWORK UNTUK PENGENALAN POLA MOTOR IMAGERY PADA SINYAL ELECTROENCEPHALOGRAM

Nikova, Kartika (2024) OPTIMASI METODE CONTINUOUS CONVOLUTION NEURAL NETWORK UNTUK PENGENALAN POLA MOTOR IMAGERY PADA SINYAL ELECTROENCEPHALOGRAM. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2015091007-COVER.pdf
Download (3MB)
[img] Text (ABSTRAK)
2015091007-ABSTRAK.pdf
Download (580kB)
[img] Text (BAB 1 PENDAHULUAN)
2015091007-BAB 1 PENDAHULUAN.pdf
Download (491kB)
[img] Text (BAB 2 KAJIAN TEORI)
2015091007-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (901kB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2015091007-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2015091007-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (948kB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2015091007-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (456kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2015091007-DAFTAR PUSTAKA.pdf
Download (503kB)
[img] Text (LAMPIRAN)
2015091007-LAMPIRAN.pdf
Download (773kB)

Abstract

Perkembangan penelitian lebih lanjut menemukan bahwa manusia dengan keterbatasan gerak dapat menggunakan perangkat eskoskeleton yang dipadukan dengan sistem Brain Computer Interface (BCI). Salah satu pendekatan untuk melihat aktivitas sinyal otak adalah electroencephalogram (EEG). Temuan tersebut menyebabkan penelitian terhadap klasifikasi motor imagery berbasis sinyal EEG mulai banyak diminati. Untuk memahami lebih dalam mengenai klasifikasi sinyal EEG, penelitian ini menggunakan metode deep learning yakni Continuous Convolutional Neural Network (CNN) untuk melakukan klasifikasi pada enam kelas motor imagery, diantaranya gerakan 1) mengangkat tangan kiri, 2) menurunkan tangan kiri, 3) mengangkat tangan kanan, 4) menurunkan tangan kanan, 5) berdiri, dan 6) duduk. Subjek penelitian berjumlah 23 partisipan di Bali, Indonesia. Kontribusi penelitian ini adalah menemukan arsitektur Continuous CNN paling optimal ditinjau dari segi kinerja arsitektur serta sumber daya komputasi. Arsitektur Continuous CNN diuji melalui beberapa skenario dengan variasi pada jumlah lapisan serta ukuran kernelnya. Hasil penelitian menunjukkan bahwa arsitektur Continuous CNN yang diusung mampu melakukan klasifikasi pada enam kelas motor imagery dengan tingkat akurasi sebesar 96,41%.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Klasifikasi, Electroencephalogram (EEG), Motor Imagery, Continuous CNN, Brain Computer Interface
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Sistem Informasi (S1)
Depositing User: Kartika Nikova
Date Deposited: 25 Jun 2024 00:17
Last Modified: 25 Jun 2024 00:17
URI: http://repo.undiksha.ac.id/id/eprint/20135

Actions (login required)

View Item View Item