Analisis Komparasi Metode Baseline Reduction pada Motor Imagery Berbasis Sinyal Electroencephalogram

Dewi, Desak Putu Eka Komala (2024) Analisis Komparasi Metode Baseline Reduction pada Motor Imagery Berbasis Sinyal Electroencephalogram. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2015091014-COVER.pdf
Download (1MB)
[img] Text (ABSTRAK)
2015091014-ABSTRAK.pdf
Download (308kB)
[img] Text (BAB 1 PENDAHULUAN)
2015091014-BAB 1 PENDAHULUAN.pdf
Download (318kB)
[img] Text (BAB 2 KAJIAN TEORI)
2015091014-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (443kB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2015091014-BAB 3 METODOLOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (660kB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2015091014-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (550kB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2015091014-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (258kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2015091014-DAFTAR PUSTAKA.pdf
Download (266kB)
[img] Text (LAMPIRAN)
2015091014-LAMPIRAN.pdf
Download (302kB)

Abstract

Dengan pesatnya perkembangan teknologi dalam era Internet of Things (IoT), salah satu manfaat signifikan adalah pengembangan Brain-Computer Interface (BCI) berbasis sinyal Electroencephalogram (EEG) untuk membantu komunikasi pasien dengan gangguan neuromotor. Penelitian ini berfokus pada komparasi tiga metode Baseline Reduction (Difference, Relative Difference, dan Fractional Difference) dalam pengenalan motor imagery menggunakan machine learning dengan metode klasifikasi Decision Tree. Dalam perekaman sinyal EEG, dilakukan sebanyak empat kali dengan durasi 10 menit pada masing-masing perekaman. Dataset yang diperoleh dibagi menjadi enam kelas sesuai skenario: mengangkat tangan kiri, menurunkan tangan kiri, mengangkat tangan kanan, menurunkan tangan kanan, berdiri, dan duduk. Penelitian menunjukkan bahwa Baseline Reduction meningkatkan akurasi karakterisasi pola sinyal EEG. Metode Relative Difference dan Fractional Difference menunjukkan peningkatan signifikan dibandingkan metode Difference. Berdasarkan evaluasi menggunakan parameter Accuracy, Error, Precision, Recall, dan F1 Score, metode Relative Difference mencapai akurasi tertinggi sebesar 73%. Meskipun hasil Relative Difference dan Fractional Difference serupa, Relative Difference terbukti sebagai metode terbaik untuk karakterisasi pola sinyal EEG, menunjukkan peningkatan akurasi yang signifikan tanpa perlu kombinasi kompleks.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Baseline Reduction, Motor Imagery, Electroencephalogram, Machine Learning
Subjects: Q Science > Q Science (General)
T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Sistem Informasi (S1)
Depositing User: Desak Putu Eka Komala Dewi
Date Deposited: 20 Jul 2024 01:26
Last Modified: 20 Jul 2024 01:26
URI: http://repo.undiksha.ac.id/id/eprint/20752

Actions (login required)

View Item View Item