Analisa Perbandingan Short Time Fourier Transform dan Wavelet Packet Decomposition Tree Sebagai Ekstraksi Ciri Pada Klasifikasi Sinyal Electroencephalogram Menggunakan Support Vector Machine

MUHAMMAD IDRUS

Informasi Dasar

111051096
621.382 2
Karya Ilmiah - Skripsi (S1) - Reference

ABSTRAKSI: Sinyal Electroecephalogram (EEG) merupakan sinyal hasil rekaman pada penampang otak yang dikuatkan. Sinyal EEG mengandung informasi kegiatan yang sedang berlangsung di otak dan bagian tubuh yang berinteraksi dengan otak baik langsung maupun tidak langsung. Setiap aktifitas yang kita lakukan memiliki jenis dan pola sinyal yang berbeda, sehingga pengklasifikasian pada sinyal EEG perlu dilakukan untuk menentukan aktifitas yang dilakukan seseorang sesuai dari pola sinyal dihasilkan.
Sinyal EEG yang akan diambil cirinya adalah sinyal EEG dengan aktifitas baseline, counting, multiplication, rotation, dan letter-composing. Sinyal tersebut diambil cirinya dengan Short Time Fourier Transform (STFT) dan Wavelet Packet Decomposition Tree (WPDT). STFT menggabungkan domain waktu dan frekuensi untuk menghasilkan gambaran pernyataan bagaimana isi frekuensi sinyal berubah dengan waktu sedangkan WPDT mengelompokkan energi terkonsentrasi pada sekelompok kecil koefisien, sedangkan kelompok kecil lainnya hanya mengandung sedikit energi yang dapat dihilangkan tanpa mengurangi nilai informasinya.
Sebagai classifier digunakan Multiclass Support Vectror Machine (SVM) yang memiliki tingkat ketilitian yang tinggi dan running time yang lebih cepat. Hasil klasifikasi dengan ekstraksi ciri STFT 4 kelas 30.14% dan 5 kelas 24.11%. Sedangkan klasifikasi dengan ekstraksi ciri WPDT 4 kelas 98.33% dan 5 kelas 27.05%.Kata Kunci : Electroencephalogram (EEG), Short Time Fourier Transform (STFT), Wavelet Packet Decomposition Tree (WPDT), dan Support Vector Machine (SVM).ABSTRACT: Electroecephalogram signals (EEG) is recording signals in the cross-section of the brain which strengthened. EEG signal containing information of activities taking place in the brain and the body that interact with the brain either directly or indirectly. Every activity that we do have a kind and a different signal patterns, so that the classification of EEG signals necessary to determine a person activities conducted in accordance of the signal patterns generated.
EEG signals are retrieved EEG signals characterized with baseline activity, counting, multiplication, rotation, and letter-composing. Signal is taken characterized by Short Time Fourier Transform (STFT) and Wavelet Packet Decomposition Tree (WPDT). STFT domain combines time and frequency to produce a statement of how the contents of the picture signal frequency changes with time while the energy group WPDT concentrated in a small group of coefficients, while other small groups contains very little energy that can be removed without reducing the value of the information.
As a classifier used Multiclass Support Vectror Machine (SVM) which has a high level of accuracy and running time is much faster. The results of classification with feature extraction STFT 4 classes reaches 30.14% and 5 classes reaches 24.11%. While classification with feature extraction WPDT 4 classes reaches 98.33% and 5 classes reaches 27.05%.Keyword: Electroencephalogram (EEG), Short Time Fourier Transform (STFT), Wavelet Packet Decomposition Tree (WPDT), and Support Vector Machine (SVM).

Subjek

Pengolahan Sinyal Informasi
 

Katalog

Analisa Perbandingan Short Time Fourier Transform dan Wavelet Packet Decomposition Tree Sebagai Ekstraksi Ciri Pada Klasifikasi Sinyal Electroencephalogram Menggunakan Support Vector Machine
 
 
Indonesia

Sirkulasi

Rp. 0
Rp. 0
Tidak

Pengarang

MUHAMMAD IDRUS
Perorangan
Achmad Rizal, Jondri
 

Penerbit

Universitas Telkom
Bandung
2010

Koleksi

Kompetensi

 

Download / Flippingbook

 

Ulasan

Belum ada ulasan yang diberikan
anda harus sign-in untuk memberikan ulasan ke katalog ini