PENGKLASIFIKASIAN TINGKAT DANGEROUS DRIVING BEHAVIOR MENGGUNAKAN DATA ELEKTROENSEFALOGRAFI (EEG) DENGAN PENDEKATAN MACHINE LEARNING Nama NPM Jurusan Fakultas Pembimbing
: Alisca Damayanti : 50412648 : Teknik Informatika : Teknologi Industri : Dr. Ruddy J. Suhatril, S.Kom., M.Sc.
Latar Belakang Masalah • Selama ini, penentuan kelas untuk suatu penelitian psikologi digunakan sistem kuisioner. • Elektroensefalografi (EEG) digunakan sebagai penunjang yang berbentuk rekaman gelombang elektrik sel saraf pada otak untuk melihat keterkaitan antara perubahan sinyal otak dengan tingkah laku yang dimiliki subjek (neuroscience).
Rumusan dan Batasan Masalah Rumusan masalah : 1. Bagaimana cara pengklasifikasian data EEG? 2. Bagaimana pengolahan data sinyal EEG hingga didapatkan feature descriptor yang baik untuk diuji dengan metode terbaik? Batasan Masalah :
Klasifikasi kelas dari Dangerous Driving Behavior menurut kuisioner psikologi yaitu high, normal dan low dari data sinyal Elektroensefalografi (EEG).
Tujuan
Membangun metode terbaik untuk mengklasifikasikan kelas dalam penelitian Dangerous Driving Behavior dengan sinyal Elektroensefalografi (EEG).
Alur Penelitian
Flowchart Klasifikasi Start
Aplikasi membaca data EEG semua sumber.
Menyalin data tersebut setiap subjek menjadi sebuah file
Mengambil rata-rata dari 128 sinyal menjadi 1 sinyal perdetik
Memasukan class yang didapat pada kuisioner
Mengolah data dengan algoritma Fast Fourier Transform (FFT)
Training
Testing Mengolah data dengan algoritma Power Spectrum Density (PSD) Mengambil Sinyal tertinggi pada bagian
AF3, F7, F3, FC5, T7, O1, O2, T8, FC6, F4, F8, AF4
Selesai
Kelas dari Hasil Kuisioner
Fast Fourier Transform (FFT) FFT merupakan algoritma yang efisien untuk menghitung DFT, sehingga dapat menurunkan jumlah perhitungan DFT. Transformasi fourier adalah merubah time domain menjadi frekuensi domain. Contoh:
Power Spectrum Density (PSD) PSD menunjukan kekuatan variasi (energy) sebagai fungsi dari frekuensi. PSD menunjukan mana frekuensi variasi yang lemah dan mana frekuensi variasi yang kuat. Sehingga bisa didapatkan energy tertinggi pada rentang frekuensi tertentu.
Tampilan pada Aplikasi
Feature Descriptor yang Dihasilkan
Metode yang Diujikan •
•
•
Naïve Bayes merupakan salah satu metode machine learning yang memanfaatkan perhitungan probabilitas dan statistik Support Vector Machine (SVM) digunakan untuk menemukan fungsi pemisah (klasifier) yang optimal yang bisa memisahkan dua set data dari dua kelas yang berbeda
Nearest Neighbor merupakan algoritma dimana output dari suatu data baru diklasifikasikan berdasarkan kelompok mayoritas dari tetangga terdekatnya.
Hasil Klasifikasi Support Vector Machine
Nearest Neighbor
Naïve Bayes
Tabel Hasil Klasifikasi Berdasarkan analisis dengan WEKA presentase Correctly Classified Instances: • Naïve Bayes 70% • Support Vector Machine 95% • Nearest Neighbor 95%
Kesimpulan • Dari hasil perhitungan kuisioner, kelas yang didapatkan dari 20 subjek yang dipilih acak, hanya terpenuhi 2 kelas yaitu Low dan Normal. • Data dari EEG diolah dengan algoritma Fast Fourier Transform (FFT) dan Power Spectrum Density (PSD). • Metode terbaik yang dapat digunakan untuk classify data EEG adalah Nearest Neighbor dengan jumlah subjek yang sesuai kelasnya sebanyak 19 orang (95%). • Berdasarkan nilai ROC Area, metode Nearest Neighbor yang terbaik untuk klasifikasi data EEG dengan nilai 0.982, Suport Vector Machine (SVM) sebesar 0.964.
Saran • Setelah didapatkan metode yang cocok, aplikasi yang dibuat dapat dikembangkan lebih lanjut agar dapat mengklasifikasikan subjek langsung dengan metode Nearest Neighbor. • Aplikasi dapat ditambahkan database untuk menyimpan data subjek yang telah diklasifikasikan dengan Nearest Neighbor, sebagai data acuan untuk mengklasifikasikan data dari subjek baru. • Pada penelitian ini baru didapatkan subjek yang memenuhi kelas low dan normal. Oleh karena itu, pada penelitian selanjutnya dapat dicari subjek pada kelas high. Agar aplikasi dapat menggantikan kuisioner dari sinyal Elektroensefalografi (EEG) saat simulasi dengan tiga tingkatan yaitu low, normal, dan high.
TERIMA KASIH
