Bagus Kumbara,2015
KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN
SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN
Nama : Bagus Kumbara
NIM : 1005397
Pembimbing I : Arjon Turnip, Ph.D.
Pembimbing II : Drs. Waslaluddin, M.T.
ABSTRAK
Electroencephalogram (EEG) merupakan aktifitas sinyal listrik yang berasal dari elektroda yang dipasangkan pada area otak. Komponen P300 merupakan sinyal yang dihasilkan dari sinyal EEG yang bersesuaian dengan mental proses. Pada tugas akhir ini, paradigma deteksi kebohongan berdasarkan EEG-P300 dibangun. Bandpass filter, Independent Component Analysis, Support Vector Machine (SVM) digunakan untuk filter, ekstraksi, dan klasifikasi rekaman sinyal EEG. Sinyal EEG yang bersih digunakan untuk mengetahui informasi yang disembunyikan oleh subjek, misalnya ketika sedang berbohong. Raw EEG yang awalnya memiliki amplitudo 80-2811 µV kemudian amplitudo berkurang 0-14 µV setelah remove offset dan bandpass filter mengurangi amplitudo sekitar 10-520 µV dan setelah dilakukan ICA, amplitudo sinyal berkurang 60-2240 µV. Sehingga sinyal EEG akhir setelah tahap ini memiliki nilai amplitudo 14-72 µV yang jauh berbeda dibandingkan sinyal awal. Klasifikasi yang dilakukan menghasilkan model SVM dengan akurasi 70,83% dan waktu komputasi 0.0283 detik, sehingga dapat menentukan data EEG untuk subjek berbohong atau tidak.
Bagus Kumbara,2015
KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu ABSTRACT
Electroencephalogram (EEG) is an activity of bio-electric signals that recorded from the electrodes on the scalp. P300 component is a wave that can be generated in the EEG signals correspond to mental process. In this final project, lie detection paradigm based EEG-P300 is proposed. Bandpass filter, Independent Component Analysis, Support Vector Machine (SVM) are respectively used to filter, extract, and classify the recorded EEG signal. Clean EEG signals are used to determine the hidden information by each subject such as lying or not. The raw EEG signals originally has amplitude 80-2811 μV then offset removal reduced its amplitude around 0-14 μV and bandpass filter reduced its amplitude around 10-520 μV and then after ICA process, its reduced amplitude around 60-2240 μV. So, EEG signal after the end of this stage has a amplitude 14-72 μV that much different than the initial signal. Classification was generating SVM models with 70,83% accuracy and computation time 0.0283 seconds, so svm can determine the EEG data for subjects lying or not.
