SELEKSI FITUR SINYAL EEG MI MENGGUNAKAN ALGORITME KOMBINASI FIREFLY DAN SUPPORT VECTOR MACHINE

YABES DWI NUGROHO, Noor Akhmad Setiawan., S.T., M.T., Ph.D ; Dr.Eng. Sunu Wibirama.,S.T., M.Eng

2018 | Tesis | MAGISTER TEKNIK ELEKTRO

Tujuan klasifikasi sinyal EEG pada motor imagery (MI) adalah untuk mengetahui pola pergerakan tubuh yang dihasilkan dari sinyal otak. Hasil pola tersebut mampu digunakan dalam dunia medis untuk membantu penyandang disabilitas. Pola EEG dapat diperoleh melalui proses analisa algoritme klasifikasi, linear discriminant analysis (LDA), dan k-nearest neighbor (KNN). Akan tetapi, terdapat beberapa masalah dalam proses klasifikasi sinyal EEG yaitu ruang fitur yang terlalu tinggi. Ruang fitur terkait jumlah n-dimensional, sedangkan n-dimensional sama dengan jumlah fitur yang digunakan untuk menggambarkan pola. Dalam ruang fitur yang terlalu tinggi tersebut tidak semua dari fitur tersebut akan digunakan dan berguna untuk proses klasifikasi dan menggambarkan pola seperti pada rekaman sinyal EEG dataset IIa dan dataset IVa. Fitur yang tidak relevan dan berlebihan bahkan dapat mengurangi akurasi klasifikasi. Oleh karena itu seleksi fitur sangat penting dalam proses klasifikasi EEG, hal ini dikarenakan fitur yang terseleksi mampu meningkatkan akurasi. Pada penelitian seleksi fitur yang digunakan adalah metode metaheuristic algoritme firefly dengan kombinasi SVM. SVM dipilih karena mampu mengatasi masalah klasifikasi linier dan nonlinier, memiliki tingkat kesalahan yang relatif kecil, dan mampu mengatasi overfitting. Tujuan keseluruhan penelitian ini untuk mendapatkan fitur yang relevan untuk meningkatkan kinerja klasifikasi dan meingkatkan akurasi. Untuk mendapatkan akurasi yang baik, maka diperlukan beberapa tahapan dimulai dari pra pengolahan, ektraksi fitur dan klasifikasi. Pada bagian prapengolahan menggunakan butterworth untuk menyaring noise yang terdapat pada data sinyal EEG. Pada penelitian proses ekstraksi fitur menggunakan Common spatial pattern (CSP) metode CSP mempunyai keunggulan yaitu mampu memaksimal varians kelas yang satu dan meminimalkan kelas yang satu secara bersamaan. Pada tahapan klasifikasi, penelitian ini menggunakan algoritme firefly sebagai algoritme seleksi fitur dan akan dibandingkan dengan kombinasi metaheuristik lainnya yaitu genetic algoritme SVM dan particle swarm optimization SVM. Hasil akurasi dari metode yang digunakan diuji normalitas dan uji hipotesis untuk mengetahui signifikan hasil yang didapatkan. Dari hasil perhitungan pada dataset IVa dan dataset IIa dengan menggunakan FASVM, GASVM dan PSOSVM. Hasil yang didapatkan cukup siginifikan dalam pengujian hipotesis dan akurasi yang diperoleh cukup baik. Pada dataset IIa nilai akurasi tertinggi dari rerata tiap subjek adalah 95,60. Pada datasetIVa akurasi tertinggi pada GASVM yaitu 98.8%, FASVM 98,57 %, PSOSVM 97,5%. Dengan adanya pemilihan seleksi fitur yang berpengaruh dalam peningkatan kinerja klasifikasi menjadi lebih baik dan signifikan. Berdasarkan hasil tersebut, diharapkan dapat digunakan dalam dalam perancangan aplikasi atau sistem BCI yang terkait dengan motor imagery untuk membantu pasien penderita stroke.

The purpose of EEG signal classification in motor imagery (MI) is to find out the pattern of body movements from brain signals. PatternEEG signals used in medical to help people with disabilities. EEG patterns are obtained through several classification algorithm analysis processes such as linear discriminant analysis (LDA), and k-nearest neighbor (KNN). However, there are some problems in the EEG signal classification process that feature space is too high. The corresponding feature space is based on the n-dimensional, whereas n-dimensional is equals the number of features used to describe the pattern. In the high feature space, not all of these features are used and useful for the classification process and describing patterns such as the IIa dataset and IVa dataset EEG signal recordings. Irrelevant and excessive features can reduce classification accuracy. Therefore, feature selection is very important in the EEG classification process, this is because the selected features can improve accuracy. In this research feature selection used metaheuristic algorithm firefly method with SVM combination. SVM is used because it is able to solve linear and nonlinear classification problems, has a relatively small error rate, and is able to overfit. The goal of research was to obtain relevant features to improve classification performance and improve accuracy. To get the best accuracy, this research takes several stages starting from pre-processing, feature extraction and classification. In the pre-processing section, we use butterworth to filter the noise contained in the EEG signal data. In the feature extraction process research, we use the common spatial pattern (CSP) CSP method has the advantage of being able to maximize the variance of one class and minimize one class simultaneously. At the classification stage, this study uses firefly algorithm as feature selection algorithm and will be compared with other metaheuristic combinations of SVM genetic algorithm and particle swarm optimization SVM. Results from proposed method used in statistic process such as tested normality and hypothesis test to know the significant results obtained. The results of calculations on the IVA dataset and dataset IIa using FASVM, GASVM and PSOSVM. The results obtained are significant in hypothesis testing and the accuracy obtained increases. In the dataset IIa the highest accuracy value of the average of each subject is 95.60. In the highest accuracy dataset IVa on GASVM is 98.8%, FASVM 98.57%, PSOSVM 97.5%. The use of feature selection selection that has an effect on improving classification performance is better and more significant. Based on these results, it is expected to be used in the design application or BCI system associated with motor imagery to help patients with stroke.

Kata Kunci : EEG, Klasifikasi sinyal EEG, Seleksi fitur, Butterworth, Common spatial pattern, Firefly, genetic algoritme, particle swarm optimization , SVM.