Klasifikasi Multi-Class Motor Imagery EEG Menggunakan Metode Blending Ensemble Machine Learning

DENI KURNIANTO N, Ir. Noor Akhmad Setiawan, S.T., M.T., Ph.D., IPM.; Ir. Hanung Adi Nugroho, S.T., M.E., Ph.D.

2022 | Tesis | MAGISTER TEKNOLOGI INFORMASI

Electroencephalography (EEG) adalah teknik untuk mengukur aktivitas listrik di kulit kepala. EEG mendeteksi fluktuasi tegangan yang disebabkan oleh arus ion di neuron otak. Penelitian tentang EEG saat ini semakin berkembang, khususnya di bidang motor imagery. Permasalahan yang dihadapi dalam penelitian dengan multi- class motor imagery EEG adalah rendahnya akurasi yang dihasilkan dengan model single classifier. Masalah yang muncul ketika diterapkan dalam multi-class data adalah variance dan bias. Oleh karena itu, diperlukan metode ensemble learning yang merupakan model gabungan dari classifier, sehingga dapat mengatasi permasalahan yang ada pada klasifikasi multi-class motor imagery EEG. Metode yang digunakan dalam penelitian ini adalah eksperimental, dimana tahapannya dimulai dengan preprocessing, ekstraksi fitur dengan wavelet packet decomposition dan common spatial patterns, penerapan seleksi fitur dengan model based feature selection dan klasifikasi menggunakan ensemble learning yang meliputi algoritme bagging dengan random forest dan extra trees, algoritme boosting dengan adaptive boosting dan gradient boosting, stacking dan blending dengan kombinasi random forest, extra trees, dan KNN. Setelah proses klasifikasi, langkah selanjutnya adalah uji statistik dengan friedman test yang dilanjutkan dengan uji post hoc dengan dunn-bonferroni test. Berdasarkan hasil klasifikasi, model ensemble learning yang paling baik adalah model blending dengan rata-rata akurasi sebesar 80,68% dan waktu eksekusi sebesar 66,7148 detik.

Electroencephalography (EEG) is a technique for measuring electrical activity in the scalp. The EEG detects fluctuations caused by ion currents in brain neurons. Research on EEG is currently growing, especially in the field of motor imagery. The problem encountered in research with multi-class motor imagery EEG is the low accuracy produced by the single classifier model. Problems that arise when applied to multi-class data are variance and bias. Therefore, an ensemble learning method is needed which is a combination of classifiers, so that it can overcome the problems that exist in the classification of multi-class motor imagery EEG. The method used in this study is experimental, where the stages begin with preprocessing, feature extraction with wavelet packet decomposition and common spatial patterns, application of feature selection with model-based feature selection and classification using ensemble learning which includes bagging algorithms with random forests and extra trees, boosting algorithm with adaptive boosting and gradient boosting, stacking and blending with a combination of random forest, extra trees, and KNN. After the classification process, the next step is a statistical test with the Friedman test, followed by a post hoc test with the Dunn-Bonferroni test. Based on the classification, the best ensemble learning model is the blending model with an average accuracy of 80.68% and an execution time of 66.7148 seconds.

Kata Kunci : BCI, ensemble learning, EEG, klasifikasi, motor-imagery