Analisis Perbandingan Kinerja Pembelajaran Mesin untuk Klasifikasi Motor Imagery Berbasis Isyarat EEG

Muhammad Thoriq Kusumo Satrio, Ir. Noor Akhmad Setiawan, S.T., M.T., Ph.D., IPM.; Ir. Wahyu Dewanto, M.T.

2025 | Skripsi | S1 TEKNIK BIOMEDIS

Electroencephalogram (EEG) merupakan salah satu alat medis yang digunakan untuk mendeteksi sinyal otak. Salah satu representasi dari sinyal otak adalah Motor Imagery. Penelitian ini bertujuan untuk melakukan analisis perbandingan kinerja algoritma pembelajaran mesin pada klasifikasi sinyal EEG Motor Imagery menggunakan dataset BCI Competition IV 2A. Dataset ini mencakup data EEG dari sembilan subjek dengan empat kelas, yaitu tangan kiri, tangan kanan, kaki, dan lidah. Masalah utama yang dihadapi adalah adanya artefak dan noise pada sinyal EEG, variabilitas antar subjek, kelas yang tidak seimbang, serta dimensi data yang tinggi, yang mempersulit proses klasifikasi.

Untuk itu, penelitian ini bertujuan untuk membandingkan performa tiga algoritma pembelajaran mesin, yaitu Support Vector Machine (SVM), Random Forest (RF), dan eXtreme Gradient Boosting (XGBoost), yang dipilih berdasarkan penelitian sebelumnya. Metodologi penelitian meliputi pra-pemrosesan data seperti normalisasi menggunakan StandardScaler dan ekstraksi fitur menggunakan Filter Bank Common Spatial Pattern (FB-CSP). Model kemudian dibangun menggunakan ketiga algoritma tersebut dan diuji dengan metode Cross Validation.

Hasil penelitian dianalisis menggunakan berbagai metrik, seperti akurasi data uji, akurasi validasi, presisi, recall, Cohen’s Kappa, dan F1-Score. Penelitian ini menemukan bahwa SVM memberikan performa terbaik dibandingkan RF dan XGBoost, dengan hasil Kappa masing-masing sebesar 85,09%, 80,81%, dan 82,53%. Hasil penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan teknologi Brain-Computer Interface (BCI) dan pengolahan sinyal EEG.

Electroencephalogram (EEG) is one of the medical devices used to detect brain signals. One of the representations of brain signals is Motor Imagery. This study aims to conduct a comparative analysis of the performance of machine learning algorithms in EEG Motor Imagery signal classification using the BCI Competition IV 2A dataset. The dataset includes EEG data from nine subjects with four classes, namely left hand, right hand, feet, and tongue. The main problems faced are the presence of artifacts and noise in EEG signals, variability between subjects, unbalanced classes, and high data dimensions, which complicate the classification process.

For this reason, this study aims to compare the performance of three algorithms, namely Support Vector Machine (SVM), Random Forest (RF), and eXtreme Gradient Boosting (XGBoost), which were selected based on previous research. The research methodology includes data pre-processing, normalization using StandardScaler, and feature extraction using the Filter Bank Common Spatial Patterns (FB-CSP). The model was built using the three algorithms and later tested using the Cross Validation method.

The results of the study were analyzed with various metrics, such as training data accuracy, validation accuracy, precision, recall, Cohen’s kappa, and F1-Score. This study found that SVM provides the best performance when compared to RF and XGBoost, with Kappa results of 85,09%, 80,81%, and 82,53%, respectively. The results of this research are expected to contribute to the development of Brain-Computer Interface (BCI) technology and EEG signal processing.

Kata Kunci : EEG, BCI-C IV 2A, Support Vector Machine, Random Forest, XGBoost