Klasifikasi Data Eeg Untuk Mendeteksi Keadaan Tidur Dan Bangun Menggunakan Autoregressive (Ar) Model Dan Support Vector Machine (Svm)

Mahendra, Yunan Helmi (2016) Klasifikasi Data Eeg Untuk Mendeteksi Keadaan Tidur Dan Bangun Menggunakan Autoregressive (Ar) Model Dan Support Vector Machine (Svm). Undergraduate thesis, Institut Teknologi Sepuluh Nopember Surabaya.

[img]
Preview
Text
5112100077-undergraduate-theses-.pdf - Published Version

Download (1MB) | Preview

Abstract

Tidur merupakan kebutuhan dasar manusia. Fungsi tidur antara lain untuk pemulihan energi, pemugaran otak, meningkatkan fungsi imunitas. Sehingga orang yang memiliki gangguan tidur akan menyebabkan menurunnya sistem kekebalan tubuh. Salah satu gangguan tidur yang cukup berbahaya adalah narkolepsi, yaitu gangguan tidur kronis yang ditandai dengan rasa kantuk yang luar biasa di siang hari dan serangan tidur yang terjadi secara tiba-tiba. Salah satu metode dokter untuk mendiagnosis penyakit narkolepsi adalah dengan melihat aktivitas gelombang otak (melalui sinyal EEG) pasien pada saat tertidur. Tugas akhir ini bertujuan untuk mengembangkan perangkat lunak yang dapat mengklasifikasikan keadaan tidur dan bangun melalui sinyal EEG menggunakan metode Autoregressive (AR) Model sebagai metode ekstraksi fitur dan Support Vector Machine (SVM) sebagai metode klasifikasi.. Dataset EEG yang digunakan tersedia di Physionet. Pertama-tama data EEG yang menjadi masukan dilakukan normalisasi dan filtering. Proses filtering dilakukan untuk membagi data menjadi 3 subband yaitu theta, alpha, dan beta. Setelah itu pada masing-masing subband dilakukan tahap viii ekstraksi fitur menggunakan Autoregressive Model. Hasil estimasi koefisien AR model digunakan sebagai fitur. Metode yang digunakan untuk mengestimasi koefisien AR model yaitu metode Yule-Walker dan metode Burg. Dataset dibagi menjadi data latih dan data uji menggunakan 10-fold cross validation. Data training digunakan untuk membuat SVM Model. SVM Model digunakan untuk mengklasifikasikan data testing sehingga menghasilkan keluaran label 1 untuk tidur dan label 0 untuk bangun. Untuk menentukan kelas final dilakukan majority vote dari hasil klasifikasi masing-masing subband. Performa sistem diperoleh dengan menghitung akurasi, presisi, dan sensitivitas pada setiap skenario uji coba. Skenario uji coba yang dilakukan antara lain dengan memvariasikan order AR, fungsi kernel, dan parameter C pada SVM. Dari hasil uji coba yang dilakukan, metode Yule-Walker menghasilkan rata-rata akurasi 80.60%, presisi 78.19%, dan sensitivitas 77.56%. Metode Burg menghasilkan akurasi 94.01%, presisi 95.70%, dan sensitivitas 93.39%. Hasil tersebut menunjukkan metode Burg memiliki performa lebih baik dibandingan dengan metode Yule- Walker. =========================================================== Sleep is basic human necessity. Sleep function is for energy recovery, restoration of the brain, and boost immunity. People who have sleep disorder will lead to decreased immune system. One of the dangerous sleep disorders is narcolepsy. Narcolepsy is a chronic sleep disorder characterized by excessive sleepiness during the day and sleep attacks that occur suddenly. Usually, doctors diagnose narcolepsy by looking at brain wave activity (through EEG signal) of patients during sleep. The purpose of this final project is to develop software for classification of EEG data to detect sleep and awake condition through EEG signals using autoregressive (AR) model as a feature extraction method and support vector machine (SVM) as a classification method. EEG sleep dataset was provided by Physionet. First, EEG data are normalized and filtered. The aim of filtering process is to split data into three subbands: theta, alpha, beta. For each subband, feature extraction is done using by autoregressive (AR) model. The results of estimated coefficients of AR model are used as features. The methods used to estimate coefficients of AR model are Yule-Walker method and Burg method. Dataset is divided into training data and testing data using 10-fold cross validation. x Training data is used to create SVM model. SVM Model is used to classify testing data which will produce output label 1 for sleep and label 0 for awake. Final class will be determined by majority voting of the classification results of each subband. System performance is obtained by calculating accuracy, precision, and sensitivity in each experiments. Experiments were performed by varying order AR model, kernel function of SVM, and parameter C of SVM. The average of accuracy, precision, and sensitivity that obtained when using Yule-Walker method respectively are 80.60%, 78.19%, and 77.56%. The average of accuracy, precision, and sensitivity that obtained when using Burg method respectively are 94.01%, 95.70%, and 93.39%. These result showed that Burg method outperfomed Yule-Walker method.

Item Type: Thesis (Undergraduate)
Additional Information: RSIf 621.398 1 Mah k
Uncontrolled Keywords: Autoregressive Model, Elektroensefalografi, Support Vector Machine, Tidur
Subjects: Q Science > QA Mathematics > QA76.76.A63 Application program interfaces
Divisions: Faculty of Information and Communication Technology > Informatics > 55201-(S1) Undergraduate Thesis
Depositing User: EKO BUDI RAHARJO
Date Deposited: 26 Nov 2019 06:43
Last Modified: 26 Nov 2019 06:43
URI: http://repository.its.ac.id/id/eprint/72043

Actions (login required)

View Item View Item