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.
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 |