Seleksi Kanal Pada Electroencephalograph (EEG) Menggunakan Metode Correlation Feature Selection(CFS) Untuk Identifikasi Cybersickness

Khoirunnisaa, Alfi Zuhriya (2018) Seleksi Kanal Pada Electroencephalograph (EEG) Menggunakan Metode Correlation Feature Selection(CFS) Untuk Identifikasi Cybersickness. Masters thesis, Institut Teknologi Sepuluh November.

[thumbnail of 07111650062001-Master_Thesis.pdf]
Preview
Text
07111650062001-Master_Thesis.pdf - Accepted Version

Download (3MB) | Preview

Abstract

Cybersickness merupakan sebuah fenomena yang sering muncul ketika seseorang melihat tayangan/paparan 3D dalam jangka waktu tertentu, dengan gejala-gejala yang terjadi diantaranya mual, pusing, ketegangan mata dan kehilangan keseimbangan.
Pada penelitian ini, identifikasi cybersickness dilakukan dengan menggunakan dua metode pengukuran yaitu berdasarkan Simulator Sickness Questionnaire (SSQ) dan EEG 14 kanal. Stimulus yang digunakan untuk menginduksi gejala cybersickness adalah melalui video game “Mirror Edge” pada dua kondisi yang berbeda yaitu active game playing dan passive watching. Proses dalam mengidentifikasi cybersickness harus menghasilkan data yang akurat sehingga penggunaan EEG sangat cocok diaplikasikan mengingat EEG memiliki sensitifitas dan akurasi yang tinggi terhadap aktivitas otak manusia. Namun, terdapat kelemahan dari penggunaan EEG multikanal diantaranya semakin banyak kanal maka semakin banyak noise artefak dan membutuhkan kompleksitas algoritma yang tinggi
Oleh karena itu, fokus utama dari penelitian ini adalah melakukan seleksi kanal pada EEG menggunakan metode Correlation Feature Selection (CFS). Seleksi kanal ini bertujuan untuk menghasilkan kanal-kanal yang relevan sehingga dapat digunakan sebagai langkah awal dalam mengidentifikasi cybersickness. Selain itu, seleksi kanal bertujuan untuk meningkatkan akurasi data dan mengurangi komplesitas algoritma.
Adapun hasil seleksi kanal yang dihasilkan dari metode CFS yaitu pada kondisi active game playing didapatkan kanal AF4, FC6 dan P8. Penggunaan 3 kanal tersebut mampu meningkatkan akurasi sebesar 25% pada SVM-P dan 8,33 pada LDA dan KNN dibandingkan saat menggunakan EEG 14 kanal. Sedangkan pada kondisi passive watching menghasilkan 3 kanal terbaik yang terdiri dari AF4, FC5 dan FC6. Ketiga kanal ini mampu meningkatkan akurasi sebesar 6,25% pada LDA dan 3,125% pada KNN dan SVM-P dibandingkan ketika menggunakan 14 kanal EEG.
================= Cybersickness is a phenomenon that often occured when someone watching 3D movie or games in a certain period of time. The symptoms that occur including nausea, dizziness, eye strain and disorientation.
In this study, identification of cybersickness was done using two measurement methods that are based on Simulator Sickness Questionnaire (SSQ) and EEG 14 channel. The stimulus used to induce cybersickness symptoms is through the video game "Mirror Edge" in two different conditions: active game playing and passive watching. The process of identifying cybersickness must produce accurate data so that the use of EEG is highly applicable given the EEG has high sensitivity and accuracy to the activity of the human brain. However, there are disadvantages of using multicellular EEG such as the more channels the more noise artifacts and requires a high algorithm complexity
Therefore, the main focus of this research is to provide channel selection on EEG using the Correlation Feature Selection (CFS) method. The purpose of channel selection is to produce relevant channels that can be used as a first step in identifying cybersickness. In addition, channel selection aims to improve data accuracy and reduce algorithm complexity.
The channel selection results from the CFS method is the active game playing conditions obtained channel AF4, FC6 and P8. The use of these 3 channels is capable of increasing accuracy about 25% in SVM-P and 8.33 in LDA and KNN compared to when using EEG 14 channels. While the condition of passive watching produces the best 3 channels consisting of AF4, FC5 and FC6. All three channels are capable of increasing accuracy by 6.25% in LDA and 3.125% in KNN and SVM-P compared when using 14 EEG channels.

Item Type: Thesis (Masters)
Uncontrolled Keywords: cybersickness, EEG signal, CFS, channel selection, sinyal EEG, CFS, seleksi kanal, active game playing and passive watching.
Subjects: R Medicine > RC Internal medicine > RC386.5 Electroencephalography.
T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5102.9 Signal processing.
Divisions: Faculty of Electrical Technology > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User: ALFI ZUHRIYA KHOIRUNNISAA
Date Deposited: 01 Oct 2018 02:44
Last Modified: 10 Mar 2021 02:28
URI: http://repository.its.ac.id/id/eprint/52652

Actions (login required)

View Item View Item