Hasil Pencarian  ::  Simpan CSV :: Kembali

"Elektroensefalografi (EEG), adalah metode perekaman aktivitas kelistrikan otak pada kulit kepala. Aktivitas kelistrikan ini direkam dan diubah menjadi sinyal amplitudo tegangan. Hasil sinyal yang sudah diproses ini akan terklasifikasi pengguna melakukan perintah atau tidak. Sistem ini adalah purwarupa untuk pengembangan Sistem Pengendalian Tangan Artifisial Dengan EEG yang berfungsi menggerakkan tangan artifisial dengan bantuan sinyal gelombang otak. Sistem ini bekerja dengan mendeteksi keberadaan sinyal ERP P300 dalam sinyal EEG. Dalam penelitian ini, metode untuk menganalisis data EEG adalah filtrasi, ekstraksi P300 dan algoritma klasifikasi Support Vector Machines (SVM). Dari metode yang digunakan akan menunjukkan nilai rekognisi yang akan dibandingkan antar filtrasi, ekstraksi dan klasifikasi sehingga menghasilkan Filtrasi dengan Chebyshev Type I Orde 5 dengan nilai rekognisi 61.07%, ekstraksi fitur dengan Independent Component Analysis (ICA) dengan nilai rekognisi 58.64 %, dan klasifikasi data dengan Back Propagation Neural Network dengan nilai 59.97 % adalah algoritma yang paling efektif.

---

Electroencephalography (EEG), is a method of recording the brain's electrical activity on the scalp. This activity is recorded and converted to a signal amplitude voltage. The result of this signal will be classified as a user or not. This system is a prototype for the development of an Artificial Hand Control System with EEG which functions to move the artificial hand with the help of brain wave signals. This system works by detecting the presence of an ERP P300 signal in the EEG signal. In this study, methods for analyzing EEG data were filtration, extraction P300, and Support Vector Machines (SVM) classification algorithms. From the method used will show the value of recognition that will be compared between filtration, extraction and classification so as to produce Filtration with Chebyshev Type I Order 5 with recognition value of 61.07%, feature extraction with Independent Component Analysis (ICA) with recognition value of 58.64%, and data classification with Back Propagation Neural Network with a value of 59.97% is the most effective algorithm.

"

"Elektroensefalografi (EEG), adalah metode perekaman aktivitas kelistrikan otak pada kulit kepala. Aktivitas kelistrikan ini direkam dan diubah menjadi sinyal amplitudo tegangan. Hasil sinyal yang sudah diproses ini akan terklasifikasi pengguna melakukan perintah atau tidak. Sistem ini adalah purwarupa untuk pengembangan Sistem Pengendalian Tangan Artifisial Dengan EEG yang berfungsi menggerakkan tangan artifisial dengan bantuan sinyal gelombang otak. Sistem ini bekerja dengan mendeteksi keberadaan sinyal ERP P300 dalam sinyal EEG. Dalam penelitian ini, metode untuk menganalisis data EEG adalah filtrasi, ekstraksi P300 dan algoritma klasifikasi Support Vector Machines (SVM). Dari metode yang digunakan akan menunjukkan nilai rekognisi yang akan dibandingkan antar filtrasi, ekstraksi dan klasifikasi sehingga menghasilkan Filtrasi dengan Chebyshev Type I Orde 5 dengan nilai rekognisi 61.07%, ekstraksi fitur dengan Independent Component Analysis (ICA) dengan nilai rekognisi 58.64 %, dan klasifikasi data dengan Back Propagation Neural Network dengan nilai 59.97 % adalah algoritma yang paling efektif.

---

Electroencephalography (EEG), is a method of recording the brains electrical activity on the scalp. This activity is recorded and converted to a signal amplitude voltage. The result of this signal will be classified as a user or not. This system is a prototype for the development of an Artificial Hand Control System with EEG which functions to move the artificial hand with the help of brain wave signals. This system works by detecting the presence of an ERP P300 signal in the EEG signal.

In this study, methods for analyzing EEG data were filtration, extraction P300, and Support Vector Machines (SVM) classification algorithms. From the method used will show the value of recognition that will be compared between filtration, extraction and classification so as to produce Filtration with Chebyshev Type I Order 5 with recognition value of 61.07%, feature extraction with Independent Component Analysis (ICA) with recognition value of 58.64%, and data classification with Back Propagation Neural Network with a value of 59.97% is the most effective algorithm."

"ABSTRAKEmosi merupakan hasil dari aktivitas sensorik manusia baik sadar maupun tidak sadar yang dipicu oleh suatu objek atau situasi yang dialami manusia. Dalam dunia medis, emosi sangat berperan dalam kesembuhan pasien, tenaga medis sering kali mempertimbangkan emosi pasien untuk pengambilan keputusan langkah medis yang harus ditempuh. Saat ini, sistem pendeteksi emosi yang banyak digunakan adalah menggunakan raut wajah, namun sistem ini masih kurang bisa membantu tenaga medis dikarenakan ada pasien yang tidak mau atau tidak bisa memperlihatkan emosi mereka baik secara verbal maupun non-verbal. Oleh karena itu dibutuhkan sistem pendeteksi emosi yang tidak bergantung pada ekspresi emosi verbal maupun non-verbal. Penelitian ini membahas tentang perancangan sistem pendeteksi emosi menggunakan sinyal elektroensefalografi (EEG) dengan menggunakan metode ekstraksi fitur Bispectrum Wavelet. Kemudian untuk detailed coefficient akan diekstrak fiturnya menggunakan Relative Wavelet Bispectrum (RWB) dan untuk approximate coefficient akan di filter menggunakan Non-Overlap 3-D Pyramid untuk kemudian dicari mean%. Sistem pendeteksi emosi dengan menggunakan sinyal EEG dipilih karena untuk mendapatkan sinyal EEG tidak bergantung pada ekspresi emosi verbal maupun non-verbal. Dataset EEG yang digunakan didapatkan dari Database for Emotion Analysis using Physiological Signals (DEAP). Hasil mean yang didapatkan dari implementasi sistem yang diajukan pada skripsi ini adalah 76.6250% untuk valence dan 75.8594% untuk arousal. Hasil ini lebih tinggi 3.1050% untuk valence dan 2.4794% untuk arousal dibandingkan dengan hasil yang didapatkan pada paper

---

ABSTRACTEmotion is a result of humans conscious or unconscious sensorics activities that is triggered by object or situation that the human experienced. In medical world, emotion can be the key for patient healing process, doctor or medical personnel often use patients emotion to make next healing process movement. Nowadays, facial recognition is the most common emotion detection system; however, this emotion detection system is unreliable because it needs patient to show their emotion in verbal or non-verbal ways. Therefore, other emotion detection system that does not depend on humans verbal or non-verbal expression is needed. In this research, emotion detection system using electroencephalography (EEG) signal with Bispectrum Wavelet for its features extraction is discussed. Relative Wavelet Bispectrum will be used to extract features from detailed coefficient, and the approximate coefficient will be filtered and then it mean% will be calculated. EEG signal-based emotion detection system was chosen because EEG signal does not depend on humans verbal or non-verbal expression. Database for Emotion Analysis using Physiological Signals (DEAP) is used in this research. The mean result of the proposed system was 76.6250% for valence and 75.8594% for arousal. This results was higher by 3.1050% for valence and 2.4794% for arousal from the previous system"

"Penelitian ini bertujuan untuk melakukan studi awal untuk pengaruh musik terhadap aktivitas gelombang otak dengan menggunakan metode elektroensefalografi (EEG). Metode penelitian yang digunakan adalah pengambilan data EEG pada 8 partisipan sebelum dan sesudah mendengarkan musik dengan menggunakan perangkat berbasis Raspberry Pi 4 Model B dan ADS1299. Data EEG yang didapatkan kemudian dianalisis dengan metode statistik untuk menentukan apakah terdapat perubahan yang signifikan pada aktivitas gelombang otak, seperti gelombang theta, alpha, dan beta. Kami menemukan bahwa adanya peningkatan pada aktivitas gelombang alfa (8 – 13 Hz) dan theta (4-8 Hz) yang disebabkan oleh pengaruh paparan musik karya Mozart “Sonata” dan Beethoven “Pathetique” selama 15 menit berdasarkan uji statistik yang dilakukan.

---

This research aims to conduct an initial study for the effect of music on brain wave activity using electroencephalography (EEG) method. The research method used is taking EEG data on 8 participants before and after listening to music using a device based on Raspberry Pi 4 Model B and ADS1299. The EEG data obtained was then analysed using statistical methods to determine whether there were significant changes in brain wave activity, such as theta, alpha, and beta waves. We found that there was an increase in alpha (8-13 Hz) and theta (4 - 8 Hz) wave activity caused by exposure to music by Mozart "Sonata" and Beethoven "Pathetique" for 15 minutes based on the statistical tests conducted."

"Keterbatasan dalam pengoperasian kursi roda membuat ketidaknyamanan yang besar bagi penggunanya. Salah satu metode yang dapat membantu kaum yang mengalami keterbatasan dalam mengoperasikan kursi roda adalah suatu sistem yang disebut Brain-Computer Interface. Sistem ini menggunakan elektroensefalografi (EEG) sebagai sarana komunikasi antara sinyal otak pengguna dan mekanisme pengendalian kursi roda. Proses akuisisi data melibatkan penggunaan elektroda AgCl 8 kanal, Raspberry Pi 4 Model B, dan ADS1299. Teknik pengolahan sinyal, termasuk bandpass filter, Independent Component Analysis (ICA), dan analisis Power Spectral Density (PSD), diimplementasikan untuk meningkatkan kualitas sinyal EEG yang diperoleh. Tahap klasifikasi menggunakan Support Vector Machine (SVM) untuk menginterpretasikan sinyal yang telah diproses, mencapai akurasi yang mengesankan sebesar 90%, presisi sebesar 91,4%, dan sensitivitas sebesar 90%.

---

Limitations in wheelchair operation create great inconvenience for users. One method that can help people who experience limitations in operating a wheelchair is a system called Brain-Computer Interface. This system uses electroencephalography (EEG) as a means of communication between the user's brain signals and the wheelchair control mechanism. The data acquisition process involves the use of 8-channel AgCl electrodes, a Raspberry Pi 4 Model B, and an ADS1299. Signal processing techniques, including bandpass filter, Independent Component Analysis (ICA), and Power Spectral Density (PSD) analysis, were implemented to improve the quality of the acquired EEG signals. The classification stage used Support Vector Machine (SVM) to interpret the processed signals, achieving an impressive accuracy of 90%, precision of 91.4%, and sensitivity of 90%."

"Stroke adalah penyebab kematian tertinggi di Indonesia. Elektroensefalografi kuantitatif qEEG adalah suatu modalitas untuk mendeteksi stroke pada pasien dengan pemantauan berkelanjutan. Tapi, EEG membutuhkan banyak kanal sehingga semakin lama durasi komputasi dan fitur berlebih. Studi ini mengajukan Extreme Gradient Boosting XGBoost dengan reduksi fitur dan kanal; analisis komponen utama PCA atau algoritma genetik GA . Klasifikasi berdasarkan tingkat keparahan stroke dari nilai National Institutes of Health Stroke Scale NIHSS . Hasil menunjukkan PCA meningkatkan akurasi lebih tinggi dari GA; akurasi pengujian 78.67 dengan 8 kanal F7-F8, C3-C4, T1-T2, O1-O2 . Dari evaluasi nilai NIHSS, kanal-kanal perlu merepresentasikan paling utama lobus temporal dan frontal.

---

Stroke is the most leading cause of death in Indonesia. Quantitative electroencephalography qEEG was one of modality to detect stroke on inward patients with continuous monitoring. However, EEG used many channels that caused longer computation and redundant features. This study proposed Extreme Gradient Boosting XGBoost with feature and channel reduction principle component analysis PCA or genetic algorithm GA . Stroke classification was based on severity from National Institutes of Health Stroke Scale NIHSS . The result showed that PCA gained higher accuracy than GA 78.67 with 8 channels F7 F8, C3 C4, T1 T2, O1 O2 . From NIHSS score evaluation, channels should represent mostly frontal and temporal lobes."

"Brain-Computer Interface (BCI) merupakan sebuah sistem yang mampu menerjemahkan sinyal-sinyal otak menjadi perintah kepada berbagai devais keluaran. Teknologi ini kini sedang berkembang pesat terutama untuk keperluan rehabilitasi gerak bagi orang-orang yang telah kehilangan kemampuan geraknya. Dalam penelitian ini, dirancang sebuah sistem BCI yang mampu menerjemahkan sinyal otak seseorang ketika sedang melakukan pembayangan gerak (motor imagery) untuk gerakan tangan menggenggam dan membuka. Hasil terjemahan tersebut dapat digunakan untuk menggerakkan sebuah antarmuka yang membantu orang tersebut untuk bergerak menggenggam dan membuka tangan secara real-time. Sistem BCI ini menggunakan perangkat akuisisi data yang terdiri dari Raspberry Pi 4 dan ADS1299 Analog-to-Digital Converter. Sistem ini juga dikembangkan dengan menggunakan berbagai algoritma pemrosesan dan klasifikasi data, mulai dari Independent Component Analysis, Support Vector Machine, Linear Discriminant Analysis, k-Nearest Neighbours, dan Random Forest. Akurasi hasil testing klasifikasi yang dilakukan oleh sistem ini bernilai 64,6% untuk mengklasifikasi 3 jenis pembayangan gerak (menggenggam, membuka, dan diam) menggunakan algoritma SVM serta 94,7% untuk klasifikasi 2 jenis pembayangan gerak (menggenggam dan membuka) menggunakan algoritma Random Forest.

---

Brain-Computer Interface (BCI) is a system which can translate brain signals to command various output devices. This technology had been developing rapidly, especially for movement rehabilitation purposes for people with motoric disabilities. In this research, a BCI system has been developed which can translate one’s brain signals when one is imagining doing hand movement (motor imagery). The translation result can be used to drive an interface in real-time. This BCI system utilize an acquisition device, consisting of Raspberry Pi 4 and ADS1299 Analog-to-Digital Converter. Besides, this system has also been developed using several algorithms for processing and classifying data, namely Independent Component Analysis, Support Vector Machine, Linear Discriminant Analysis, k-Nearest Neighbours, and Random Forest. Testing accuracy for this system yielded a 64.6% for classifying three types of motor imagery (hand grasping, hand opening, and resting) with SVM, and 94.7% for classifying two types of motor imagery (hand grasping and hand opening only) using Random Forest."