KLASIFIKASI DATA EEG UNTUK MENDETEKSI KEADAAN TIDUR DAN BANGUN MENGGUNAKAN AUTOREGRESSIVE MODEL DAN SUPPORT VECTOR MACHINE

• Main Authors: Yunan Helmi Mahendra, Handayani Tjandrasa, Chastine Fatichah
• Format: Article
• Language: English
• Published: Institut Teknologi Sepuluh Nopember 2017-01-01
• Series: JUTI: Jurnal Ilmiah Teknologi Informasi
• Online Access: http://juti.if.its.ac.id/index.php/juti/article/view/633
• ISSN: 1412-6389; 2406-8535

Tidur merupakan kebutuhan dasar manusia. 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. Penelitian ini bertujuan untuk mengembangkan perangkat lunak yang dapat mengklasifikasikan keadaan tidur dan bangun melalui sinyal EEG secara otomatis. 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 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.