Modifikasi Fitur dengan Differential Asymmetry untuk Meningkatkan Akurasi Klasifikasi EEG Motor Imagery

Teknologi Brain-Computer Interface (BCI) memungkinkan orang dengan keterbatasan kemampuan motorik berinteraksi dengan lingkungannya. Sinyal EEG yang berhubungan dengan keadaan membayangkan menggerakkan digunakan sebagai sinyal pengendali. Dalam makalah ini, sinyal EEG motor imagery dari data 2-kelas diolah menjadi fitur-fitur dan diklasifikasikan menurut kelasnya. Sebagai fitur digunakan power dan standar deviasi sinyal EEG, juga rata-rata dari nilai mutlak koefisien wavelet, dan rata-rata power dari koefisien wavelet. Tujuan dari makalah ini adalah menerapkan differential asymmetry dari fitur-fitur tersebut sebagai fitur baru untuk meningkatkan akurasi sistem. Sebagai pengklasifikasi digunakan SVM, k -NN, dan Tree . Hasil eksperimen menunjukkan bahwa untuk dataset I, penggunaan fitur differential asymmetry mampu meningkatkan akurasi hingga 47,80%, dari semula 52,20% menjadi 100%, dengan Tree sebagai pengklasifikasi. Sedangkan dataset II mampu meningkatkan akurasi sebesar 8,46%, dari semula 54,42% menjadi 62,48%.