Zaki Dema Barkah (2019) Klasifikasi Sinyal Eeg Gerakan Ekstremitas Bawah Menggunakan Wireless Eeg Headset Berbasis Extreme Learning Machine (Elm). Skripsi thesis, Universitas Airlangga.

	Text (ABSTRAK) MPF.82-19 Bar k abstrak.pdf Download (2MB)
	Text (DAFTAR ISI) MPF.82-19 Bar k daftar isi.pdf Download (1MB)
	Text (DAFTAR PUSTAKA) MPF.82-19 Bar k daftar pustaka.pdf Download (2MB)
	Text (FULL TEXT) MPF.82-19 Bar k full text.pdf Restricted to Registered users only until 6 December 2022. Download (2MB) | Request a copy

Abstract

Kemampuan untuk berjalan dan bekerja dengan baik adalah salah satu faktor utama yang membuat kehidupan setiap manusia menyenangkan. Individu yang mendertita gangguan motorik memiliki kemungkinan yang terbatas untuk berinteraksi dan mungkin memerlukan teknologi pendukung untuk memenuhi kebutuhan primer. Dalam kehidupan sehari-hari setiap individu sangatlah bergantung pada setiap anggota tubuh mereka dalam beraktivitas, lain halnya dengan para penyandang disabilitas. Para disabilitas akan merasa kurang dengan adanya cacat pada anggota tubuhnya dalam hal ini khususnya penyandang cacat pada bagian kaki. Salah satu cara untuk mengatasi permasalahan tersebut adalah dengan menggunakan Brain Computer Interface (BCI). Metode BCI untuk sinyal Electroencephalograph (EEG) merupakan salah satu metode yang paling banyak digunakan. Teknologi wireless headset EEG digunakan untuk memperoleh sinyal EEG gerakan ekstremitas bawah dalam bentuk raw data, yang kemudian di proses dalam ekstraksi ciri menggunakan Transformasi Wavelet Diskrit untuk mendapatkan ciri atau pola pada rentang frekuensi alpha (mu) dan beta. Hasil ektraksi ciri tersebut diklasifikasikan menggunakan metode Extreme Learning Machine yang memiliki kelebihan dalam hal kecepatan pembelajaran dibandingkan dengan metode Single Layer Feed Forward Network (SLFN) lainnya.

Actions (login required)

View Item