Rancang Bangun Kontrol Gerak Sederhana Kursi Roda Berbasis EEG (Electroencephalography) dengan Metode CNN (Convolutional Neural Network)

Abstract

Kecerdasan buatan merupakan sistem yang dapat mempelajari hal yang dilakukan manusia melalui sebuah komputer. Saat ini banyak sekali kecerdasan buatan yang telah dibuat untuk membantu manusia dalam mengerjakan sesuatu sebagai contohnya pada bidang elektrobiomedik. Penerapan teknologi kecerdasan buatan pada dunia medis contohnya yaitu kursi roda yang dapat dikontrol arah geraknya dengan pikiran. Penelitian ini membahas tentang pengklasifikasian menggunakan deep learning yaitu Convolutional Neural Network pada kursi roda. Data yang akan diklasifikasi adalah data dari sensor EEG dengan target arah gerak kursi roda belok kanan, belok kiri, maju, mundur dan idle. Device dari EEG berfungsi untuk merekam aktivitas sinyal listrik pada otak yang memiliki 8 elektroda. Selanjutnya data tersebut di filter dengan band pass dan notch menggunakan filter digital, setelah itu di windowing atau di cuplik. Sinyal yang telah di cuplik kemudian di fitur ekstraksi menggunakan Root Mean Square. Pengkalsifikasian dengan CNN menggunakan data hasil windowing atau data raw, dan data hasil fitur ekstraksi yaitu RMS. CNN yang digunakan pada penelitian ini adalah CNN 1 dimensi yang masukannya berupa data time series. Penelitian ini membandingkan 2 arsitektur CNN yang pertama mempunyai 3 convolutional layer dan 3 pooling layer, yang kedua mempunyai 2 convolutional layer dan 2 pooling layer. Pertama, penelitian ini membandingkan peramalan CNN menggunakan arsitektur 1 dan arsitektur 2 pada data raw dan data RMS yang akan menunjukkan nilai akurasi dan loss dengan percobaan kepada 5 responden. Akurasi merupakan nilai prediksi dari arah gerak kursi roda dengan maksimal nilainya 1, sedangkan loss adalah loss value atau kerugian dari prediksi. Nilai rata-rata akurasi pada data raw arsitektur 1 model 1 sebesar 85.486% dan model 2 sebesar 90.996% dan arsitektur 2 model 1 sebesar 85.122% dan model 2 sebesar 91.048% dengan nilai loss arsitektur 1 model 1 sebesar 0.14514 dan model 2 sebesar 0.09004 dan arsitektur 2 model 1 sebesar 0.14878 dan model 2 sebesar 0.08952. Nilai rata-rata akurasi pada data RMS arsitektur 1 model 1 sebesar 74.834% dan model 2 sebesar 72.274% dan arsitektur 2 model 1 sebesar 76.472% dan model 2 sebesar 73.748%. dengan nilai loss arsitektur 1 model 1 sebesar 0.25166 dan model 2 sebesar 0.27726 dan arsitektur 2 model 1 sebesar 0.23528 dan model 2 sebesar 0.26252. Melalui perbandingan nilai rata-rata akurasi dan loss, maka arsitektur CNN terbaik adalah arsitektur CNN yang memiliki nilai akurasi paling mendekati 1 dan nilai loss paling kecil yaitu arsitektur CNN 2. Hal ini dikarenakan arsitektur CNN 2 memiliki 3 convolutional layer dan 3 pooling layer, sehingga pembelajaran dari sistem semakin dalam dibandingkan arsitektur CNN 1. Terakhir, penelitian ini juga membandingkan seberapa akurat arsitektur CNN 2 antara kedua data yaitu data raw dan data RMS. Secara realtime pada kursi roda, klasifikasi dari gerakan sudah cukup baik dibandingkan klasifikasi gerakan menggunkan data RMS. Hal ini dikarenakan CNN sudah memiliki fitur ekstraksi sendiri. Jadi tidak perlu adanya fitur ekstraksi tambahan.