Analisa Sistem Kendali Kursi Roda Berbasis Artefak Electoencephalography Menggunakan Brain Computer Interface Dengan Metode Klasifikasi Decision Tree

Walizaqhi, Ridhoallbis (2025) Analisa Sistem Kendali Kursi Roda Berbasis Artefak Electoencephalography Menggunakan Brain Computer Interface Dengan Metode Klasifikasi Decision Tree. S1 thesis, Universitas Andalas.

	Text (Cover + Abstrack) Cover + Abstrack.pdf - Published Version Download (336kB)
	Text (BAB 1 PENDAHULUAN) BAB 1.pdf - Published Version Download (391kB)
	Text (BAB 5 PENUTUP) BAB 5.pdf - Published Version Download (314kB)
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Download (404kB)
	Text (Skripsi Full Text) Full Skripsi.pdf - Published Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Penyandang disabilitas, terutama mereka yang mengalami kelumpuhan akibat stroke atau gangguan motorik lainnya, menghadapi keterbatasan signifikan dalam mobilitas. Kursi roda elektrik dengan kendali joystick menjadi solusi umum, namun tidak ramah bagi pengguna yang mengalami kelumpuhan pada tangan. Brain-Computer Interface (BCI) berbasis Electroencephalography (EEG) hadir sebagai alternatif inovatif yang mampu menerjemahkan sinyal otak atau artefak otot wajah menjadi perintah kendali perangkat. Penelitian ini mengusulkan pemanfaatan sinyal artefak EEG dari kedipan mata dan gerakan rahang sebagai metode input, sehingga dapat digunakan oleh orang yang mengalami kelumpuhan pada bagian lengan dan kaki. Penelitian ini bertujuan mengembangkan sistem kendali kursi roda berbasis artefak EEG melalui klasifikasi sinyal menggunakan metode Decision Tree, yang mampu mengenali pola aktivitas kedipan mata dan gerakan rahang sebagai perintah navigasi. Sinyal EEG direkam secara non-invasif dari empat kanal (Fp1, Fp2, C3, C4) menggunakan headset EEG Ultracorteks Mark IV dan OpenBCI. Fitur yang digunakan berupa amplitudo sinyal absolut. Data dari 10 subjek diklasifikasikan menggunakan algoritma Decision Tree untuk delapan perintah: ON/OFF, maju, mundur, belok kiri, belok kanan, haluan kiri, haluan kanan, dan berhenti. Sistem klasifikasi menghasilkan akurasi sebesar 98,22% dan uji kendali aktual pada kursi roda mencatat keberhasilan manuver sebesar 94,6% pada semua gerakan dan waktu tempuh rata-rata selama 48,59 detik pada lintasan 20 meter. Waktu komputasi yang rendah memungkinkan sistem merespons sinyal secara real-time. Sistem kendali kursi roda berbasis artefak EEG yang dikembangkan terbukti akurat, efisien, dan ramah pengguna. Penggunaan Decision Tree memberikan stabilitas dan interpretabilitas tinggi terhadap fluktuasi sinyal. Sistem ini berpotensi menjadi solusi mobilitas yang praktis dan efektif bagi penyandang disabilitas dengan keterbatasan motorik.Penyandang disabilitas, terutama mereka yang mengalami kelumpuhan akibat stroke atau gangguan motorik lainnya, menghadapi keterbatasan signifikan dalam mobilitas. Kursi roda elektrik dengan kendali joystick menjadi solusi umum, namun tidak ramah bagi pengguna yang mengalami kelumpuhan pada tangan. Brain-Computer Interface (BCI) berbasis Electroencephalography (EEG) hadir sebagai alternatif inovatif yang mampu menerjemahkan sinyal otak atau artefak otot wajah menjadi perintah kendali perangkat. Penelitian ini mengusulkan pemanfaatan sinyal artefak EEG dari kedipan mata dan gerakan rahang sebagai metode input, sehingga dapat digunakan oleh orang yang mengalami kelumpuhan pada bagian lengan dan kaki. Penelitian ini bertujuan mengembangkan sistem kendali kursi roda berbasis artefak EEG melalui klasifikasi sinyal menggunakan metode Decision Tree, yang mampu mengenali pola aktivitas kedipan mata dan gerakan rahang sebagai perintah navigasi. Sinyal EEG direkam secara non-invasif dari empat kanal (Fp1, Fp2, C3, C4) menggunakan headset EEG Ultracorteks Mark IV dan OpenBCI. Fitur yang digunakan berupa amplitudo sinyal absolut. Data dari 10 subjek diklasifikasikan menggunakan algoritma Decision Tree untuk delapan perintah: ON/OFF, maju, mundur, belok kiri, belok kanan, haluan kiri, haluan kanan, dan berhenti. Sistem klasifikasi menghasilkan akurasi sebesar 98,22% dan uji kendali aktual pada kursi roda mencatat keberhasilan manuver sebesar 94,6% pada semua gerakan dan waktu tempuh rata-rata selama 48,59 detik pada lintasan 20 meter. Waktu komputasi yang rendah memungkinkan sistem merespons sinyal secara real-time. Sistem kendali kursi roda berbasis artefak EEG yang dikembangkan terbukti akurat, efisien, dan ramah pengguna. Penggunaan Decision Tree memberikan stabilitas dan interpretabilitas tinggi terhadap fluktuasi sinyal. Sistem ini berpotensi menjadi solusi mobilitas yang praktis dan efektif bagi penyandang disabilitas dengan keterbatasan motorik.

Actions (login required)

View Item