IDENTIFIKASI SINYAL ELEKTRO ENSEPHALO GRAPH (EEG) SEBAGAI PENGGERAK KURSOR DENGAN DISCRETE FOURIER TRANSFROM (DFT) DAN K-NEAREST NEIGHBORS (KNN)

Abstract

Penelitian ini menjelaskan aplikasi tetangga terdekat k yang mengeksekusi klasifikasi sinyal EEG dan menyajikan konsep metode Discrete Fourier Transfrom (DFT) untuk ekstraksi fitur dari sinyal electroencephalogram (EEG). Data yang digunakan adalah data yang mengatur subjek untuk mengontrol kursor yang bergerak di monitor dengan membayangkan gerakan tangan kanan dan tangan kiri yang diambil dari BCI Competition 2005. Data ini berisi data dari subjek, dari merekam gerakan imajinasi tangan kiri (kelas 1) dan tangan kanan(kelas 2). Pengambilan keputusan dilakukan dalam dua tahap. Pada tahap pertama, metode DFT digunakan untuk ekstraksi fitur, sedangkan pada tahap ini nilai deviasi minimum, maksimum, median, dan standar deviasi akan diambil. Fitur ini adalah input dasar untuk tetangga k-terdekat sebagai proses klasifikasi. Dalam proses klasifikasi, nilai akurasi untuk setiap tetangga akan digunakan untuk menarik kesimpulan. Hasil yang diperoleh untuk prediksi klasifikasi sinyal paling baik sebesar  65% untuk titik K=5.