EMAIL: PASSWORD:
Front Office
UPT. PERPUSTAKAAN
Institut Teknologi Sepuluh Nopember Surabaya


Kampus ITS Sukolilo - Surabaya 60111

Phone : 031-5921733 , 5923623
Fax : 031-5937774
E-mail : libits@its.ac.id
Website : http://library.its.ac.id

Support (Customer Service) :
timit_perpus@its.ac.id




Welcome..guys!

Have a problem with your access?
Please, contact our technical support below:
LIVE SUPPORT


Moh. Fandika Aqsa


Davi Wahyuni


Tondo Indra Nyata


Anis Wulandari


Ansi Aflacha




ITS » Master Theses » 51200-Teknik Informatika S2
Posted by tondoindra@gmail.com at 22/10/2014 18:16:34  •  1042 Views


KLASIFIKASI SINYAL EEG MENGGUNAKAN METODE FUZZY C-MEANS CLUSTERING FCM DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM ANFIS

CLASSIFICATION EEG SIGNALS USING FUZZY C-MEANS CLUSTERING FCM AND ADAPTIVE NEURO FUZZY INFERENCE SYSTEM ANFIS

Author :
NOVITASARI, DIAN CANDRA RINI  ( 5109201019 )




ABSTRAK

Epilepsi merupakan suatu penyakit saraf menahun yang menimbulkan serangan mendadak berulang-ulang yang tak beralasan. Dimana salah satu gejalanya adalah terjadi kejang. Secara kasat mata kelainan atau kerusakan syaraf tidak dapat terlihat aktifitas penderita epilepsi dapat direkam dengan menggunakan instrument EEG electroencephalography untuk memeriksa gelombang otak. Prinsip kerja EEG adalah dengan mendeteksi perubahan muatan secara tiba-tiba dari sel neuron yang ditandai dengan adanya interictal spike-and-wave pada hasil EEG. Terdapat suatu data set sinyal EEG direkam pada sukarelawan normal dan epilepsi. Pada penelitian kali ini dengan menggunakan data tersebut akan dilakukan suatu sistem klasifikasi sinyal EEG dengan berdasar pada kondisi normal dan epilepsi. Klasifikasi sinyal EEG yang akan dibangun menggunakan metode Fuzzy C-Means FCM Clustering dan Adaptive Neuro Fuzzy Inference System ANFIS. Proses awal yang dilakukan adalah proses ektraksi fitur dengan menggunakan Discrete Wavelet Transform DWT fitur akan diperoleh melalui dekomposisi wavelet dimana beberapa koefisien wavelet dihasilkan berdasarkan pada level dekomposisi yang digunakan. Proses selanjutnya melakukan clustering menggunakan FCM pada masing-masing sub-band dari koefisien wavelet. Setelah fitur terkelompok kedalam klaster-klaster pada masing-masing sub-band kemudian dilakukan perhitungan probabilitas distribusi pada masing-masing cluster pada setiap sub-band. Hasil perhitungan probabilitas distribusi inilah yang akan menjadi vektor fitur dan akan menjadi inputan pada proses klasifikasi dengan menggunakan metode ANFIS. Pada sistem yang dibangun dilakukan skema percobaan untuk penggunaan jumlah level wavelet dan jumlah cluster yang digunakan untuk mendapatkan sistem klasifikasi sinyal EEG yang optimal. Dari hasil uji coba sistem yang dibangun didapatkan kombinasi penggunaan jumlah level wavelet dan jumlah cluster yang terbaik yaitu menggunakan dekomposisi wavelet level 2 dan FCM dengan 3 cluster didapatkan akurasi 8919.


ABSTRACT

Epilepsy is a chronic neurological disease that causes repetitive sudden attack unprovoked where one of the symptoms is having a seizure. While the visible abnormalities or nerve damage can not be seen the activities of people with epilepsy can be recorded using the instrument EEG electroencephalography to examine brain waves. The working principle is to detect changes in EEG sudden charge of neuron cells characterized by interictal spike-and-wave on the EEG. There is a data set of EEG signals recorded from normal volunteers and epilepsy. By using the data we will build classification of EEG signals system and the classification system based on the EEG signals with 2 conditions normal and epilepsy. Classification of EEG signals is using Fuzzy C-Means FCM Clustering and Adaptive Neuro Fuzzy Inference System ANFIS method. First process is feature extraction using Discrete Wavelet Transform DWT the features will be obtained through the wavelet decomposition which generates some wavelet coefficients based on the level of decomposition. The second process is the reduction feature which will be carried out using FCM clustering technique on each sub-band of wavelet coefficients. Once the features are grouped into clusters in each sub-band then the probability distribution of each cluster in each sub-band is calculated. The result of probability distribution in each cluster of each sub-band is the feature vectors and will be inputed to the classification process by using ANFIS. To get an optimal EEG signals classification the experiment scheme in this research uses decomposition wavelet with different level and FCM with different number of clusters. From the test results using the 2 level wavelet and FCM with 3 clusters gives the accuracy of 8919.



KeywordsKlasifikasi; Sinyal EEG; Wavelet;Fuzzy C-Means; ANFIS
 
Subject:  Statistik matematis
Contributor
  1. Prof. Ir. Handayani Tjandrasa M.Sc, Ph.D
  2. Dr. Eng. Nanik Suciati S.Kom, M.Kom
Date Create: 18/08/2013
Type: Text
Format: PDF
Language: Indonesian
Identifier: ITS-Master-51003140000719
Collection ID: 51003140000719
Call Number: RTIf 621.398 1 Nov k


Source
Master Theses Of Informatics Engineering RTIf 621.398 1 Nov k, 2014

Coverage
ITS Community

Rights
Copyright @2013 by ITS Library. This publication is protected by copyright and per obtained from the ITS Library prior to any prohibited reproduction, storage in a re transmission in any form or by any means, electronic, mechanical, photocopying, reco For information regarding permission(s), write to ITS Library




[ Download - Open Access ]

  1.  ITS-Master-32825-5109201019-Abstract_id.pdf - 185 KB
  2.  ITS-Master-32825-5109201019-Abstract_en.pdf - 181 KB
  3.  ITS-Master-32825-5109201019-Conclusion.pdf - 193 KB




 Similar Document...




! ATTENTION !

To facilitate the activation process, please fill out the member application form correctly and completely

Registration activation of our members will process up to max 24 hours (confirm by email). Please wait patiently

POLLING

Bagaimana pendapat Anda tentang layanan repository kami ?

Bagus Sekali
Baik
Biasa
Jelek
Mengecewakan





You are connected from 3.235.66.217
using CCBot/2.0 (https://commoncrawl.org/faq/)



Copyright © ITS Library 2006 - 2020 - All rights reserved.
Dublin Core Metadata Initiative and OpenArchives Compatible
Developed by Hassan