KLASIFIKASI AKTIVITAS MENTAL BERDASARKAN DATA EEG MENGGUNAKAN METODE HIBRIDNEURAL NETWORK DAN FUZZY PARTICLE SWARM OPTIMIZATION DENGAN CROSSMUTATED OPERATION

Abstract

Brain-computer Interface (BCI) merupakan sistem yang mentransformasikan aktivitas listrik otak terhadap kegiatan mental ke dalam pengontrolan sinyal. Electroencephalogram (EEG) merupakan salah satu sinyal yang diperoleh dari aktivitas listrik untuk melakukan klasifikasi terhadap akifitas mental. Neural Network banyak digunakan untuk proses klasifikasi, namun proses pelatihan dengan algoritma back-propagation (BP) yang menggunakan metode gradient steepest descent solusinya banyak terjebak kedalam minimum lokal. Tujuan penelitian untuk melakukan optimalisasi dalam proses penentuan pembobotan dari metode neural network dalam mengklasifikasikan aktivitas mental sinyal EEG. Particle Swarm Optimization digunakan untuk mengoptimalisasi bobot dari NN dengan Evolutionary Direction Operator dan Migration serta menggunakan Fuzzy Inference System untuk menentukan bobot inersia adaptif serta Cross-Mutated Operation merupakan strategi baru yang diusulkan.Metode ini menyediakan peningkatan akurasi untuk tiga pekerjaan aktivitas mental dimana rata-rata akurasi untuk subjek pertama adalah 54,20%, subjek dua 58,40% dan 54,48% untuk subjek tiga. Akurasi terbaik dari seluruh percobaan pada subjek pertama adalah 69,18%, subjek dua 67,20% dan 57,67% untuk subjek tiga. Dengan demikian metode yang diusulkan masih lebih baik dari metode sebelumnya.