Abstrak Dalam penelitian ini dijelaskan aplikasi dari k-nearest neighbor (Knn) sebagai klasifikasi dan Regresi Parabolik untuk ekstraksi fitur da ri gelombang sinyal Electro Encephalo Graph (EEG). Penelitian ini bertujuan untuk mengembangkan suatu sistem yang dapat mengidentifikasi sinyal EEG yang digunakan pada pergerakan kursor. Data yang digunakan adalah data EEG yang merupakan dataset IA dari BCI kompetisi 2003 (BCI Kompetisi 2003). Data ini berisi data dari subyek, yaitu kelas 0 ( untuk pergerakan kursor ke atas dan kelas 1 ( untuk pergerakan kursor ke ba wah ). Pengambilan keputusan dilakukan dalam dua tahap. Pada tahap pertama , Regresi Parabolik digunakan untuk mengekstrak fitur dari data sinyal EEG. Fitur ini sinput pada Knn. Penelitian ini menggunakan satu fitur dari metode Regresi Parabol ik. Pada proses identifikasi ke dalam dua kelas file data sinyal EEG, terdapat 300 da ta training file sinyal EEG dan 300 d a ri d a ta te s t i n g file sinyal EEG, sehingga k e s e l u r u ha n menjadi 600 file data sinyal EEG. Hasil yang diperoleh untuk pengklasifikasian s inyal ini adalah 81 % dari 600 file data sinyal yang diuji.
[1]
Tauseef Gulrez,et al.
Brain-computer interface: Next generation thought controlled distributed video game development platform
,
2008,
2008 IEEE Symposium On Computational Intelligence and Games.
[2]
Yan Guozheng,et al.
EEG feature extraction based on wavelet packet decomposition for brain computer interface
,
2008
.
[3]
Onder Aydemir,et al.
A polynomial fitting and k-NN based approach for improving classification of motor imagery BCI data
,
2010,
Pattern Recognit. Lett..
[4]
Justin Werfel,et al.
BCI competition 2003-data set Ia: combining gamma-band power with slow cortical potentials to improve single-trial classification of electroencephalographic signals
,
2004,
IEEE Transactions on Biomedical Engineering.