Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Sistem Monitoring Gelombang Otak adalah salah satu sistem untuk memantau kondisi otak seseorang dengan memanfaatkan metode Neuro Imaging, yaitu EEG.Sistem ini memantau tingkat kesadaran pada manusia berdasarkan gelombang otaknya, seperti pada saat tertidur orang akan cenderung menghasilkan lebih banyak gelombang Delta. Sistem Monitoring Gelombang Otak mampu mengukur perubahan tingkat kesadaran berdasarkan gelombang otak yang diperoleh, yaitu pada saat tidur dihasilkan lebih banyak gelombang delta (19-20 gelombang delta) jika dibandingkan pada saat sadar (13 gelombang delta) dalam waktu 3 menit . Sistem monitoring ini diharapkan mampu untuk memantau kondisi kesadaran pada orang yang mengalami koma berdasarkan gelombang otak delta yang direkam.

---

ABSTRACT
Brain Wave Monitoring System is a system for monitoring the condition of a person's brain by utilizing the method of Neuro Imaging, which is EEG.Sistem monitor the level of consciousness in humans by brain waves, such as when asleep people will tend to result in more waves of Delta. Brain Wave Monitoring System is capable of measuring changes in the level of consciousness by brain waves are obtained, which at the time generated more sleep delta waves (delta waves 19-20) when compared at the time aware (13 delta waves) within 3 minutes. The monitoring system is expected to be able to monitor the state of consciousness in people who fell into a coma by delta brain waves are recorded.

Abstrak :
ABSTRAK

Aplikasi Meditasi berbasis EEG merupakan aplikasi yang dapat digunakan untuk mendeteksi perasaan stres seseorang dan membantunya bermeditasi dengan memanfaatkan alat EEG untuk membaca gelombang otak. Proses yang terjadi dalam aplikasi ini adalah menerima data gelombang otak dari EEG, mengubah sinyal gelombang otak dari domain waktu ke domain frekuensi dengan Fast Fourier Transform (FFT), dan mengklasifikasikan data dengan k-Nearest Neighbor (KNN). Proses klasifikasi dengan KNN diuji dengan memberikan variasi jumlah gelombang data yang digunakan serta variasi nilai k pada KNN. Dengan menggunakan nilai k = 3 dan menggunakan lima gelombang otak, yaitu gelombang delta, teta, alfa, beta, dan gama sebagai fitur dalam KNN, dapat diperoleh hasil akurasi terbaik sebesar 80% dan waktu pemrosesan tercepat sebesar 23 ms. Dalam pemakaian aplikasi meditasi, waktu rata-rata pengguna untuk dapat menurunkan tingkat stresnya adalah selama 4,2 menit. Implementasi EEG dan proses klasifikasi dengan KNN pada aplikasi meditasi ini dapat mengecek tingkat stres seseorang secara real time dan memastikan bahwa orang tersebut tidak stres lagi setelah bermeditasi.

---

ABSTRACT
EEG-based Meditation Application is an application that can be used for detecting someone's stress feeling and helping someone to meditate by using EEG to get brainwave signals. The processes that will be done in this application include collecting brainwave data from EEG, altering the brainwave signals from time domain to frequency domain with Fast Fourier Transform (FFT), and classifying data with k-Nearest Neighbor (KNN). Classification processes with KNN are tested by using variation in the number of brain waves used and using variation in the value of k used in KNN. By using k value of 3 and using five brainwaves, namely delta wave, theta wave, alpha wave, beta wave, and gamma wave as features in KNN, the best accuracy value can be gained, i.e. 80% with the fastest processing time, which is 23 ms. With the meditation application, the average time for the user to reduce the stress level is 4,2 minutes. The implementation of EEG and classification with KNN on this application makes it able to check a person's stress level in real time and to make sure that the person is de-stressed after meditation.

Abstrak :
ABSTRAK Permasalhan yang sering dihadapi oleh pilot saaat mengoperasikan instrumen kokpit adalah ketidaksesuaian pelekatan instrumen pada kokpit. Hal ini dapat menghambat kinerja pilot dan berpotensi mengakibatkan kesalahan, baik kesalaahn dalam pengenalan ataupun dalam melakukan tugas. Desain kokpit yang ergonomis akan mendukung aksebilitas dan performa pilot dalam melakukan pekerjaanya. Desain instrumen kokpit pesawat juga harus dibuat dengan berfokus pada pengguna (user-centered design). Tujuanya dari penelitian ini adalah u8ntuk mengevalusa desain instumen kokpit pesawat dari aspek ergonomi untuk mendukung kenyamanan pilot dalam mengoperasikan instrumen kokpit.

Abstrak :
ABSTRAK
Pada penelitian ini dirancang sebuah sistem pendeteksi kantuk untuk mencegah terjadinya kelalaian pengendara yang dapat menyebabkan kecelakaan dalam bentuk aplikasi berbasis Android. Dengan menggunakan Elektoensefalogram (EEG), kondisi mengantuk pada seseorang dapat dideteksi dengan cara merekam aktivitas kelistrikan yang terjadi pada otak manusia dan direpresentasikan menjadi bentuk sinyal frekuensi. Kemudian sinyal tersebut akan dikirim ke aplikasi di smartphone Android melalui Bluetooth dan akan memberikan peringatan berupa notifikasi jika kondisi mengantuk sudah terdeteksi. Sinyal akan diproses menggunakan Fast Fourier Tranform (FFT) untuk mengekstraksi fitur pada sinyal otak dan diklasifikasi menggunakan ­K-Nearest Neighbor (KNN). Sistem tersebut diharapkan dapat meminimalisir penyebab terjadinya kecelakaan yang dikarenakan oleh pengemudi yang mengantuk. Hasil yang didapatkan dari perancangan sistem pendeteksi ini menunjukkan bahwa aplikasi sudah dapat menghasilkan performa terbaik dengan tingkat akurasi tertinggi yaitu 95.24% dengan menggunakan nilai K=3 dan dengan menggunakan 4 fitur gelombang otak (Delta, Theta, Alpha, dan Beta).

---

ABSTRACT
In this research, a drowsiness detection system is an Android application and it is designed to prevent drivers negligence that can cause accidents. By using Electroencephalogram (EEG), the condition of drowsiness can be detected by recording the electrical activity that occurs in human brain and represented as a frequency signal. Then the signal will be sent to the Android application on smartphone via Bluetooth and will give an alarm notification if the drowsiness is detected. The signal will be processed using Fast Fourier Transform (FFT) to extract features in human brain signals and be classified using K-Nearest Neighbor (KNN). The system is expected to minimize the causes of accidents that caused by drowsy drivers. The results obtained from the development of this detection system indicate that the application can produce the best performance with the highest accuracy of 95.24% using the value of K = 3 and by using 4 brain wave features (Delta, Theta, Alpha, and Beta).

Abstrak :
ABSTRAK Dengan tujuan menghasilkan sebuah sistem klasifikasi gerakan genggaman tangan kanan berbasis alat EEG EMOTIV Epoc+ yang optimal dan mengacu pada elemen-elemen tahapan Brain-Computer Interface (BCI), telah didapatkan kombinasi elemen-elemen tahapan BCI dengan nilai akurasi klasifikasi paling tinggi. Adapun kombinasi elemen-elemen tersebut adalah sebagai berikut: penggunaan Independent Component Analysis (ICA), analisis spektrum oleh Fast Fourier Transform (FFT), fitur power maksimum mu berikut frekuensinya dan fitur power maksimum beta berikut frekuensinya, dan classifier Probabilistic Neural Network (PNN). Nilai akurasi klasifikasi yang didapat yaitu 81,2% untuk training dan 69,5% untuk testing. Perbandingan nilai akurasi dari perpaduan kombinasi, kondisi eksperimen, dan data EEG eksternal disediakan untuk keperluan analisis nilai akurasi klasifikasi.

---

ABSTRACT Has been obtained combination of elements of BCI stages providing the highest value of classification accuracy with the aim of producing an optimum classification system based on EEG device EMOTIV Epoc+ for right-hand grasp movement, by referring to Brain Computer Interface (BCI) stage element. The combinations of elements are the use of Independent Component Analysis (ICA), spectrum analysis by Fast Fourier Transform (FFT), maximum mu power with its frequency and maximum beta power with its frequency as features, and classifier Probabilistic Neural Network (PNN). The highest values of classification accuracy are 81,2% for training and 69,5% for testing. The comparison of accuracy value from the combination unification, experiment condition, and external EEG data are provided for the purpose of value analysis of classification accuracy.