1. Home
  2. Lainnya

Pra-Proses Ekstraksi Fitur Klasifikasi

3.2.4 Pembuatan AplikasiProgram

Program pendeteksi kebohongan dibuat untuk memudahkan proses pengklasifikasian sinyal deteksi kebohongan. Program ini dibuat dengan menggunakan GUIBuilder pada MATLAB. Tahapan dalam pembuatan program ini adalah: a. Analisis Dalam tahapan ini merupakan awalan dalam melakukan analisis kebutuhan sistem yang selanjutnya akan didefinisikan sebagai kebutuhan yang harus dipenuhi dalam sistem. b. Desain Dalam tahapan desain ditujukan untuk memudahkan pemahaman mengenai proses pengerjaanalur dari sistem. c. Coding Menterjemahkan desain yang telah dibuat kedalam bahasa mesin yang dimengerti oleh perangkat komputer. Pada penelitian ini, coding dilakukan dengan menggunakan software MATLAB. d. Testing Pegujian program dilakukan untuk mengetahui kesalahan error yang terjadi pada program yang telah dibuat. Bagus Kumbara,2015 KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan

Dari hasil penelitian deteksi kebohongan sinyal EEG P300 dapat disimpulkan : 1. Sinyal P300 menghasilkan respon sesuai dengan stimulus yang diberikan kepada subjek. Dalam mendeteksi kebohongan stimulus Probe digunakan sebagai data karena dalam stimulus ini informasi mengenai kebohongan terbangun. 2. Ekstraksi fitur yang dilakukan terhadap sample data dari stimulus Probe memberikan ciri amplitudo terhadap sampel data sehingga dapat digunakan sebagai input data untuk proses klasifikasi. 3. Klasifikasi menggunakan support vector machine menghasilkan model svm dengan akurasi sebesar 70.83 dengan waktu komputasi 0.0283 detik. Metode SVM dapat diterapkan untuk deteksi kebohogan sinyal EEG.

5.2 Saran

Berikut adalah saran yang ditujukan untuk penelitian lebih lanjut deteksi kebohongan: 1. Penelitian dengan metode eksperimen lain contoh : Metode Concealed Information Test dapat digunakan untuk melihat hasil dari sinyal EEG untuk deteksi kebohongan. 2. Dilakukan penelitian lebih lanjut mengenai ekstraksi fitur yang lain untuk melihat seberapa penting ekstraksi ciri untuk meningkatkan akurasi support vector machine. 3. Penelitian khusus mengenai support vector machine dapat dilakukan untuk menghasilkan klasifikasi yang lebih baik dalam deteksi kebohongan.

Dokumen yang terkait

Pengenalan Aksara Sunda Menggunakan Ekstraksi Ciri Zoning dan Klasifikasi Support Vector Machine

1 3 59

Implementasi Support Vector Machine (SVM) Untuk Klasifikasi Dokumen

9 22 29

Deteksi Malware Berbasis System Call dengan Klasifikasi Support Vector Machine pada Android

0 5 66

Pengklasifikasian Genre Musik Berdasarkan Sinyal Audio Menggunakan Support Vector Machine

0 2 38

Klasifikasi dan Kategorisasi Audio Menggunakan Wavelet dan Support Vector Machine.

0 1 17

Klasifikasi pola mikrovaskuler retina untuk deteksi dini retinopati diabetik menggunakan support vector machine.

0 4 97

KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN - repository UPI S FIS 1005397 Title

0 0 3

Klasifikasi Penyakit Gigi Dan Mulut Menggunakan Metode Support Vector Machine

1 4 9

SISTEM DETEKSI MALICIOUS SOFTWARE BERBASIS SYSTEM CALL UNTUK KLASIFIKASI BARANG BUKTI DIGITAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE

0 1 8

IMPLEMENTASI DETEKSI SERANGAN EPILEPSI DARI DATA REKAMAN EEG MENGGUNAKAN WEIGHTED PERMUTATION ENTROPY DAN SUPPORT VECTOR VECTOR MACHINE

0 0 107