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.