S FIS 1005397 Abstract

KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN
SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN

Nama

: Bagus Kumbara

NIM

: 1005397

Pembimbing I

: Arjon Turnip, Ph.D.

Pembimbing II

: Drs. Waslaluddin, M.T.

ABSTRAK
Electroencephalogram (EEG) merupakan aktifitas sinyal listrik yang berasal dari

elektroda yang dipasangkan pada area otak. Komponen P300 merupakan sinyal
yang dihasilkan dari sinyal EEG yang bersesuaian dengan mental proses. Pada
tugas akhir ini, paradigma deteksi kebohongan berdasarkan EEG-P300 dibangun.
Bandpass filter, Independent Component Analysis, Support Vector Machine
(SVM) digunakan untuk filter, ekstraksi, dan klasifikasi rekaman sinyal EEG.
Sinyal EEG yang bersih digunakan untuk mengetahui informasi yang
disembunyikan oleh subjek, misalnya ketika sedang berbohong. Raw EEG yang
awalnya memiliki amplitudo 80-2811 µV kemudian amplitudo berkurang 0-14 µV
setelah remove offset dan bandpass filter mengurangi amplitudo sekitar 10-520 µV
dan setelah dilakukan ICA, amplitudo sinyal berkurang 60-2240 µV. Sehingga
sinyal EEG akhir setelah tahap ini memiliki nilai amplitudo 14-72 µV yang jauh
berbeda dibandingkan sinyal awal. Klasifikasi yang dilakukan menghasilkan
model SVM dengan akurasi 70,83% dan waktu komputasi 0.0283 detik, sehingga
dapat menentukan data EEG untuk subjek berbohong atau tidak.

Kata Kunci : EEG, SVM, deteksi kebohongan

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

ABSTRACT
Electroencephalogram (EEG) is an activity of bio-electric signals that recorded
from the electrodes on the scalp. P300 component is a wave that can be generated
in the EEG signals correspond to mental process. In this final project, lie detection
paradigm based EEG-P300 is proposed. Bandpass filter, Independent Component
Analysis, Support Vector Machine (SVM) are respectively used to filter, extract,
and classify the recorded EEG signal. Clean EEG signals are used to determine
the hidden information by each subject such as lying or not. The raw EEG signals
originally has amplitude 80-2811 μV then offset removal reduced its amplitude
around 0-14 μV and bandpass filter reduced its amplitude around 10-520 μV and
then after ICA process, its reduced amplitude around 60-2240 μV. So, EEG
signal after the end of this stage has a amplitude 14-72 μV that much different
than the initial signal. Classification was generating SVM models with 70,83%
accuracy and computation time 0.0283 seconds, so svm can determine the EEG
data for subjects lying or not.
Keywords: EEG, SVM, lie detection

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