Akuisisi Dan Klasifikasi Sinyal EEG Untuk Lima Arah Pergerakan Berbasis Labview

A human brain emits five brainwaves. Those are gamma, beta, alpha, theta, and delta waves. Beta and alpha wave are emitted based of consciousness and concentration level. A software for brain signals’ acquisition is built in this research. It also classifies the acquired data into five motion directions of which are forward, right, left, backward, and stop. Neurosky Mindwave sensor and LabVIEW are used in this project. The data from sensor readings are processed by LabVIEW by using filter function and FFT. Before classifying the data, the program will do training to save the data to Microsoft Excel. When it is about to classify the data, the saved data are  called and the mean data are  compared to the real-time brainwave readings. The closest data to the training data is used as reference to decide the movements that is being thought by the user. From the running test, we found 100% match for ‘forward’ motion, 83,3% match for ‘right’ motion, 93% match for’ backward motion’, 100% match for ‘left’ motion and 90% match for ‘stop’ motion with training to test subject. 100% match for ‘forward’ motion, 37% match for ‘right’ motion, 100% match for ‘backward’ motion, 100% match for ‘left’ motion and 100% match for ‘stop’ motion without training to test subject.Pada dasarnya otak manusia menghasilkan lima gelombang otak diantaranya gelombang gamma, beta, alpha, tetha, dan delta. Gelombang otak yang dihasilkan berdasarkan tingkat kesadaran dan konsentrasi manusia adalah gelombang beta dan alpha. Pada penelitian kali ini dirancang sebuah software yang mampu mengakuisisi sinyal otak dan mengklasifikasikannya berdasarkan sinyal beta dan alpha untuk lima arah pergerakan yaitu maju, belok kanan, mundur, belok kiri, dan berhenti. Sensor yang digunakan adalah NeuroSky dan aplikasi yang digunakan untuk mengolahnya adalah LabVIEW. Data pembacaan sensor diolah menggunakan LabVIEW dengan fungsi filter dan FFT. Sebelum melakukan klasifikasi dilakukan training dengan menyimpan data-data sinyal otak kedalam Microsoft Excel. Saat melakukan klasifikasi data yang tersimpan dipanggil dan dihitung rata-ratanya, kemudian membandingkan hasil tersebut dengan hasil pembacaan sinyal otak secara real time. Data real time yang paling banyak mendekati data training dijadikan referensi untuk memutuskan pergerakan yang dipikirkan oleh user. Dari hasil pengujian diperoleh kecocokan untuk gerakan maju 100%, belok kanan 83,3%, mundur 93%, belok kiri 100%, dan berhenti 90% dengan training subyek uji, dan gerakan maju 100%, belok kanan 37%, mundur 100%, belok kiri 100%, dan berhenti 100% tanpa training subyek uj