Investigasi Pola Gelombang Otak Pada Proses Mengenali Objek Familiar Dan Nonfamiliar Menggunakan Algoritma Machine Learning

Pihak berwenang melakukan kegiatan interogasi dalam suatu kasus kejahatan dengan tujuan untuk menggali informasi yang tersembunyi didalam otak seseorang agar mendapatkan bukti yang dapat dibawa kepengadilan untuk menghukum pelaku kejahatan serta semua yang terlibat didalamnya. Electroencephalography (EEG) diteliti sebagai metode lain untuk mendeteksi kebohongan disamping alat polygraph yang sudah ada, dengan dasar pemikiran bahwa sinyal EEG lebih sulit untuk dikelabui dibandingkan respon fisiologis pada polygraph. Proses interogasi yang dilakukan bertujuan untuk menggali memori dan informasi apakah tersangka atau saksi mengetahui atau tidak mengetahui objek yang di klarifikasikan. Namun tersangka juga akan berusaha menutupi kebenaran dengan cara berbohong dan tidak mengakui kebenarannya. Pada penelitian ini difokuskan untuk mencari pola spasial terhadap parameter statistik dengan menganalisa sinyal EEG pada subjek sehat yang diberikan stimulus objek berupa gambar familiar dan unfamiliar. Chanel EEG yang akan digunakan adalah T3, T4, T5, T6, O1, dan O2. Enam channel tersebut dilakukan analisa sinyal alpha, beta, dan gamma untuk mendapatkan nilai fitur statistik yaitu mean, Mean Absolute Value (MAV) dan Standar Deviasi (STD) serta dibandingkan menggunakan fitur Power Spectral Density (PSD). Kedua fitur ini dilakukan analisa untuk memvisualisasikan perbedaan ketika partisipan melihat objek familiar dan unfamiliar. Selanjutnya data sinyal EEG diklasifikasikan menggunakan perbandingan algoritma machine learning (naïve bayes, KNN, SVM, Neural Network dan Random Forest) dimana Random Forest memiliki akurasi tertinggi (95.4%). Algoritma ini dapat diterapkan pada sistem deteksi kebohongan (lie detector) berbasis sinyal otak (EEG). ================================================================================================================================ Authorities conduct interrogation activities in a crime case with the aim of extracting information hidden in a person's brain in order to obtain evidence that can be brought to court to punish the perpetrators of the crime and all those involved in it. Electroencephalography (EEG) was investigated as another method to detect lies in addition to the existing polygraph tool, with the premise that EEG signals are more difficult to trick than physiological responses on polygraph. The interrogation process aims to explore memory and information whether the suspect or witness knows or does not know the object being clarified. However, the suspect will also try to cover up the truth by lying and not admitting the truth. This research is focused on finding spatial patterns of statistical parameters by analyzing EEG signals in healthy subjects who are given object stimulus in the form of familiar and unfamiliar images. The EEG channels that will be used are T3, T4, T5, T6, O1, and O2. From the six channel signals, alpha, beta, and gamma frequency bands are extracted to obtain statistical feature values, namely mean, Mean Absolute Value (MAV) and Standard Deviation (STD). The performance of the task is then compared to that using a time-frequency domain, the Power Spectral Density (PSD) feature. These two features are analyzed to visualize the differences when participants see familiar and unfamiliar objects. Furthermore, EEG signal data is classified using a comparison of machine learning algorithms (naïve bayes, KNN, SVM, Neural Network and Random Forest) where Random Forest has the highest accuracy (95.4%). This algorithm can be applied to a lie detector system based on brain signals (EEG)