Kamis, 09 Desember 2021

APLIKASI UAS : KLASIFIKASI DATA SINYAL EOG UNTUK PENGENDALIAN KURSI RODA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM)

Referensi : Analisa Perbandingan kinerja metode klasifikasi support vector machine untuk mengenali kedipan mata berdasarkan signal EOG oleh Ahmad Yunus




                1. Tujuan [back]
Mahasiswa mampu memecahkan kasus terkait perancangan fuzzy logic controller.

                2. Alat dan Bahan [back]

Alat yang digunakan yaitu Matlab.

                3. Dasar Teori [back]


MATLAB
MATLAB merupakan bahasa pemrograman tingkat tinggi yang dikembangkan oleh MathWorks dan dikhususkan untuk komputasi numerik, visualisasi,  dan  pemrograman. 

KLASIFIKASI DATA SINYAL EOG UNTUK PENGENDALIAN KURSI RODA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM)

SUPPORT VECTOR MACHINE (SVM)

Support vector machine (SVM) merupakan suatu teknik yang digunakan untuk prediksi, baik dalam kasus klasifikasi maupun regresi. Secara sederhana konsep SVM yaitu usaha untuk mencari hyperplane terbaik yang digunakan sebagai pemisah dua buah kelas pada input space. Hyperplane terbaik merupakan suatu garis yang memisahkan kelas data yang memiliki margin terbesar. Margin adalah jarak antara hyperplane tersebut dengan data terdekat dari masing-masing kelas. Data yang paling dekat ini disebut support vector.

hyperplane klasifikasi linear SVM dinotasikan dengan :



Untuk menghitung nilai margin antara bidang pembatas menggunakan rumus jarak garis ke titik pusat dinotasikan sebagai berikut:

Untuk menyelesaikan kasus non linear, SVM dimodifikasi dengan cara memasukkan fungsi kernel. Konsep dasar dari fungsi kernel ini adalah dengan memetakan x ke ruang vektor yang berdimensi tinggi pada ruang vektor yang baru. 
1.      Kernel Gausian Radial Basic Function (RBF)

Fungsi ini biasanya digunakan untuk data yang sudah valid (available) dan merupakan default tools dalam SVM. Persamaan fungsi kernel RGF dapat dinotasikan dengan:

2.      Kernel Polynomial

Biasanya digunakan untuk klasifikasi gambar. Persamaan kernel polynomial seperti berikut:


3.      Kernel Tangen Hyperbolic (Sigmoid)

Fungsi ini sering digunakan untuk neural networks. Berikut persamaannya.

4.     Kernel Linear

Merupakan fungsi kernel yang paling sederhana. Biasanya digunakan untuk klasifikasi teks. Persamaan fungsinya yaitu:


Multiclass Support Vector Machine (SVM)

1. Metode One-against-all (satu lawan semua)


2.1.1.     2.  Metode One-against-one (satu lawan satu)


Support Vector Machine (SVM) digunakan pada kasus pengendalian kursi roda menggunakan sinyal gerakan mata. Pengujian yang dilakukan dengan menggunakan algoritma multiclass one vs one. Sinyal diambil menggunakan sensor EOG. Data yang diperoleh akan di kelompokkan menjadi 5, yaitu.

1.      Kedip sadar untuk memulai pergerakan kursi Roda

2.      Lirik Atas untuk gerakan maju

3.      Lirik Bawah untuk gerakan mundur

4.      Lirik Kanan untuk membuat kursi roda bergerak ke arah kanan

5.       Lirik Kiri untuk membuat kursi roda bergerak ke arah kiri

Pengelompokkan data ditentukan berdasarkan beberapa variable (Feature) diantaranya,

1.      Perioda sinyal Ch1

2.      Periode sinyal Ch2

3.      Luas sinyal Ch1

4.      Luas sinyal Ch2

5.      Nilai Max Ch1

6.      Nilai Max Ch2

7.      Nilai Min Ch1

8.      Nilai Min Ch2

Fungsi hyperline didapatkan untuk memisahkan kelas. Fungsi hyperplane yang terbaik didapatkan dari data yang terdekat dengan fungsi hyperpline dengan margin yang paling besar.

Dataset yang digunakan

Data 50 responden yang sama dilakukan 5 gerakan untuk masing-masing responden, dan masing masing gerakan dilakukan pengulangan sebanyak 20 kali. Sejumlah 34 orang sebagai data latih dan 16 orang sebagai data uji. Total data dari 50 responden untuk masing – masing gerakan adalah 1000 data, dengan 5 gerakan berbeda, sehingga total data keseluruhan 5000 data. Dari 5000 data, 3400 data sebagai data latih dan 1600 sebagai data uji.


Target pengelompokkan/Outcomes

Target ini digunakan untuk pengelompokkan kelas. Pengelompokkan ini didasarkan pada hasil pengujian data latih terhadap data uji. Target ini terdiri dari 5 bagian yaitu.

a.       Kedip sadar diwakilkan oleh angka 1

b.       Lirik atas sadar diwakilkan oleh angka 2

c.       Lirik Bawah diwakilkan oleh angka 3

d.      Lirik Kanan diwakilkan oleh angka 4

e.       Lihat kiri diwakilkan oleh angka 5


                4. Percobaan [back]

Langkah 1. Masukkan Dataset dan Target Pada Program



Langkah 2. Gunakan Program SVM untuk klasifikasi data

Langkah 3. Jalankan Program dan lihat hasil klasifikasi SVM pada bagian Workspace


Langkah 4. Untuk melihat respon hasil klasifikasi SVM, gunakan toolbox Classification Learner.

Pilih menu SVM Linear. Kemudian inputkan data hasil klasifikasi sebelumnya.





Kemudian lakukan Train terhadap data yang di inputkan.
Hasilnya 



.



                  5. Video [back]








                  6. Link Download [back]

Download HTML : download











Tidak ada komentar:

Posting Komentar