MUHAMMAD MIRZA RAHMAT Primary Author mixed material bibliography Banda Aceh Fakultas Teknik 2026

Theses

Electroencephalography (EEG) banyak digunakan karena bersifat non-invasif dan memiliki resolusi temporal tinggi. Namun, sinyal EEG mentah sangat rentan terhadap artefak biologis dan noise lingkungan, sehingga diperlukan proses denoising yang efektif sebelum klasifikasi. Penelitian ini bertujuan mengevaluasi pengaruh dua metode denoising multiskala, yaitu Multiscale Principal Component Analysis (MS-PCA) dan Multiscale Independent Component Analysis (MS-ICA), terhadap kinerja klasifikasi sinyal EEG penyandang ASD. Dataset EEG diperoleh melalui akuisisi 16 kanal dari 16 subjek, yang terdiri atas 8 subjek ASD dan 8 subjek normal, menggunakan OpenBCI Cyton Board. Tahap pre-processing dilakukan menggunakan Butterworth Band-Pass Filter pada rentang 0,5-40 Hz, dilanjutkan dengan penerapan MS-PCA dan MS-ICA untuk mereduksi artefak. Sinyal hasil pre-processing kemudian disegmentasi menjadi epoch berdurasi 2 detik dengan overlap 50%. Proses klasifikasi dilakukan menggunakan dua pendekatan, yaitu Light Gradient Boosting Machine (LightGBM) sebagai representasi machine learning dan Temporal Convolutional Network with Self-Attention (TCN-SA) sebagai representasi deep learning. Pada LightGBM dilakukan ekstraksi fitur Power Spectral Density (PSD) dan Band Power, sedangkan pada TCN-SA segmen EEG hasil pre-processing digunakan langsung tanpa ekstraksi fitur manual. Evaluasi dilakukan menggunakan 8-fold subject-wise cross-validation dengan metrik akurasi, presisi, recall, F1-score, spesifisitas, dan Area Under the Curve (AUC). Hasil penelitian menunjukkan bahwa kombinasi LightGBM + MS-PCA memberikan kinerja terbaik dengan rata-rata akurasi 99,14% dan AUC 99,96%. Sementara itu, LightGBM + MS-ICA menghasilkan akurasi 98,85%, TCN-SA + MS-PCA 95,03%, dan TCN-SA + MS-ICA 94,70%. Analisis statistik berpasangan pada level subjek menunjukkan bahwa MS-PCA cenderung lebih baik daripada MS-ICA pada kedua model. Hasil ini menunjukkan bahwa pada dataset dan protokol evaluasi yang digunakan, MS-PCA lebih efektif dalam mendukung klasifikasi EEG penyandang ASD. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 1713745 2026-04-13 14:31:43 2026-04-13 15:11:31 machine generated