Identifikasi Personal Berbasis Sinyal Electroencephalogram (EEG) Menggunakan Deep Learning

Ilham Sinatrio Gumelar

Abstrak

Dengan kemajuan teknologi, identifikasi personal menggunakan biometrik telah menjadi salah satu metode yang paling efektif. Penelitian ini bertujuan untuk melakukan identifikasi personal menggunakan sinyal Electroencephalogram (EEG) dengan penerapan deep learning. Sinyal EEG dipilih karena memiliki pola unik pada aktivitas otak individu yang menyediakan ciri biometrik yang sulit untuk dipalsukan. Penelitian ini menggunakan dataset Biometric EEG Dataset (BED) dengan konfigurasi 14 kanal sensor EEG, penelitian ini mengusulkan model deep learning khususnya convolutional neural network (CNN) untuk melakukan ekstraksi fitur dan pelatihan data. Dalam penelitian ini, data sinyal EEG yang dipilih merupakan yang berjenis stimulus resting eyes closed state untuk meminimalkan gangguan sinyal. Data tersebut kemudian diolah dengan preprocessing yang melibatkan filtering dan data augmentation untuk memperbanyak jumlah instance dari setiap subyek. Model CNN yang dibangun mampu mengenali pola kompleks dalam data EEG berdasar dari dataset yang digunakan. Selain itu, hasil penelitian menunjukkan bahwa model yang diusulkan mampu mencapai rata-rata akurasi sebesar 99.67741% untuk kfold 5 dengan sliding window 4 detik dan stride 3 data point. Sementara itu, jika menggunakan sliding window 1 detik dan stride 3 tapi masih dengan menggunakan kfold 4, didapatkan rata-rata akurasi sebesar 97.67792%. Penulis juga menggunakan skema kfold 4 dengan sliding windonw 4 detik dan stride 3 data point serta mendapatkan rata-rata akurasi sebesar 99.14%. Sehingga apa yang telah dilakukan oleh penulis dapat dimanfaatkan dalam mekanisme identifikasi personal.

© 2026 UPA Perpustakaan POLINEMAStatus LayananKebijakan PrivasiSyarat & Ketentuan

v2026.11.20.5 · 33e0fa7