Laurentius Kuncoro Probo Saputra, Ignatia Dhian E.K. Ratri
Sari
Control suhu ruangan yang ada telah dikembangkan saat ini hanya memanfaatkan keadaan lingkungan/ruangan sebagai parameter untuk mengontrol suhu ruangan. Model kontrol seperti ini mengabaikan kondisi fisologis dan psikologi seseorang yang sedang berada di dalam ruangan. Setiap orang memiliki tingkat kenyamanan yang berbeda-beda saat berada di dalam ruangan
berpendingin. Kondisi nyaman tersebut dipengeruhi oleh termoregulasi seseorang untuk memenuhi kenyamanan termal. Sinyal EEG merupakan sinyal yang mampu merefleksikan aktivitas otak. Karena kenyamanan termal erat kaitannya dengan kondisi kepuasan pikirian atas kondisi termal lingkungan, maka sinyal EEG ini dirasa mampu merefleksikan tingkat kenyamanan termal
seseorang. Penelitian ini akan menganalisa tingkat kenyamanan termal seseorang berbasis sinyal EEG. Sinyal EEG direkam menggunakan alat mindwave neurosky headset. Sinyal EEG direkam dalam kondisi rileks. Hasil data sinyal yang didapat akan dianalisis dan dilatihkan pada classifier SVC. Pengujian dilakukan dengan menggunakan metode k-fold validation dengan menggunakan nilai k = 5. Analisis lebih lanjut terkait performa keseluruhan dari classifier tersebut menggunakan kurva ROC. Hasil yang didapat dengan analisis kurva ROC ialah performa classifier SVC sebesar
87%.
Kata Kunci
support vector classifier, sinyal eeg, kenyamanan termal.
Teks Lengkap :
PDF
Referensi
Z. Cheng, W. W. Shein, Y. Tan, and A. O. Lim, “Energy efficient thermal comfort control for cyber-physical home system,” 2013 IEEE Int. Conf. Smart Grid Commun. SmartGridComm 2013, pp. 797–802, 2013.
A. Solfia, Ya’umar, and W. A. Asmoro, “Rancang bangun sistem ac otomatis berbasis mikrokontroller atmega 8535 pada,” pp. 1–12.
S. M. Zanoli and D. Barchiesi, “Thermal and lighting control system with energy saving and users comfort features,” 2012 20th Mediterr. Conf. Control Autom. MED 2012 – Conf. Proc., pp. 1322–1327, 2012.
K. Nakayama, T. Suzuki, and K. Kameyama, “Estimation of thermal sensation using human peripheral skin temperature,” Syst. Man Cybern., no. October, pp. 2872–2877, 2009.
J. H. Choi, “CoBi : Bio-Sensing Building Mechanical System Controls for Sustainably Enhancing Individual Thermal Comfort,” PHD Diss., no. May, 2010.
X. Hou et al., “EEG based Stress Monitoring,” IEEE Int. Conf. Syst. Man Cybern., no. November, pp. 3110–3115, 2015.
S. Muhammad and U. Saeed, “Psychological Stress Measurement Using Low Cost Single Channel EEG Headset,” pp. 581–585, 2015.
A. Saidatul, M. P. Paulraj, and S. Yaacob, “Analysis of EEG signals during relaxation and mental stress condition using AR modeling techniques,” pp. 477–481, 2011.
L. Chee-Keong Alfred and W. Chong Chia, “Analysis of Single-Electrode EEG Rhythms Using MATLAB to Elicit Correlation with Cognitive Stress,” Int. J. Comput. Theory Eng., vol. 7, no. 2, pp. 149–155, 2015.
Z. Khalili and M. H. Moradi, “Emotion recognition system using brain and
peripheral signals: Using correlation dimension to improve the results of EEG,” 2009 Int. Jt. Conf. Neural Networks, pp. 1571–1575, 2009.
T. Quang, D. Khoa, V. Q. Ha, and V. Van Toi, “Higuchi Fractal Properties of Onset Epilepsy Electroencephalogram,” vol. 2012, 2012.
C. Goh et al., “Comparison of Fractal Dimension Algorithms for the Computation of EEG Biomarkers for Dementia To cite this version : HAL Id : inria-00442374,” 2009.
M. A. Busa and R. E. A. Van Emmerik, “Multiscale entropy : A tool for understanding the complexity of postural control,” J. Sport Heal. Sci., vol. 5, no. 1, pp. 44–51, 2016.
DOI