Aksi Game Berbasis Brain Computer Interface dengan Spektral Daya dan Learning Vector Quantization

Aditya Setiawan Putra; Esmeralda C. Djamal; Rezki Yuniarti

doi:10.26874/jumanji.v1i1.3

Aditya Setiawan Putra
Esmeralda C. Djamal
Rezki Yuniarti

DOI: https://doi.org/10.26874/jumanji.v1i1.3

Abstract

Dalam video game dibutuhkan interaksi antara pengguna dengan sistem dalam mengendalikan pergerakan karakter pada game tersebut melalui sebuah controller. Namun untuk orang dengan keterbatasan fisik, controller menjadi sebuah halangan untuk dapat berkomunikasi dengan sistem. Salah satu teknologi yang dapat digunakan untuk mengatasinya yaitu menggunakan Brain Computer Interface (BCI) yang pada perkembangannnya dapat dimanfaatkan untuk pengendalian karakter pada video game. BCI terdiri dari komponen input dari sinyal otak, komponen output berupa perintah dan komponen intermediate. Persoalan utama BCI terletak pada komponen intermediate yang biasanya menggunakan Elektroensephalogram (EEG). Bentuk sinyal EEG pada setiap orang dapat bervariasi dan kompleks tergantung kondisi kesehatan, emosional, usia, mental dan aktivitas. Beberapa penelitian terdahulu menggunakan sinyal EEG untuk menggerakkan video game pada perangkat mobile, menggerakkan kursor dan mengendalikan robot. Kontrol gerak EEG sebelumnya menggunakan kondisi emosional, namun kondisi emosional tidak menggambarkan aksi karakter secara nyata. Penelitian ini telah membuat sistem kontrol gerak karakter menggunakan sinyal EEG yang diimplementasikan pada video game dengan aksi karakter setiap 1 detik. Dalam proses akuisisi data yang dilakukan terhadap 10 Naracoba selama 1 menit dengan 3 kali perulangan, Naracoba membayangkan 3 gerakan bergantian setiap 5 detik. Hasil akurasi dari 360 set data latih sebesar 77% dan data baru menghasilkan akurasi sebesar 67%.

References

[1] P. A. Pour, T. Gulrez, O. AlZoubi, G. Gargiulo and R. A. Calvo, "Brain-Computer Interface: Next Generation Thought Controlled Distributed Video Game Development Platform," in IEEE Symposium on Computational Intelligence and Games, 2008.
[1] A. Khong, L. Jiangnan, K. P., T. and A. P. Vinod, "BCI based Multi-player 3-D Game Control using EEG for Enhancing Attention and Memory," San Diego, 2014.
[2] L. Vokorokos, N. Adam and B. Mados, "Non-Invasive Brain Imaging Technique for Playing Chess with Brain-Computer Interface," International Journal of Computer and Information Technology, vol. 3, no. 5, pp. 877-882, 2014.
[3] E. C. Djamal and Suprijanto, "Recognition of Electroencephalogram Signal Pattern against Sound Stimulation using Spectral of Wavelet," in TENCON, 2011.
[4] M. Y. Abdullah, E. C. Djamal and F. Renaldi, "Aksi Game Arcade Berdasarkan Pikiran Menggunakan Filter Fast Fourier Transform dan Learning Vector Quantization," in Seminar Nasional Aplikasi Teknologi Informasi, Yogyakarta, 2016.
[5] A. Napoli, M. Barbe, K. Darvish and I. Obeid, "Assessing Traumatic Brain Injuries Using EEG Power Spectral Analysis and Instantaneous Phase," in 34th Annual International Conference of the IEEE EMBS, California, 2012.
[6] N.-H. Liu, C.-Y. Chiang and H.-C. Chu, "Recognizing the Degree of Human Attention Using EEG Signals from Mobile Sensors," in sensors, 2013.
[7] R. Ekayama, E. C. Djamal and A. Komarudin, "Identifikasi Kondisi Rileks Dari Sinyal EEG Menggunakan Wavelet dan Learning Vector Quantization," in Prosiding SNST, Semarang, 2016.
[8] L. Li, L. Xiao and L. Chen, "Differences of EEG between Eyes-Open and Eyes-Closed States Based on Autoregressive Method," Journal Of Electronic Science And Technology Of China, vol. 7, no. 2, pp. 175-179, 2009.
[9] G. Varghese, J. James, L. Joseph, M. K. John, S. Mathew and S. Ramachandhran, "Human Robot Cooperative System Based on Non-invasive Brain Computer Interface," National Conference on Recent Advances in Electrical & Electronics Engineering, vol. 4, no. 1, pp. 118-123, 2015.
[10] T. Shanmugapriya and S. Senthilkumar, "Robotics and the Brain-Computer Interface System: Critical Review for Manufacturing Application," International Journal of Innovative Research in Computer and Communication Engineering, vol. 2, no. 2, pp. 2929-2935, 2014.
[11] E. C. Djamal, Suprijanto and S. J. Setiadi, "Classification of EEG-Based Hand Grasping Imagination Using Autoregressive and Neural Networks," Jurnal Teknologi, vol. 78, no. 6-6, pp. 105-110, 2016.
[12] Hindarto, "Identifikasi Sinyal EEG Menggunakan Koefisien Regresi Dan Jaringan Syaraf Tiruan," in Simposium Nasional Teknologi Terapan, 2013.
[13] T. S, S. M. S, M. C, R. Saxena, T. R. Prasad and A. Tiwari, "Brain Computer Interface Systems to Assist Patients Using EEG Signals," International Journal of Innovative Research in Computer and Communication Engineering, vol. 3, no. 6, 2015.
[14] M. H. Alomari, A. AbuBaker, A. Turani, A. M. Baniyounes and A. Manasreh, "EEG Mouse: A Machine Learning-Based Brain Computer Interface," International Journal of Advanced Computer Science and Applications (IJACSA), vol. 5, 2014.
[15] E. A. Mohamed, M. Z. B. Yusoff, N. K. Selman and A. S. Malik, "Enhancing EEG Signals in Brain Computer Interface Using Wavelet Transform," International Journal of Information and Electronics Engineering, vol. 4, 2014.
[16] T. J. Choi, J. O. Kim, S. M. Jin and G. Yoon, "Determination of the Concentrated State Using Multiple EEG Channels," International Journal of Computer, Electrical, Automation, Control and Information Engineering, vol. 8, no. 8, pp. 1373-1376, 2014.
[17] Y. Arifianto and N. Hidayat, "Penerapan Metode Power Spektrum pada Proses Konversi Suara Ucapan Menjadi Teks," Teknologi Informasi dan Telekomunikasi, 2013.
[18] M. D. Wuryandari and I. Afrianto, "Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation Dan Learning Vector Quantization Pada Pengenalan Wajah," KOMPUTA, vol. 1, pp. 45-51, 2012.