KLASIFIKASI ALCOHOLIC BERDASARKAN DATA ELECTROENCEPHALOGRAPHY (EEG) MENGGUNAKAN INDEPENDENT COMPONENT ANALYSIS (ICA), WAVELET TRANSFORM, GENETIC ALGORITHM (GA) DAN COUNTER PROPAGATION NETWORK (CPN)

Alcoholism adalah kondisi seseorang dimana orang tersebut mengkonsumsi dan kecanduan terhadap minuman keras (alkohol). Salah satu cara mengetahui seseorang termasuk alcoholic (pecandu alkohol) atau tidak dengan cara merekam aktifitas yang terjadi di otak dengan cara menempelkan elektroda logam dan media konduktif pada kulit kepala atau bisa disebut dengan Electroencephalography (EEG). Dalam penelitian ini, sinyal EEG akan diklasifikasikan ke dalam dua kategori yaitu pecandu alkohol dan normal. Penelitian ini diawali dengan preprocessing menggunakan Independent Component Analysis (ICA), dimana pada proses preprocessing sinyal – sinyal EEG dibersihkan dari noise. Setelah sinyal bersih dari noise kemudian dilakukan ektraksi fitur menggunakan Discrete Wavelet Transform (DWT). Setelah didapatkan fitur dari sinyal EEG, kemudian dilakukan proses seleksi fitur menggunakan Genetic Algortihm (GA) guna mencari fitur – fitur terbaik dari sinyal EEG. Setelah fitur – fitur terbaik didapatkan barulah dilakukan proses klasifikasi menggunakan jaringan saraf tiruan Counterpropagation Network (CPN). Penelitian ini menghasilkan akurasi tertinggi yaitu 78,7% yang terjadi pada scenario 4. Jadi, dalam kasus ini metode CounterPropagation Network (CPN) kurang cocok digunakan untuk proses klasifikasi sinyal EEG.