Electroencephalogram (EEG) signals has been widely researched and developed in many fields of science. EEG signals could be classified into useful information for the application of Brain Computer Interface topic (BCI). In this research, we focus in a topic about driving a car using EEG signal. There are many approaches in EEG signal classification, but some approaches do not robust EEG signals that have many artifacts and have been recorded in real time. This research aims to classify EEG signals to obtain more optimal results, especially EEG signals with many artifacts and can be recorded in realtime. This research uses Emotiv EPOC device to record EEG signals in realtime. In this research, we propose the combination of Automatic Artifact Removal (AAR) and Support Vector Machine (SVM) which has 71% of accuracy that can be applied to drive a virtual car. Keyword: EEG signal classification, automatic artifact removal, brain computer interface Abstrak. Penelitian berbasis sinyal Electroencephalogram (EEG) telah banyak diteliti dan dikembangkan pada berbagai bidang ilmu pengetahuan. Sinyal EEG dapat diklasifikasikan ke dalam bentuk informasi untuk pengaplikasian topik Brain Computer Interface (BCI). Pada penelitian ini difokuskan pada topik pengendalian mobil menggunakan perintah sinyal EEG. Terdapat beberapa pendekatan dalam klasifikasi sinyal EEG, tetapi beberapa pendekatan tersebut tidak robust terhadap sinyal EEG yang memiliki banyak artefak dan direkam secara realtime. Penelitian ini bertujuan untuk mengklasifikasikan sinyal EEG dengan hasil lebih optimal, khususnya pada sinyal EEG yang memiliki banyak artefak dan direkam secara realtime. Penelitian ini menggunakan perangkat Emotiv EPOC untuk merekam sinyal EEG secara realtime. Pada penelitian ini diusulkan kombinasi Automatic Artifact Removal (AAR) dan Support Vector Machine (SVM) yang menghasilkan hasil akurasi sebesar 71% untuk klasifikasi sinyal EEG pada kasus pengendalian mobil virtual. Kata Kunci: EEG signal classification, automatic artifact removal, brain computer interface

Abstract. A research on robot planning path has been widely conducted and developed. Generally, the desired path is the safe one which has no obstacles and it can be conducted in a quick process. There are several methods that can be applied in planning the path including particle swarm optimization method and genetic algorithm. Both methods are compared in this research in order to discover the best method. Particle swarm optimization method utilizes the particle population movement and genetic algorithm method explores a population consisting individuals’ solutions. The finding reveals that particle swarm optimization method is better than generic algorithm method. This is due to computation time and path required by particle swarm optimization method are shorter than genetic method algorithm. Keyword: Robot path planning, particle swarm optimization, genetic algorithm.Abstrak. Penelitian mengenai perencanaan jalur untuk robot mobil telah banyak diteliti dan dikembangkan. Pada umumnya perencanaan jalur yang diinginkan adalah jalur yang yang aman, tanpa rintangan, dan jarak tempuh yang singkat. Terdapat beberapa metode yang dapat diterapkan dalam perencanaan jalur ini diantaranya adalah metode particle swarm optimization dan genetic algorithm. Pada penelitian ini, kedua metode optimasi tersebut diterapkan. Kedua metode optimasi tersebut dibandingkan untuk didapatkan metode dengan hasil yang terbaik. Metode particle swarm optimization memanfaatkan pergerakan populasi partikel dan metode genetic algorithm melakukan pencarian pada sebuah populasi dari sejumlah individu-individu yang merupakan solusi permasalahan. Hasil penelitian yang dilakukan dengan membandingkan kedua metode optimasi ini adalah metode particle swarm optimization lebih baik daripada metode genetic algorithm. Hal ini berdasarkan pada waktu komputasi dan jalur tempuh yang dibutuhkan oleh metode particle swarm optimization lebih pendek dibandingkan metode genetic algorithm. Kata Kunci: perencanaan jalur robot, particle swarm optimization, genetic algorithm.

Abstract. Face recognition is the identification process to recognize a person's face. Many studies have been developing face recognition methods, one of which is the Two Dimensional Linear Discriminant Analysis (TDLDA) which has pretty good accuracy results with the method of classification Support Vector Machine (SVM). With more training data can add computational time. TDLDA using all the piksel image as input to be processed for feature extraction. Though not all the objects in the area of the face is a significant feature in face recognition. In this study, the proposed use of the T-shape with only use a significant part is the eyes, nose, and mouth are integrated with TDLDA and SVM. The result could reduce computing time on face recognition 21.56% faster than TDLDA method. The accuracy of the results in this study was 91% -96% which is close to the level of accuracy without using a mask on the face.Keyword: face recognition, T-shape, TDLDA, Support vector machine. Abstrak. Pengenalan wajah merupakan proses identifikasi untuk mengenali wajah seseorang. Telah Banyak penelitian yang mengembangkan metode pengenalan wajah, salah satunya adalah Two Dimensional Linear Discriminant Analysis (TDLDA) yang memiliki hasil akurasi yang cukup baik dengan metode klasifikasi Support Vector Machine (SVM). Dengan semakin banyak data training dapat menambah waktu komputasinya. TDLDA menggunakan semua piksel citra sebagai masukan yang akan diproses untuk ekstrasi fitur. Padahal tidak semua objek pada area wajah merupakan fitur yang signifikan dalam pengenalan wajah. Dalam penelitian ini diusulkan penggunaan T-shape dengan hanya menyimpan bagian yang signifikan yaitu mata, hidung, dan mulut yang diintegrasikan dengan TDLDA dan SVM. Hasilnya dapat mengurangi waktu komputasi pada pengenalan wajah 21,56% lebih cepat daripada metode TDLDA. Hasil akurasi pada penelitian ini adalah 91%-96% yang mendekati tingkat akurasi tanpa menggunakan mask pada wajah.Kata Kunci: pengenalan wajah, T-shape, TDLDA, Support vector machine.

No abstract

Abstract. Having a number of audio files in a directory