UQGRESIKUQGRESIK

Qomaruna: Journal of Multidisciplinary StudiesQomaruna: Journal of Multidisciplinary Studies

Penelitian ini berfokus pada penggunaan Quantum Particle Swarm Optimization untuk mengoptimalkan filter bandpass aktif untuk sinyal lemah. Data sinyal Electroencephalogram yang diperoleh dari peneliti lain digunakan sebagai studi kasus dalam penelitian ini. Data sinyal Electroencephalogram ini, yang terdiri dari 1280 amplitudo sinyal dengan frekuensi sampling 256 Hz, dikarakterisasi sebelum dimasukkan ke dalam Quantum Particle Swarm Optimization untuk optimalisasi. Tujuan optimalisasi Quantum Particle Swarm Optimization adalah untuk mencapai rentang frekuensi sinyal dengan nilai daya maksimum rata-rata. Untuk perancangan filter bandpass, rentang frekuensi yang diperoleh dari optimasi Quantum Particle Swarm Optimization ini digunakan sebagai referensi. Range frekuensi 9.9 Hz hingga 13 Hz dan 15.99 Hz hingga 30 Hz memberikan kondisi optimal. Rancangan filter didasarkan pada range frekuensi hasil optimasi dan nilai komponen R1, R2, dan R3 masing-masing 5.1MΩ, 10,2 MΩ, dan 1MΩ dengan C1=C2=0.01μF untuk frekuensi 9,9 Hz hingga 13 Hz, dan nilai 1,2MΩ, 2,4 MΩ, dan 1MΩ masing-masing dengan C1=C2=0.01μF untuk frekuensi 15,99 Hz hingga 30 Hz. Dari penelitian yang telah dilakukan ini Quantum Particle Swarm Optimization secara efektif mampu melakukan optimasi pada proses desain filter bandpass aktif pada studi kasus sinyal electroencephalogram.

Quantum Particle Swarm Optimization mampu menemukan rentang frekuensi optimal untuk filter bandpass aktif pada sinyal EEG, yaitu 9,9 Hz hingga 13 Hz dan 15,99 Hz hingga 30 Hz, dengan nilai daya rata-rata maksimum.Rancangan filter dibuat berdasarkan hasil optimasi tersebut menggunakan nilai komponen R dan C tertentu untuk masing-masing rentang frekuensi.Karakteristik respons transien menunjukkan sistem orde dua yang stabil, dengan waktu settling masing-masing 0,394 detik dan 0,0814 detik.

Pertama, perlu dilakukan penelitian untuk menguji efektivitas Quantum Particle Swarm Optimization dalam optimasi filter bandpass aktif pada sinyal EEG dari populasi yang lebih beragam, termasuk kelompok usia berbeda dan kondisi klinis tertentu, agar hasil optimasi lebih representatif. Kedua, penting untuk mengevaluasi kinerja algoritma ini dalam real-time processing, dengan mengembangkan sistem embedded yang mampu melakukan optimasi dan filtrasi sinyal EEG secara langsung selama perekaman. Ketiga, perlu dikaji perbandingan performa Quantum Particle Swarm Optimization terhadap algoritma optimasi lain seperti Genetic Algorithm atau Adaptive Particle Swarm Optimization dalam konteks daya komputasi, kecepatan konvergensi, dan kualitas hasil optimasi pada berbagai kondisi noise dan variasi sinyal.

Read online
File size1.41 MB
Pages9
DMCAReport

Related /

ads-block-test