KLASIFIKASI EMOSI DATA

ELECTROENCEPHALOGRAPHY MENGGUNAKAN
METODE NEURO-FUZZY

PROPOSAL TUGAS AKHIR

Bidang Studi
Telekomunikasi dan Multimedia

Oleh:
TOBIYAS JANITRA
1704105010001

PROGRAM STUDI TEKNIK ELEKTRO

JURUSAN TEKNIK ELEKTRO DAN KOMPUTER
FAKULTAS TEKNIK UNIVERSITAS SYIAH KUALA
DARUSSALAM, BANDA ACEH
DESEMBER 2020
 PERNYATAAN KEASLIAN PROPOSAL

Saya menyatakan dengan sesungguhnya proposal tugas akhir dengan judul

“Klasifikasi Emosi Data Electroencephalography Menggunakan Metode
Neuro-Fuzzy” bukan merupakan tiruan atau duplikasi dari tugas akhir atau karya
ilmiah yang telah dipublikasi pihak lain, kecuali bagian yang sumber
informasinya dicantumkan sebagaimana mestinya. Bila ditemukan hal-hal yang
tidak sesuai dengan isi pernyataan ini, saya menerima dan menghormati segala
konsekuensi akademis yang diberikan Program Teknik Elektro Fakultas Tenik
Universitas Syiah Kuala.

Banda Aceh, 15 Oktober

2020

Tobiyas Janitra
NIM 1704105010001

ii
 PENGESAHAN PROPOSAL

Untuk melengkapi persyaratan awal pelaksanaan tugas akhir (skripsi) pada

Program Studi Teknik Elektro, guna memperoleh legalitas pelaksanaan tugas
akhir pada Fakultas Teknik, Universitas Syiah Kuala, dinyatakan bahwa proposal
ini dibuat oleh:

Nama :
NPM :
Bidang :
Judul :

Telah diseminarkan dihadapan Tim Penguji Ujian seminar proposal Program

Studi Teknik Elektro, Jurusan Teknik Elektro dan Komputer, Fakultas Teknik,
Universitas Syiah Kuala, pada hari Kamis, Tanggal Dua Bulan Agustus Tahun
Dua Ribu Delapan Belas, dan dinyatakan LULUS.

Tim Penguji
Ketua Seminar/Penguji
Nama Ketua Seminar
Anggota/Penguji
Nama Anggota Seminar
Anggota/Penguji
Nama Anggota Seminar
Pembimbing I
Nama Pembimbing I
Pembimbing II
Nama Pembimbing II

Banda Aceh, 9 Agustus 2020

Mengesahkan,
Koordinator Program Studi Teknik Elektro,

Zulhelmi, S.T., M.Sc

NIP. 197907022003121001

iii
 ABSTRAK

Abstrak- Electroencephalogram (EEG) adalah proses penting dalam Brain-

computer interface (BCI) yang dapat digunakan untuk menentukan apakah subjek
sedang melakukan tindakan dan imajinasi. Dengan electroencephalography
(EEG) dapat diperoleh data rekaman aktivitas otak dari sejumlah channel –
channel berdasarkan pemantauan electrophysiological. Masing-masing channel
memberikan respons yang berbeda-beda saat mendapatkan stimulus emosi. untuk
mengenali emosi manusia berdasarkan aktivitas gelombang otak, dibutuhkan
penguraian atau perubahan sinyal yang dapat diartikan sebagai nilai penting dalam
menentukan emosional manusia. Penelitian ini mengusulkan sebuah kerangka
klasifikasi emosi manusia dari data sinyal EEG menggunakan metode Adaftive
Neuro Fuzzy Inference System (ANFIS), sinyal yang diklasifikasi adalah hasil
analisis dari metode dilakukan preprocessing menggunakan Independent
Component Analysis (ICA) dan Principal Compoment Analysis (PCA) untuk
reduksi dimensi. Hasil yang diharapakan mendapatkan metode baru untuk
pengolahan sinyal EEG menggunakan metode ANFIS mendapatkan nilai yang
optimal

Kata kunci: Electroencephalogram (EEG), Ekstraksi Feature, ANFIS, Brain-

computer interface (BCI)

iv
 DAFTAR ISI

JUDUL..............................................................................................................i
PERNYATAAN KEASLIAN PROPOSAL.....................................................ii
PENGESAHAN PROPOSAL..........................................................................iii
ABSTRAK........................................................................................................iv
DAFTAR ISI....................................................................................................v
DAFTAR GAMBAR........................................................................................vii
DAFTAR TABEL............................................................................................viii
DAFTAR SINGKATAN..................................................................................ix
BAB I PENDAHULUAN...............................................................................1
1.1. LATAR BELAKANG..................................................................1
1.2. RUMUSAN MASALAH..............................................................2
1.3. RUANG LINGKUP......................................................................3
1.4. TUJUAN.......................................................................................3
1.5. URGENSI DAN MANFAAT PENELITIAN..............................3
1.6. SISTEMATIKA PENULISAN.....................................................3
BAB II TINJAUAN PUSTAKA....................................................................5
2.1. Model Emosi Pada Manusia.........................................................5
2.1.1 Model Arousal dan Valence.................................................6
2.1.2 Model Circumplex................................................................6
2.2. Sinyal EEG...................................................................................7
2.3 Data Akuisisi.................................................................................7
2.4. Preprocessing dan Ekstraksi Ciri..................................................8
2.5. Sinyal Domain Waktu ..................................................................9
2.6. Algoritma Klasifikasi ANFIS.......................................................12
2.7. PENELITIAN YANG TERKAIT DENGAN...............................14

v
BAB III METODOLOGI DAN JADWAL PENELITIAN.........................19
3.1 METODE PENELITIAN...............................................................19
3.1.1 Bahan Penelitian..................................................................19
3.1.2 Alat Penelitian.....................................................................21
3.1.3 Alur Penelitian.....................................................................22

3.2 JADWAL PENELITIAN...............................................................28

BAB IV LUARAN PENELITIAN.................................................................29

DAFTAR PUSTAKA......................................................................................30

vi
 DAFTAR GAMBAR

Gambar 2.1 Kuadran emosi berdasarkan model Arousal dan Valence (Othman
etal., 2013).....................................................................................6
Gambar 2.2 Emosi berdasarkan 12-point Circumplex.....................................6
Gambar 2.3 Implementasi circumplex model pada video percobaan ICA.......8
Gambar 2.4 Sinyal Pada Domain Waktu..........................................................9
Gambar 2.5 Anfis Arsitektur............................................................................12
Gambar 3.1 Posisi 32 Channel sesuai dataset...................................................20
Gambar 3.2 sinyal EEG berdasarkan channel (a) Fp1 (b) AF3 (C) F3............21
Gambar 3.3 Alur Penelitian.............................................................................22
Gambar 3.4 Alur Import Data..........................................................................23
Gambar 3.5 Alur Penetapan Channels Location..............................................23
Gambar 3.6 Alur Filter Data............................................................................24
Gambar 3.7 Alur Data Process........................................................................24

vii
 DAFTAR TABEL

Tabel 2.1 Penelitian terkait dengan penggunaan metode.................................14

Tabel 3.1 Daftar Channel yang diterapkan berdasarkan Skenario Penelitian...20
Tabel 3.2 Tabel Alat Penelitian........................................................................21
Tabel 3.3 Jadwal Pelaksanaan Tugas Akhir.....................................................27

viii
 DAFTAR SINGKATAN  

Independent Component Analysis (ICA)

Principal Compoment Analysis (PCA)
Brain–computer interface (BCI)
Electroencephalogram (EEG)
Adaptive Neuro-Fuzzy Inference System (ANFIS)
Fuzzy Inference System (FIS)
Multiple Discriminant Analysis (MDA)
Logarithmic learning for Generalized Classifier Neural Network (L-GCNN)
Intrinsic Mode Functions (IMF)
Linear Discriminant Analysis (LDA)
Fast Fourier Transform (FFT)
DEAP dataset (database for emotion analysis using physiological signal)
mean absolute value (MAV)
average power (AVP)
standar deviasi (SD)
Brain–computer interface (BCI)

ix
 BAB I
PENDAHULUAN

1.1. LATAR BELAKANG

Emosi yang ada pada manusia memiliki peran penting untuk
berkomunikasi dalam hidup bersosialisasi. Salah satu cara yang dapat dilakukan
yaitu dengan membaca sinyal biolistrik yang dikeluarkan oleh otak manusia.
Dalam pemanfaatan EEG khususnya dalam pengaplikasian deteksi aktivitas dalam
otak atau kerap disebut brain computer interface (BCI) ini memerlukan algoritma.
Brain-computer interface (BCI) adalah sistem yang menyediakan jalan bagi otak
dan komputer untuk saling berkomunikasi secara langsung.
Electroencephalogram (EEG) adalah proses penting dalam BCI yang dapat
digunakan untuk menentukan apakah subjek sedang melakukan tindakan dan atau
imajinasi[1].

Karena BCI dapat mengubah teknologi bantuan yang ada sehingga BCI
telah banyak digunakan pada beberapa sektor misalnya neuro-feedback untuk
rehabilitasi stroke. Dalam bidang lain BCI juga digunakan pada medis seperti
prediksi kejang epilepsi, deteksi kewaspadaan dan pemantauan beban kognitif,
juga pada gangguan tidur yang ditumong[1]. Pada bidang tambahan dalam
robotika, BCI menguntungkan untuk segi permainan komputer, realitas virtual
dan lainnya .

Penelitian sebelumnya[2] menggunakan Logarithmic Learning For

Generalized Classifier Neural Network untuk klasifikasi emosi pada sinyal EEG
berdasarkan Empirical Mode Decomposition dan Wavelet Packet Decomposition.
lalu penelitian[3] Menggunakan Deep Neural Network EEG Signal untuk
klasifikasi Sinyal EEG, dan penelitian[13] didapatkan hasil bahwa klasifikasi
dengan ANN kurang tepat.

Adaptive neuro-fuzzy inference system (ANFIS) merupakan sistem

pembelajaran mesin yang menggabungkan prinsip kerja jaringan syaraf tiruan
dengan fuzzy inference system (FIS). Penggabungan metode ini diharapkan dapat

1
menutupi kelemahan dari masing-masing metode. Dengan penggabungan ini
diharapkan juga mendapatkan keakuratan hasil daripada dengan satu metode saja.

Penelitian ini berkontribusi untuk mendapatkan metode klasifikasi emosi

dengan menggunakan ANFIS. Metode ini digunakan karena belum ada penelitian
sebelumnya yang mengusulkan metode ini untuk mengklasifikasikan emosi dari
sinyal EEG. Metode ANFIS pernah digunakan pada penelitian sebelumnya
dimana dengan menggunakan metode ini 80% dari pengujian data diprediksi
dengan baik [12]. Selain itu metode ANFIS juga digunakan pada penelitian yang
dilakukan oleh Suwanto et.al dimana ia menggabungkan metode Fast Fourier
Transform (FFT) dan ANFIS untuk mengidentifikasikan seseorang mengidap
epilepsy atau tidak. Hasil yang didapatkan akurasi, sensitivitas dan presisi sebesar
100% [6].

Preprocessing EEG dapat dilakukan dengan simple temporal & spatial

filter atau metode filter yang lebih canggih seperti Independent Component
Analysis (ICA), Common SpatialPatterns (CSP), Principal Component Analysis
(PCA) dan 2 lain sebagainya. ICA sendiri sudah digunakan secara luas sebagai
metode untuk memisahkan artefak dari data EEG. ICA akan bertindak sebagai
blind source separation dengan memisahkan data sinyal ke dalam bentuk data
yang independent atau disebut independent component (IC) [3]

Maka pada penelitian ini, akan dibuat suatu sistem klasifikasi, dimana
menggabungkan Independent Component Analysis (ICA) dan Principal
Compoment Analysis (PCA) sebagai proses ekstraksi fiturnya, dan menggunakan
ANFIS sebagai metode klasifikasinya. Diharapkan dengan menggabungkan
beberapa metode tersebut dapat menghasilkan sistem klasifikasi emosi secara
optimal dengan menggunakan data EEG.

1.2. RUMUSAN MASALAH

Dari penelitian ini terdapat rumusan masalah sebagai berikut:
1. Mendapatkan metode untuk mengklasifikasikan emosi pada data sinyal
EEG dengan ANFIS.
2. Bagaimana mendapatkan hasil akurasi sistem klasifikasi menggunakan
ICA dan PCA dengan ANFIS.

2
1.3. RUANG LINGKUP
Adapun batasan masalah pada penelitian ini adalah mengklasifikasikan
emosi berdasarkan sinyal EEG dengan menggunakan metode ANFIS berdasarkan
parameter Independent Component Analysis (ICA) dan Principal Component
Analysis (PCA)

1.4. TUJUAN
Adapun tujuan dari penelitian ini adalah:
1. Mengklasifikasikan emosi dari data sinyal EEG dengan melakukan
preprocessing menggunakan ICA serta algoritma klasifikasi ANFIS.
2. Membuktikan bahwa preprocessing menggunakan ICA mampu
meningkatkan akurasi data dibandingkan tanpa menggunakan ICA.

1.5. URGENSI DAN MANFAAT PENELITIAN

Adapun manfaat dari penelitian ini adalah meningkatkan hasil klasifikasi
emosi manusia dari fitur sinyal EEG berdasarkan pada channel – channel yang
aktif saat terjadi dalam kondisi emosional pada manusia.

1.6. SISTEMATIKA PENULISAN

Tugas akhir ini memiliki beberapa bab dan subbab disertai pembahasannya
masing-masing. Berikut ini adalah sistematika penulisan dalam penulisan
proposal tugas akhir
BAB 1 : PENDAHULUAN
Bab ini berisikan penjelasan mengenai latar belakang, rumusan
masalah, tujuan, urgensi penelitian, dan sistematika penulisan
laporan penelitian tugas akhir mengenai metode ANFIS pada data
EEG untuk dapat diklasifikasikan.
BAB 2 : TINJAUAN PUSTAKA

3
 Bab ini membahas mengenai teori-teori yang terkait dengan
metode ANFIS, definisi emosi, sinyal EEG, data akuisisi,
preprocessing dan ekstraksi ciri

BAB 3 : METODOLOGI DAN JADWAL PENELITIAN

Bab ini menjelaskan tahapan-tahapan yang akan dilakukan pada
penelitian ini, alat dan bahan yang digunakan serta jadwal
penelitian yang akan dilakukan.
BAB 4 : LUARAN PENELITIAN
Bab ini berisi tentang harapan dari penelitian yang akan dilakukan
dan manfaatnya
DAFTAR PUSTAKA
Bab ini berisi sumber-sumber referensi yang digunakan untuk
penelitian ini

4
 BAB II
TINJAUAN PUSTAKA

2.1. Model Emosi Pada Manusia

Emosi adalah suatu persepsi saat kondisi orang tersebut sadar maupun
tidak sadar tentang suatu objek yang sering dikaitkan dengan perasaan dan
pemikiran yang khas sehingga ada kecenderungan untuk bertindak. Contohnya
saat suasana hati kita sedang tidak baik, adanya kecederungan untuk marah.
Emosi bisa diklasifikasikan antara emosi yang positif maupun yang negative.
Emosi positif seperti bahagia, merasakan perasaan yang menguntungkan, emosi
yang negative adalah kebalikan dari emosi positif seperti marah, rasa bersalah[2].
Emosi adalah suatu reaksi terhadap rangsangan baik dari luar ataupun dari
diri sendiri, hal ini berkaitan dengan perubahan psikologis dan pikiran dari setiap
manusia. Emosi merupakan aspek penting dalam kehidupan manusia yang dapat
dinyatakan secara verbal melalui penyampaian kata-kata emosional serta dapat
juga dinyatakan secara non verbal misalnya ekspresi wajah, tekanan nada
pembicaraan dan gerakan tubuh. Penelitian tentang emosi telah banyak dilakukan
baik secara psikologi, biologi, maupun secara komputerisasi.

5
 Emosi dibagi menjadi 2 model [3], yaitu ;

2.1.1 Model Arousal dan Valence

Gambar 2.1 Kuadran emosi berdasarkan model Arousal dan Valence [3]

Seperti yang dapat di lihat dari Gambar 2.1. menunjukan pada model ini
pembagian emosi terbagi atas 4 kuadran emosi yaitu takut, senang, sedih, dan
normal. Di mana pada kuadran 2, emosi marah sama dengan emosi takut
dikarenakan penelitian menemukan emosi takut lebih luas pada area neuroscience
kognitif dibandingkan emosi marah

2.1.2 Model Circumplex

Gambar 2.2 Emosi berdasarkan 12-point Circumplex[3]

6
 Pada model ini, mengintegrasikan dimensi model yang berbeda dari
suasana hati dan emosi. Di mana nilai emosi dasar berdasarkan penempatan
variabel eksternal menggunakan metode circum-extention. Gambar 2.2
menunjukkan lokasi yang tepat dari emosi takut, sedih dan senang. Sedangkan
untuk emosi normal tidak dikenal dalam model ini akan tetapi direpresentasikan
dengan nilai (0,0). Model ini adalah estimasi derajat dari setiap variabel yang
ditentukan dari akar kuadrat variabel eksternal

2.2. Sinyal EEG

Sinyal Electroencephalogram (EEG)[1]–[3], [7]–[9] merupakan rekaman
sinyal yang didapat dengan cara merekam aktivitas elektrik spontan gelombang
otak dengan cara mengukur fluktuasi tegangan di dalam neuron otak selama
periode waktu tertentu.
EEG membuat peneliti dapat mengukur impulse elektrik pada semua
permukaan otak dan mengamati perubahan yang terjadi tiap satuan waktu. Sinyal
EEG dapat digunakan untuk menganalisa emosi. Aktifitas sinyal EEG cenderung
cukup kecil, biasanya dalam ukuran microvolts dengan frekuensi utama sampai di
atas 30 Hertz.

Dalam kurun waktu tertentu EEG bisa mendapatkan rekaman dan catatan
aktifitas dari perangkat otak yang di sebut BCI (Brain Computer Interface ).
Sinyal elektrik yang dihasilkan secara natural oleh otak akan ditangkap oleh
kanal-kanal elektrode pada BCI.

2.3. Data Akuisisi

DEAP : A database for Emotion Analysis using physiological Signals yang
merupakan data yang sudah melewati tahap preprocessing sebanyak 32 data
dalam bentuk .mat. data raw berbentuk array yang berisi 40 x 40 x 8064 (trial x
kanal x panjang sinyal). pada dataset terdapat tingkat valence berskala 1-9 yang
digunakan untuk memperoleh kondisi senang atau sedih. Skala sedih dari nilai 1-4
dan skala senang dari nilai 4,01-9. Dari 32 data tersebut kemudian dijabarkan oleh
sistem dan dihitung rata-rata 32 saluran dalam setiap percobaan dan mendapatkan
1.280 data dalam bentuk excel yang sudah dibagi berdasarkan trial yang ada
sebanyak 40 trial. Dalam satu trial terdapat 32 data yang kemudian dibagi menjadi

7
data latih dan data uji untuk memperoleh ekstraksi fitur yang terbaik. Trial yang
terbaik adalah trial yang ke-8 karena fitur yang didapatkan setelah dibandingkan
adalah yang paling baik dari antara data yang lainnya. Dalam data trial ke 8
berisikan data tentang ciri (A dan W) dan kelas emosi (Happy dan Sad) sebanyak
32 data. Pembagian data latih dan data uji yaitu dengan menggunakan
perbandingan seperti : 30:70, 50:50, dan 70:30 (sebelah kiri adalah data latih dan
sebelah kanan adalah data uji).
2.4. Preprocessing dan Ekstraksi Ciri
Independent Component Analysis (ICA) merupakan sebuah metode
preprocessing pada data sinyal dengan melakukan dekomposisi sinyal data
kedalam bentuk yang independent untuk mendeteksi artefak yang menyebabkan
noise.

Gambar 2.3 Implementasi circumplex model pada video percobaan ICA[10]

ICA telah terbukti efisien dalam memisahkan data dari artefak seperti
kedipan mata, Gerakan otot, atau denyut jantung [10]. Tujuan awal algoritma ini
ialah sebagai pengenal asal suara dari berbagai sumber yang bercampur atau
disebut cocktail party problem.

Principal Compoment Analysis (PCA) Metode untuk mengidentifikasi

pola-pola yang terdapat dalam sebuah data dan menyatakannya dalam sebuah cara
untuk menentukan kemiripan dan perbedaan yang dimiliki oleh data tersebut.
Keunggulan dari PCA salah satunya adalah dapat mengurangi jumlah dimensi
yang terdapat dalam satu pola tanpa mengurangi informasi yang terdapat dalam
data tersebut. Oleh karena itu, PCA sangat diperlukan untuk membantu reduksi
terhadap pola-pola yang ada dalam suatu klaster.PCA sangat cocok untuk

8
digunakan terhadap higdimensional dataset. PCA lebih dikenal dengan sebutan
analisa faktor ( factor analysis).

2.5. Sinyal Domain Waktu

Sinyal merupakan informasi yang dienkode dalam bentuk gelombang.
Secara sistemik, sinyal berada pada domain waktu dan diekspresikan sebagai
fungsi dari parameter waktu. Pada sinyal domain waktu, garis horizontal
dipresentasikan sebagai waktu dan garis vertikal sebagai amplitudo seperti yang
dapat dilihat pada Gambar 2.7 yang merupakan contoh gambaran hasil perekaman
sinyal EEG.

Gambar 2.4 Sinyal Pada Domain Waktu[14]

Fitur-fitur yang bisa didapatkan pada sinyal domain waktu antara lain[16]
[17] :

1. Nilai maksimum dan minimum menunjukkan nilai amplitudo sinyal disaat

maksimum dan minimum. Nilai ini digunakan untuk membandingkan
puncak tertinggi dan terendah dari beberapa sinyal emosi.
2. Nilai mean atau nilai rata-rata dari sinyal

N
1
x́= ∑ x i EEG
N i=1 (2.4)

9
 Keterangan:
x́ i= nilai data ke-i
N = jumlah data

3. Nilai median atau nilai tengah yang memisahkan setengah nilai yang lebih
tinggi dan setengah nilai lainnya untuk mencari nilai tengah

Med=¿
(2.5)

Keterangan:
Apabila N ganjil
Apabila N genap

4. Deviasi standar

α=
√ ∑ (x iEEG−x iEEG)2
i−1

Keterangan:
N−1
(2.6)

x = nilai rata-rata
Perhitungan skewness menunjukkan derajat ketidaksimetrisan sinyal
terhadap distribusi normal Gaussian. Kurva hasil perhitungan skewness ini
dapat condong ke arah positif maupun arah negatif apabila tidak
terdistribusi normal.

∑ ( x iEEG−x iEEG)3
i=1
Sω=
3
N (2.7)

N (√ ∑ ( x tEEG−x tEEG)
t=1
N−1
2

)
10
5. Kurtosis merupakan derajat keruncingan sinyal terhadap distribusi normal.
Pada distribusi normal, kurtosis memiliki nilai tiga. Ketika kurtosis
berinilai lebih dari tiga, kurva distribusi memiliki puncak yang lebih tinggi
dan sebaliknya.

4
x iEEG −x iEEG
Kr=
(∑
i=n 2 ne ) (2.8)
N ¿¿

6. Nilai rata-rata dari absolut turunan pertama

N−1
1
δ= ∑ |x +1−x iEEG|
N−1 i−1 iEEG (2.9)

7. Nilai rata-rata dari absolut turunan kedua

N −2
1
δ= ∑ |xiEEG +2−x iEEG|
N−2 i=1 (2.10)

8. Normalisasi turunan pertama dihitung dengan melakukan pembagian

antara nilai rata-rata absolut turunan pertama dengan deviasi standar.

δ
γ= (2.11)
α

Keterangan:
γ = Nilai rata-rata absolut turunan pertama
α= nilai devisiasi standar

11
 9. Normalisasi turunan kedua dihitung dengan melakukan pembagian antara
nilai rata-rata absolut kedua dengan deviasi standar.

δ
γ= (2.12)
α

Keterangan:
δ= nilai rata-rata absolut turunan kedua

2.6. Algoritma Klasifikasi ANFIS

ANFIS (Adaptive Neuro-Fuzzy Inference System) merupakan algoritma

hybrid yang merupakan gabungan dari mekanisme Fuzzy Inference System (FIS)
dan metode jaringan syaraf tiruan. ANFIS memiliki dua parameter, yaitu
parameter premis dan parameter konsekuen. Algoritma pelatihan hybrid ini
dilakukan secara bertahap, maju, dan mundur [17, 18, 19]. Gambar 1
menunjukkan arsitektur ANFIS

Gambar 2.5 Anfis Arsitektur[12]

Penjelasan pada masing-masing lapisan sebagai berikut [12]:

Lapisan 1: Fuzzyfication

12
 Pada layer ini, pembentukan himpunan fuzzy akan dilakukan dengan
menggunakan fungsi keanggotaan. Ada beberapa fungsi keanggotaan yang bisa
digunakan diantaranya, Bell, Gaussian, trap, triangle, dan lain-lain. Output pada
layer 1 dinyatakan seperti pada persamaan 2.13, dengan i adalah data

1
O1 i=µ A i( x)= 2
x−c (2.12)
| |
1+
a

Dimana :
µ A i ( x) = derajat keanggotaan
x = data inputan
c = mean
a = standar deviation
Lapisan 2: product

Setiap simpul pada lapisan ini diberi label Π , bersifat non-adaptif

(parameter tetap) yang mempunyai keluaran berupa perkalian dari semua sinyal
yang masuk.

O=wi=µ A i ( x ) µ Bi ( y ) , i=1,2

Dimana :

µ A i ( x ) = tingkat keanggotaan

µ Bi ( y ) = tingkat keanggotaan

w i = kekuatan aktivasi

Masing-masing simpul yang keluar menyatakan derajat pangaktifan yang

telah diatur oleh fuzzy. Secara umum, T-norm dapat mengungkapkan maksud dari
logika fuzzy AND dapat digunakan sebagai simpul pada lapisan ini.

Lapisan 3: normalization

Setiap simpul dalam lapisan ini diberi label N, dan bersifat non-adaptif.
Masing-masing simpul menampilkan derajad pengaktifan ternormalisasi dengan
bentuk:

13
 wi
O3 ,i =w= ,i=1,2
w1 +w 2

Dimana :

w = kekuatan aktivasi

Apabila dibentuk lebih dari dua aturan, fungsi dapat diperluas dengan
membagiw i dengan jumlah w total untuk semua aturan.

Lapisan 4: defuzzication

Tiap simpul pada lapisan 4 berupa simpul adaptif dengan fungsi simpul
sebagai berikut:

O 4 , i=w i f i= ẃi ( pi x +q i y + r i)

Dimana w i adalah derajat pengaktifan ternormalisasi dari lapisan 3 dan {

{ p b q b r i } merupakan himpunan parameter dari simpul ini. Parameter dilapisan ini
dinamakan parameter konsekuen.

Lapisan 5: output

Simpul tunggal pada lapisan 5 ini diberi label ∑ , yang mana menghitung
semua keluaran sebagai penjumlahan dari semua sinyal yang masuk:

Keluaran keseluruhan =

∑ wi f i
i
O5 ,i =∑ wi f i=
i ∑ wi
i

Dimana :
w i f i = hasil dari layer 4

2.7. PENELITIAN YANG TERKAIT DENGAN

Berikut ini beberapa literatur yang digunakan untuk penelitian ini:

Tabel 2.1 Penelitian terkait dengan penggunaan metode

No penulis Latar Belakang Metode Hasil
1 ALDY Apa kerangka Independent klasifikasi emosi dengan

14
 SYAHDEI kerja yang paling Component preprocess
NI,2015. baik untuk Analysis (ICA) , menggunakan ICA
[10] mengklasifikasika Wavelet dengan merata-ratakan
n emosi pada data Denoising dan 100 fitur menghasilkan
sinyal EEG Multiple akurasi sebesar 70%,
Discriminant sedangkan tanpa
Analysis (MDA) menggunakan ICA viii
menghasilkan akurasi
sebesar 65%.
2 Bimo Rian Bagaimana Metode Metode ICA digunakan
Tri mendeteksi sinyal Independent untuk memperoleh
Nugroho,20 otak yang Component informasi ciri-ciri yang
19.[8] menunjukan Analysis (ICA) dihasilkan oleh otak
emosi seperti sinyal yang
sedih,senang, atau diamati dan SVM akan
netral. mencari akurasi dari
sinyal yang diamati dan
dari hasil GA akan
didapatkan kesimpulan
apa emosi yang
dirasakan oleh peserta.
3 SAIFUL Penelitian ini Logarithmic Dari hasil uji coba
BAHRI mengusulkan learning for berdasarkan pemilihan
MUSA,201 sebuah kerangka Generalized channel-channel
7.[2] klasifikasi emosi Classifier Neural diperoleh rata-rata
manusia dari data Network (L- akurasi adalah 86.94 %
sinyal EEG GCNN) untuk skenarioB dan
menggunakan skenarioA mendapatkan
metode rata-rata akurasi 68.45
Logarithmic %. Dari hasil uji coba
learning for diperoleh kesimpulan
Generalized bahwa skenario B lebih
Classifier Neural baik dari skenario A
Network (L-
GCNN),.
4 Ratna Penggunaan Adaptive Penggunaan Adaptive

15
 Karmila.20 Adaptive Backpropagation Backpropagation dapat
16. [10] backpropagation mempercepat dalam
dimaksudkan proses pembelajaran
untuk dengan tingkat akurasi
mempercepat 75%,
dalam proses
pelatihan.
5 Irvan mendeteksi algoritma Akurasi terbaik
Herdiansya kondisi kelelahan klasifikasi LDA diperoleh dengan
h , dengan melakukan ekstraksi
Esmeralda menggunakan uji menggunakan orde 30
C. Djamal, kemampuan dengan akurasi 82% dari
Agus kognitif 90 dataset yang
Komarudin digunakan
2017.[14]
6 Güler, Inan Pengambilan ANFIS Kinerja model ANFIS
Übeyli, Elif keputusan dievaluasi dalam hal
Derya dilakukan dalam kinerja pelatihan dan
(2005) [5] dua tahap yaitu klasifikasi
ekstraksi ciri akurasi dan hasil
menggunakan menegaskan bahwa
wavelet transform model ANFIS yang
(WT) dan dilatih diusulkan berpotensi
ANFIS dalam
dengan metode mengklasifikasikan
penurunan sinyal EEG..
gradien propagasi
mundur yang
dikombinasikan
dengan metode
kuadrat terkecil

7 MUHAM mengusulkan linear dibuktikan bahwa

MAD AFIF metode discriminant pendeteksian kondisi
HENDRA pendeteksian anaalysis (LDA) kelelahan mental dapat
WAN[11] kelelahan mental menggunakan sinyal

16
 dengan EEG yang didapatkan
menggunakan hanya dari satu kanal.
sinyal EEG yang
diambil dari satu
kanal
8 Suwanto, mengidentifikasi metode Fast Didapatkan akurasi,
Suwanto seseorang Fourier sensitivitas, dan presisi
et.al (2019) mengidap epilepsi Transform (FFT) sebesar 100% dan
[6] atau tidak. dan Adaptive sistem klasifikasi sinyal
Neuro Fuzzy EEG menggunakan
Inference System ANFIS dengan
(ANFIS) pembagian tiga kelas
(Normal-Not Seizure
Epilepsy-Epilepsy)
menghasilkan akurasi
sebesar 89.33%
sensitivitas sebesar
89.37% dan presisi
sebesar 89.33%.
10 Komijani, klasifikasi citra ANFIS MSE prediksi rata-rata
Hossein motor (MI) untuk 0,0302 dan akurasi
et.al Sistem BCI klasifikasi rata-rata
(2019).[1] menggunakan 85,52% adalah
antarmuka neuro- diperoleh sebagai hasil.
fuzzy adaptif
berulang
sistem (ANFIS)

11 Wayan Penelitian ini ANFIS Dengan metode ANFIS,

Suparta, menggunakan data curah hujan
Azizan Abu ANFIS untuk bulanan di Tangerang
Samah , mengurangi selatan berhasil
2020.[12] jumlah korban diprediksi dengan
dan kerugian kinerja rata-rata
materil karena pengujian sekitar 80%
banjir

17
12 T.O. Penggunaan Adaptive Neuro- Model ANFIS juga
Babarindea, model ANFIS Fuzzy Inference menyediakan ukuran
S.A. dijelaskan dalam System (ANFIS) keluaran statistik seperti
Akinlabi , memprediksi Root Mean Square Error
D.M. efisiensi (RMSE) dan Mean
Madyiraa , nanolubricant Absolute Deviation
F.M. MWCNT dalam (MAD), Mean Absolute
Ekundayo, suatu uap. Percentage Error
P.A. (MAPE), dan koefisien
Adedeji.20 determinasi (R2).
20. [13] .

13. Ratna EEG sebagai Discrete Wavelet Klasifikasi dengan ANN

Karmila*, instrument untuk Transform dan kurang tepat.
Esmeralda menangkap sinyal ANN
C. Djamal, otak agar dapat
Dian mengetahui apa
Nursantika[ pengaruh dari
10] stimulasi yang
diterima

18
 BAB III
METODOLOGI DAN JADWAL PENELITIAN

3.1. METODE PENELITIAN

Metode penelitian ini akan membahas beberapa hal, yaitu: bahan
penelitian, alat penelitian, dan alur penelitian.

3.1.1 Bahan Penelitian

Dataset yang digunakan pada penelitian ini adalah data sinyal EEG
berdasarkan emosi atau lebih dikenal dengan DEAP (database for emotion
analysis using physiological signal) data ini diperoleh dari situs:
http://www.eecs.qmul.ac.uk/mmv/datasets/deap/download.html.
Data ini diperoleh dari situs Dataset telah melewati pra-proses dalam versi
matlab, besaran data adalah 2.9 Gb. Database ini menyimpan 32 berkas partisan di
mana 22 partisan disertai dengan data psikologis.

Proses perekaman data pada setiap partisan dengan cara memberikan

stimulus 40 klip video musik berasal dari situs www.youtube.com, yang masing-
masing video berdurasi 1 menit dengan down sampled telah berubah menjadi 128
Hz. Untuk setiap video, perekaman sinyal otak pada partisan dilakukan sebanyak
40 kali di mana proses jeda perekaman terjadi setelah 20 kali rekaman data sinyal
otak. Dalam rekaman tersebut terdapat 32 Channel data rekaman sinyal EEG,
selebihnya adalah sinyal data hEOG, vEOG, zEMG, tEMG, GSR, Respiration
belt, Plethysmograph dan Temperature. Untuk posisi channel berdasarkan
rekaman data sinyal EEG dapat dilihat pada Gambar 3.1

Pada penelitian ini telah ditentukan channel – channel setelah melakukan

beberapa kali uji coba, dimulai dengan menggunakan keseluruhan channel,
memilih beberapa channel untuk seluruh kelas sampai dengan terakhir memilih
channel berdasarkan kelas yang juga menjadi skenario dari uji coba. Di mana
channel - channel tersebut didasari oleh beberapa area pada kepala seperti area
dahi, area belakang telinga kiri / kanan dan pada area tengkuk yang memiliki
informasi sangat penting dalam mengenali emosi manusia berdasarkan sinyal
EEG. Untuk label Kelas pada dataset ini terdiri dari 4 kelas emosi yang dinilai

19
oleh para pakar. Adapun channel – channel yang diterapkan berdasarkan kedua
skenario dapat dilihat pada Tabel 3.1 dan Contoh sinyal dari beberapa channel
hasil rekaman dapat dilihat pada Gambar 3.2.

Tabel 3.1 Daftar Channel yang diterapkan berdasarkan Skenario Penelitian

Gambar 3.1 Posisi 32 Channel sesuai dataset[15]

20
 Gambar 3.2 sinyal EEG berdasarkan channel (a) Fp1 (b) AF3 (C) F3[15]

3.1.2 Alat Penelitian

Penelitian ini menggunakan komputer dan software dengan spesifikasi
berikut:
Tabel 3.2 Tabel Alat Penelitian
NO Hardware dan software Spesifikasi
1 Komputer(pc)/laptop RAM 4Gb
HDD 100GB
Processor 2,4 GHz Quadcore
2 Operating System Windows 10,64 bit
3 Software matlab 2017
3.1.3 Alur Penelitian

21
 Perancangan algoritma yang diusulkan yaitu pengklasifikasian emosi
manusia berdasarkan sinyal EEG dengan menggunakan metode ANFIS. Pra
proses sebelum klasifikasi adalah proses shifting sinyal menggunakan PCA dan
ekstraksi serta seleksi fitur menggunakan ICA. Dilanjutkan dengan uji coba serta
menganalisis hasil dari metode yang diusulkan .

Gambar 3.3 Alur penelitian

Gambar 4.1 merupakan alur perancangan metode klasifikasi menggunakan

ANFIS yang akan dilakukan pada penelitian ini. Adapun tahapan-tahapan yang
akan dilakukan yaitu :

A. Proses akuisisi Data

22
 Proses perekaman data pada setiap partisan dengan cara memberikan
stimulus 40 klip video musik berasal dari situs www.youtube.com, yang masing-
masing video berdurasi 1 menit dengan down sampled telah berubah menjadi 128
Hz. Untuk setiap video, perekaman sinyal otak pada partisan dilakukan sebanyak
40 kali di mana proses jeda perekaman terjadi setelah 20 kali rekaman data sinyal
otak. Dalam rekaman tersebut terdapat 32 Channel data rekaman sinyal EEG,
selebihnya adalah sinyal data hEOG, vEOG, zEMG, tEMG, GSR, Respiration
belt, Plethysmograph dan Temperature. Untuk posisi channel berdasarkan
rekaman data sinyal EEG dapat dilihat pada Gambar 3.3 dan untuk deskripsi 32
Channel Sinyal EEG dapat dilihat pada lampiran 1.

Pada penelitian ini telah ditentukan channel – channel setelah melakukan

beberapa kali uji coba, dimulai dengan menggunakan keseluruhan channel,
memilih beberapa channel untuk seluruh kelas sampai dengan terakhir memilih
channel berdasarkan kelas yang juga menjadi skenario dari uji coba. Di mana
channel - channel tersebut didasari oleh beberapa area pada kepala seperti area
dahi, area belakang telinga kiri / kanan dan pada area tengkuk yang memiliki
informasi sangat penting dalam mengenali emosi manusia berdasarkan sinyal
EEG. Untuk label Kelas pada dataset ini terdiri dari 4 kelas emosi yang dinilai
oleh para pakar. Adapun channel – channel yang diterapkan berdasarkan kedua
skenario dapat dilihat pada Tabel 3.1 dan Contoh sinyal dari beberapa channel
hasil rekaman dapat dilihat pada Gambar 3.4. Tabel 3.1 Daftar Channel yang
diterapkan berdasarkan Skenario Penelitian

B. Preprocessing
1. Import Into EEGLab

Gambar 3.4 Alur Import Data

23
 Pada Tahapan ini data mentah sinyal EEG dikumpulkan dari database
DEAP dan akan diproses melalui software MatLab. Dalam mengolah sinyal
EEG dibutuhkan path tambahan dari MatLab yaitu EEGLab. Path EEGLab
dapat diunduh dari laman sscn.uscd.edu dan dibutuhkan pensettingan
terlebih dahulu sebelum digunakan. Setelah EEGLab berhasil dijalankan,
sinyal EEG dengan format .bdf dapat dimuat dan siap untuk diproses.

2. Import Event Markers and Channels Location

Gambar 3.5 Alur Penetapan Channels Location

Dalam pre-processing sinyal EEG, software akan memperlihatkan status

unknown pada channels location. Channel locations memuat sejumlah
informasi dari tiap channels yang ada dan dapat menampilkan posisi plot tiap
channels dalam format 2D ataupun 3D. Tahapan dalam menentukan location
channels diantaranya, membuka menu edit dan memilih lokasi penyimpanan
data channel. Penyetingan informasi channel juga dapat dilakukan sesuai
kebutuhan dalam penelitian. Setelah keseluruhan tahapan selesai maka akan
dapat dilihat plot tiap channels dalam format yang diinginkan.

2. Re-Ference / Down Sampling

Re-Ference data berfungsi sebagai pengklasifikasi atau pengelompokan

data yang berfungsi untuk menghubungkan database dengan data luar agar
terjadinya sinkronisasi data. Data mentah EEG yang diperoleh memiliki
sampling 512 MHz dan dapat dilakukan down sampling untuk menghemat
waktu dan ruang saat melakukan proses analisa data.

3. High Pass Filter

24
 Gambar 3.6 Alur Filter Data

Data mentah sinyal EEG yang diperoleh masih banyak memiliki

electrical noise dan perlu dilakukan cut off frekuensi untuk menghilangkan
noise tersebut. Cut off frekuensi dapat dilakukan dengan menggunakan fitur
Filter Impuls Respons (FIR) yang dimana FIR merupakan filter yang
memiliki respon impuls yang berdurasi terbatas.

4. Data Process

Gambar 3.7 Alur Data Process

Dalam memproses data sinyal EEG memiliki beberapa tahapan

diantaranya, identify/ reject bad channels, reject large artifact time point,
run ICA and reject components. Identify/ reject bad channels merupakan
tahapan pengidentifikasian dan menghilangkan channels buruk yang tidak
dibutuhkan. Reject large artifact time point merupakan tahapan
menghilangkan artifact atau noise yang dihasilkan dari kedipan mata, dan
reaksi otot dari subjek saat dilakukan pengambilan sinyal EEG. Run ICA
and reject components merupakan tahapan untuk mendapatkan matrik
independent component dan mendeteksi noise/ aritfact yang harus dianalisa
lebih lanjut.

C. Proses Ekstaksi fitur

Pada tahap sebelumnya, sinyal EEG dibagi menjadi beberapa gelombang
dengan dua metode yang berbeda. Pada tahap ini ekstraksi ciri yang akan
digunakan juga berbeda untuk gelombang hasil filter II R, ciri yang diekstrak
adalah Power Percentage (PP). Persamaan 2.5 digunakan untuk mendapatkan
nilai PP. Khusus untuk ekstraksi ciri dengan menggunakan PP, terdapat empat
gelombang tambahan yang merupakan pecahan dari gelombang a dan b.

25
Gelombang tersebut adalah alow (8 – 9 Hz), ahigh (10 – 12 Hz), blow (13 – 17
Hz), dan bhigh (18 – 30 Hz). Sehingga ciri PP akan diekstrak dari 8 gelombang,
yaitu d, q, a, alow, ahigh, b, blow, dan bhigh. Cara ini dilakukan untuk menambah
detail ciri yang dapat diekstrak dari gelombang- gelombang tersebut.

D. Nilai Arousal dan Valance Subjek

Nilai Arousal dan Valance dapat ditentukan dengan melakukan analisa
statistik dengan melihat nilai parameter tiap channel yang ditentukan. Parameter
tersebut diantaranya, peak to peak, mean, median, deviasi standar, skewness,
kurtosis, rata-rata absolut dan normalisasi rata-rata.

E. Hasil Analisis Klasifikasi ANFIS

Proses klasifikasi menggunakan ANFIS terdiri dari 5 tahap yaitu

fuzzifikasi, produk, normalisasi, defuzzifikasi, dan keluaran. Proses fuzzifikasi
merupakan pemetaan masukan menjadi himpunan fuzzy untuk mendapatkan
derajat keanggotaan tertentu dari transformasi masukan himpunan klasik. Proses
selanjutnya adalah product and normalization, yaitu proses menghitung derajat
aktivasi, kemudian menghitung daya aktivasi ternormalisasi dengan cara membagi
setiap hasil dari layer kedua dengan jumlah total w. Pada tahap keempat, hasil
fuzzy akan diubah menjadi himpunan klasik (crisp), dan perhitungan pada lapis
kelima dilakukan untuk mendapatkan nilai parameter koefisien dan
menjumlahkan semua masukan dari lapis keempat.

Pada tahapan ini jumlah data latih untuk setiap kelas adalah sebanyak 80%
dari masing-masing kelas data fitur yang terbentuk, dengan kata lain jumlah data
latih secara keseluruhan kelas adalah 80 %. Tujuan tahapan ini adalah melatih
data emosi manusia berdasarkan sinyal EEG menggunakan metode klasifikasi

26
ANFIS. Hasil dari klasifikasi tersebut mendapatkan model latih yang akan
digunakan dalam mengidentifikasi emosi manusia dengan data uji.

Tujuan dari tahapan ini adalah untuk mengidentifikasi kelas dari data uji
coba. Pada Tahapan ini, jumlah data uji coba sebanyak 20% dari jumlah
keseluruhan kelas data. Proses mengukur klasifikasi dilakukan sebanyak 5 kali
iterasi. Untuk mendapatkan hasil acak yang tidak mirip maka proses penyeleksian
hasil acak menggunakan nilai treshold kemiripan sebesar 0.45. proses
penyeleksian data uji iterasi ke 2 akan dipengaruhi oleh data uji iterasi 1, data uji
ke 3 akan dipengaruhi oleh data uji 1 dan ke 2, begitu seterusnya sampai data uji
iterasi terakhir. Sesuai dengan skenario, uji coba pada penelitian ini didasari oleh
dua kategori jumlah channel, di mana penerapan data uji terhadap kedua kategori
tersebut adalah data uji yang sama.

Adapun tahapan-tahapan yang dilakukan pada simulasi MATLAB sebagai

berikut:

1. Input dataset sinyal EEG (.mat) berupa script ke dalam MATLAB

2. Preprocessing EEG dilakukan dengan cara Re-ference/down sampling, filter
data, reject component artefact dan reject bad channel.
3. Melakukan Preprocessing EEG dengan simple temporal &spatial filter yang
lebih canggih yaitu Independent component analysis (ICA). Metode ICA
memisahkan artefak dari data EEG dengan cara memisahkan data sinyal ke
dalam bentuk data yang independent.
4. Melakukan ekstraksi feature principal component analysis (PCA).
5. Melakukan analisa statistik dengan melihat parameter tiap channel yang
ditentukan. Parameter tersebut diantaranya, peak to peak, mean(pers 2.4),
median(pers 2.5), deviasi standar(pers 2.6), skewness(pers 2.7), kurtosis(pers
2.8), rata-rata absolut(pers 2.9 dan pers 2.10) dan normalisasi rata-rata(pers
2.11 dan pers 2.12).
6. Proses klasifikasi menggunakan ANFIS terdiri dari 5 tahapan yaitu
fuzzifikasi, produk, normalisasi, defuzzifikasi, dan keluaran
7. Menampilkan hasil analisis, akurasi, presisi dan error rate

27
 F. Kesimpulan
Pada bagian ini akan dijabarkan kesimpulan dari hasil penelitian yang
telah dilakukan untuk klasifikasi emosi menggunakan metode ANFIS

3.2 JADWAL PENELITIAN

Tabel berikut ini merupakan jadwal penelitian yang akan dilakukan::
Tabel 3.2 Jadwal Pelaksanaan Tugas Akhir
Bulan
No Kegiatan 1 2 3 4 5 6
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1 Studi
Literatur
Terkait
dengan
Metode
ANFIS
2 Input
dataset
EEG ke
matlab
3 Pengolah
an dataset
4 Klasifika
si ANFIS
5 Analisis
data
6 Hasil dan
Kesimpul
an
7 Membuat
Artikel
KI
8 Penulisan
Laporan

28
 BAB IV
LUARAN PENELITIAN

Penelitian ini diharapakan mendapatkan metode baru untuk pengolahan

sinyal EEG menggunakan metode ANFIS. Sehingga dengan menggunakan
metode ini didapat data yang optimum. Selain itu metode ini diharapkan dapat
mempermudah proses kasifikasi sinyal EEG.

29
 DAFTAR PUSTAKA

[1] H. Komijani, M. R. Parsaei, E. Khajeh, M. J. Golkar, and H. Zarrabi, “EEG

classification using recurrent adaptive neuro-fuzzy network based on time-
series prediction,” Neural Comput. Appl., vol. 31, no. 7, pp. 2551–2562,
2019, doi: 10.1007/s00521-017-3213-3.

[2] S. B. Musa, “Klasifikasi Emosi Sinyal EEG berdasarkan Empirical Mode

Decomposition dan Wavelet Packet Decomposition menggunakan
Logarithmic Learning for Generalized Classifier Neural Network,” Tesis
Its, p. 91, 2017, [Online]. Available: http://repository.its.ac.id/2459/.

[3] S. Aldy, “Klasifikasi Emosi Dari Data Sinyal EEG Menggunakan

Independent Component Analysis (ICA), Wavelet Denoising Dan Multiplr
Discrimant Analysis (MDA),” 2015.

[4] S. F. Anindya, A. Turnip, H. H. Rachmat, and K. Kunci, “Aplikasi

Transformasi Wavelet dan Adaptive Neuro-Fuzzy Inference System
( ANFIS ) untuk Deteksi P300 dalam Uji Kebohongan Berbasis EGG,”
2015.

[5] I. Güler and E. D. Übeyli, “Adaptive neuro-fuzzy inference system for

classification of EEG signals using wavelet coefficients,” J. Neurosci.
Methods, vol. 148, no. 2, pp. 113–121, 2005, doi:
10.1016/j.jneumeth.2005.04.013.

[6] S. Suwanto, M. H. Bisri, D. C. R. Novitasari, and A. H. Asyhar,

“Classification of EEG Signals using Fast Fourier Transform (FFT) and
Adaptive Neuro Fuzzy Inference System (ANFIS),” J. Mat. “MANTIK,”
vol. 5, no. 1, pp. 35–44, 2019, doi: 10.15642/mantik.2019.5.1.35-44.

[7] S. Koelstra et al., “DEAP: A Database for Emotion Analysis ;Using

Physiological Signals,” IEEE Trans. Affect. Comput., vol. 3, no. 1, pp. 18–
31, Jan. 2012, doi: 10.1109/T-AFFC.2011.15.

[8] B. Rian, T. Nugroho, R. Purnamasari, S. Hadiyoso, F. T. Elektro, and U.

Telkom, “Klasifikasi Emosi Berdasarkan Sinyal Eeg Dengan Menggunakan

30
 Metode Algoritma Genetika Dan Indepenent Component Analysis Emotion
Classification Based on Eeg Signal Using Genetic Algorithm and
Independent Component Analysis,” vol. 6, no. 2, pp. 1–13, 2019.

[9] V. Naibaho, S. Prodi, T. Informatika, F. Teknik, and U. Telkom,

“Klasifikasi Emosi Melalui Sinyal EEG yang Dihasilkan Otak dengan
Menggunakan Discrete Wavelet Transform dan Backpropagation Artificial
Neural Network Emotion Classification Through EEG Signal Produced by
Brain Using Discrete Wavelet Transform and Backprop,” e-Proceeding
Eng., vol. 2, no. 1, p. 2015, 2015.

[10] R. Karmila, E. C. Djamal, and D. Nursantika, “Identifikasi Tingkat

Konsentrasi Dari Sinyal EEG Dengan Wavelet dan Adaptive
Backpropagation,” pp. 23–27, 2016

[11] M. A. Hendrawan, “Deteksi Kondisi Lelah Berbasis Sinyal

Electroencephalograph (Eeg) Satu Kanal Menggunakan Linear
Discriminant Analysis (Lda),” 2018.

[12] W. Suparta and A. A. Samah, “Rainfall prediction by using ANFIS times

series technique in South Tangerang, Indonesia,” Geod. Geodyn., no. xxxx,
pp. 1–7, 2020, doi: 10.1016/j.geog.2020.08.001.

[13] T. O. Babarinde, S. A. Akinlabi, D. M. Madyira, F. M. Ekundayo, and P.

A. Adedeji, “Dataset of experimental and adaptive neuro-fuzzy inference
system (ANFIS) model prediction of R600a/MWCNT nanolubricant in a
vapour compression system,” Data Br., vol. 32, p. 106316, 2020, doi:
10.1016/j.dib.2020.106316.

[14] I. Herdiansyah, E. C. Djamal, and A. Komarudin, “Klasifikasi Sinyal EEG

Terhadap Tiga Kondisi Pikiran Menggunakan Autoregressive dan Adaptive
Backpropagation,” pp. 47–51, 2017.

[15] Delvina Aulia Fasich, “Klastering Emosi Berdasarkan Gelombang Otak

Sinyal EEG Menggunakan Fuzzy C-Means,” Institut Teknologi Sepuluh
Nopember, 2017.

31
[16] M. Islam, T. Ahmed, S. M. Sheikh, U. Y. Salah, and M. Ahmad, “Human
emotion recognition using frequency statistical measure of eeg signals,”
2013. (Dikutip pada halaman 9)

[17] R. Jenke, A. Peer, and M. Buss, “Feature extraction and selection for emotion
recognition from eeg,” IEEE TRANSACTIONS ON AFFECTIVE
COMPUTING, vol. 5, July-September 2015. (Dikutip pada halaman 9, 23,
46).

32