ELECTROENCEPHALOGRAPHY MENGGUNAKAN
METODE NEURO-FUZZY
Bidang Studi
Telekomunikasi dan Multimedia
Oleh:
TOBIYAS JANITRA
1704105010001
Tobiyas Janitra
NIM 1704105010001
ii
PENGESAHAN PROPOSAL
Nama :
NPM :
Bidang :
Judul :
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
iii
ABSTRAK
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
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
viii
DAFTAR SINGKATAN
ix
BAB I
PENDAHULUAN
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 .
1
menutupi kelemahan dari masing-masing metode. Dengan penggabungan ini
diharapkan juga mendapatkan keakuratan hasil daripada dengan satu metode saja.
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.
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.
3
Bab ini membahas mengenai teori-teori yang terkait dengan
metode ANFIS, definisi emosi, sinyal EEG, data akuisisi,
preprocessing dan ekstraksi ciri
4
BAB II
TINJAUAN PUSTAKA
5
Emosi dibagi menjadi 2 model [3], yaitu ;
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
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
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.
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.
8
digunakan terhadap higdimensional dataset. PCA lebih dikenal dengan sebutan
analisa faktor ( factor analysis).
Fitur-fitur yang bisa didapatkan pada sinyal domain waktu antara lain[16]
[17] :
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 ¿¿
N−1
1
δ= ∑ |x +1−x iEEG|
N−1 i−1 iEEG (2.9)
N −2
1
δ= ∑ |xiEEG +2−x iEEG|
N−2 i=1 (2.10)
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
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
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
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)
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
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
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)
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] .
18
BAB III
METODOLOGI DAN JADWAL PENELITIAN
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.
20
Gambar 3.2 sinyal EEG berdasarkan channel (a) Fp1 (b) AF3 (C) F3[15]
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 .
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.
B. Preprocessing
1. Import Into EEGLab
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.
24
Gambar 3.6 Alur Filter Data
4. Data Process
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.
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.
27
F. Kesimpulan
Pada bagian ini akan dijabarkan kesimpulan dari hasil penelitian yang
telah dilakukan untuk klasifikasi emosi menggunakan metode ANFIS
28
BAB IV
LUARAN PENELITIAN
29
DAFTAR PUSTAKA
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.
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