242
Penelitian filtering sinyal EEG menggunakan
wavelet antara lain untuk menangkap daya
imajinasi dengan menggerakan kursor ke kiri dan
ke kanan dengan tingkat akurasi 53,33% [5].
Penelitian lain untuk mendiagnosa pasien yang
memiliki penyakit epilepsi atau tidak
menggunakan wavelet dan AR model dengan
tingkat akurasi 92%[6]. Posisi kanal dan fungsinya
243
g₀=(1-√3)/(4√2), g₁=-(3-√3)/(4√2) (2) terletak pada tengah – tengah kedua buah class.
Usaha untuk mencari lokasi hyperplane ini
g₂=(3+√3)/(4√2), g₃=-(1+√3)/(4√2) merupakan inti dari proses pembelajaran pada
SVM. Terdapat dua jenis data pada SVM, yaitu
SVM linier dan non linier. Pencarian hyperplane
Keterangan : dengan linier dan non liner dapat dilihat pada
h(x) = koefisien low-pass filter Persamaan (5) dan (6).
g(x) = koefisien high-pass filter g ( x) sgn( f ( x)) (5)
Proses konvolusi dilakukan dengan Dan,
penggabungan koefisien low-pass filter dengan
hasil dekomposisi pada frekuensi rendah yang f ( x) w T x b (6)
biasa disebut dengan konvolusi aproksimasi dan Fungsi g(x) digunakan untuk mencari hasil
high-pass filter pada frekuensi tinggi yang biasa pada saat proses pengujian, sedangkan f(x)
disebut dengan konvolusi detil. Persamaan (3) digunakan untuk mencari proses hyperplane.
dan (4) merupakan konvolusi sinyal. Untuk pencarian support vector dapat digunakan
konvolusi aproksimasi= f(n) * h(x) (3) pada Persamaan (7).
konvolusi detil = f(n) * g(x) (4) y(xᵢwᵢ+b)≥1 (7)
Dimana, Dimana,
f(n) = sinyal asli y = class waspada / tidak waspada( 1 atau -1)
h(x) = koefisien low-pass filter
g(x) = koefisien high-pass filter xi = data ke – 1 hingga n data
244
menit, segmentasi dilakukan sebanyak 6 x 16 =
96 segmentasi dalam satu kanal.
Tahapan selanjutnya yaitu perancangan
klasifikasi tingkat kewaspadaan. Perancangan ini
akan menghasilkan dua ouput, yaitu class
waspada dan tidak waspada. Terdapat dua tahap
untuk mengklasifikasikan tingkat kewaspadaan,
yaitu praproses dan proses klasifikasi. Praproses
akan mensegmen data sinyal EEG sebanyak 2 x
96 segmentasi pada setiap naracoba yang
dihasilkan dari dua kanal. Kemudian sinyal yang
telah disegmen akan di-filter sesuai dengan
frekuensi yang akan digunakan untuk proses
klasifikasi yaitu, frekuensi 5Hz – 30Hz. Pada
filtering, terdapat tahapan untuk mengambil
frekuensi yang dibutuhkan dengan menggunakan Perancangan sistem klasifikasi kewaspadaan
koefisien low-pass filter dan high-pass filter.
Penggunaan koefisien ini, dilihat dari level Perancangan sistem klasifikasi akan
frekuensi yang akan digunakan. Fig 4 diimplementasikan pada perangkat lunak yang
menguraikan tahapan dalam pengambilan setiap akan dibangun. Sedangkan untuk meningkatkan
frekuensi. Frekuensi 5 Hz – 8 Hz membutuhkan kualitas sistem yang sudah dibangun yaitu
empat kali konvolusi low-pass filter dan yang dengan melakukan pengujian dan evaluasi.
terakhir high-pass filter yang menghasilkan 8
data. Kemudian frekuensi 9 Hz – 16 Hz III. HASIL DAN DISKUSI
membutuhkan tiga kali konvolusi low-pass filter Sistem klasifikasi telah dilakukan pelatihan
dan high-pass filter dengan menghasilkan 16 dari 3 naracoba dan pengujian dari keseluruhan
data. Frekuensi 17 Hz – 24 Hz melakukan dua naracoba. Data latih merepresentasikan kondisi
kali proses low-pass filter, satu kali high-pass waspada pada 8 menit pertama dan kondisi tidak
filter dan yang terakhir low-pass filter yang waspada pada 8 menit kedua. Sebelum diproses,
menghasilkan 16 data. Frekuensi 25 Hz – 28 Hz data latih akan disegmetasi tiap 10 detik yang
membutuhkan dua kali konvolusi low-pass filter, menghasilkan 2560 data setiap set sinyal.
dua kali konvolusi high-pass filter dan yang Segmentasi dilakukan sebanyak 2 x 96 kali
terakhir low-pass filter dengan hasil 8 data. segmentasi. Data latih dapat dilihat pada Tabel I.
Sementara frekuensi terakhir yaitu 29 Hz – 30 Hz
membutuhkan dua kali konvolusi low-pass filter, Filtering data latih dilakukan dengan
tiga kali konvolusi high-pass filter dan satu kali menganalisa frekuensi 5 – 30 Hz menggunakan
proses low-pass filter yang menghasilkan 4 data. wavelet. Hasil filtering mereduksi jumlah data
menjadi 2x520 data tiap datasetnya dalam 10
Data yang dihasilkan pada saat proses detik. Hasil ini merupakan titik yang digunakan
filtering yaitu 8 + 16 + 16 + 8 + 4 = 52 data setiap untuk proses klasifikasi. Tabel II menunjukan
satu detiknya pada satu kanal. Sehingga data titik yang dihasilkan dalam satu detik. Grafik dari
untuk 2 kanal menghasilkan 2 x 520 data dalam data sebelum dilakukan proses filtering dan
tiap 10 detik. setelah dilakukan filtering dapat dilihat pada
Setelah melakukan filtering, proses Gambar 7 dan Gambar 8.
selanjutnya adalah klasifikasi kewaspadaan
dengan Support Vector Machine (SVM). SVM TABEL I. DATA LATIH SINYAL EEG 16 MENIT
akan mencari koefisien dari setiap data yang Amplitudo (µv)
telah di-filter, sehingga ketika data uji dilakukan, Index Waktu(s) Kanal C3 Kanal C4
data tersebut akan dihitung berdasarkan 1 0.00390625000 0.452 -0.281
koefisien yang telah dicari sebelumnya. Hasil 2 0.00781250000 0.6782 0.8723
dari SVM berupa nilai +1 dan -1, nilai +1 3 0.00781250000 0.9823 -0.9923
.... ... ...
menunjukan kondisi waspada, sedangkan -1
2559 999.609.375.000 0.782 3.611
kondisi tidak waspada. Perancangan sistem 2560 1.000.000.000.000 0.3776278 -0.437
klasifikasi ini dapat dilihat pada Gambar 6. .. .. .. ..
226302 88.399.218.750.000 1.874 3.199
226303 88.399.609.375.000 0.892 2.471
226304 88.400.000.000.000 0.246 1.525
245
Jumlah TABEL IV. PENGUJIAN DATA BARU
Titik Hasil Filtering dari
Frekuensi (titik /
Frekuensi 256 Hz Jumlah
data) No Naracoba Kondisi
Dikenali
5 – 8 Hz 17, 49, 81, 113, 145, 177, 8
1 Naracoba 4 Waspada 25
209, 241
9 - 16 Hz 9, 25, 41, 57, 73, 89, 105, 16 2 Naracoba 4 Tidak 25
121, 137, 153, 169, 185, Waspada
201, 217, 233, 249
17 – 24 Hz 5, 21, 37, 53, 69, 85, 101, 16 Total dapat dikenali 50
117, 133, 149, 165, 181,
197, 213, 229, 245
25 – 28 Hz 13, 45, 77, 109, 141, 173, 8 IV. KESIMPULAN
205, 237 Penelitian ini telah menghasilkan sistem
19 – 30 Hz 29, 93, 157, 221 4 klasifikasi kewaspadaan dengan dua kondisi
Jumlah Data 52
yaitu kondisi waspada dan tidak waspada.
Kondisi waspada dan tidak waspada mengamati
frekuensi 5 Hz – 30 Hz, dimana pada frekuensi
ini terdapat tiga gelombang, yaitu beta, alfa dan
teta.
Pengujian terhadap data latih menghasilkan
akurasi untuk kondisi waspada sebesar 49,13%,
Sinyal EEG sebelum dilakukan filtering
sementara tidak waspada menghasilkan akurasi
61,66%. Pengujian terhadap data uji
menghasilkan akurasi untuk kondisi waspada
sebesar 52,08% dan tidak waspada 73,52%. Hal
ini menunjukan bahwa perlu ditambahkan lagi
data latih untuk proses pembelajaran
menggunakan metode SVM.
DAFTAR PUSTAKA
[1] S. F. Liang et al., "Monitoring Driver’s Alertness Based
Filtering sinyal EEG
on the Driving Performance Estimation and the EEG
Power Spectrum Analysis," Proceedings, pp. 1-4,
Pelatihan menggunakan 2 x 520 data dari September 2005.
hasil filtering dengan menggunakan SVM. [2] M., K. Kiymik, M. Akin, and A. Subasi, "Automatic
Pelatihan ini menghasilkan 2 x 520 koefisien Recognition of Alertness Level by Using Wavelet
yang disimpan untuk proses pengujian. Transform and Artificial Neural Network," Journal of
Neuroscience Methods, pp. 231-240, 2004.
Pengujian dilakukan dengan menggunakan 3 [3] Djamal, E., C.; Tjokronegoro, H., A., "Identifikasi dan
data latih dan 1 data uji. Hasil pengujian Klasifikasi Sinyal EEG terhadap Rangsangan Suara
ditunjukan pada Tabel III dan Tabel IV. dengan Ekstraksi Wavelet dan Spektral Daya,"
Prosiding ITB Sains & Tek., vol. Vol. 37 A, pp. 69-92,
2005.
TABEL III. PENGUJIAN DATA LATIH
[4] Moch Anang Karyawan, Agus Zainal Arifin, and
Jumlah Ahmad Saikhu, "Klasifikasi Sinyal EEG Menggunakan
No Naracoba Kondisi
Dikenali Koefisien Autoregresif, F-Score dan Least Squares
1 Naracoba 1 Waspada 29 Support Vector Machine," Jurnal TIF, pp. 1-13, Juli
2 Naracoba 1 Tidak 14 2011.
Waspada [5] Hindarto., M. Hariadi, and M., H. Purnomo,
3 Naracoba 2 Waspada 7 "Identifikasi Sinyal Elektrode Enchepalo Graph (EEG)
4 Naracoba 2 Tidak 34 untuk Menggerakkan Kursor dengan Menggunakan
Waspada Metode Wavelet," Seminar Nasional Pascasarjana, pp.
5 Naracoba 3 Waspada 35 5-9, Juli 2011.
6 Naracoba 3 Tidak 26 [6] A. Subasu, A. Alkan, E. Koklukaya, and M., K.
Waspada Keymik, "Wavelet Neural Network Classification of
Total dapat dikenali 145 EEG Signals by Using AR Model with MLE
Preprocessing".
[7] R. Duan., X. Wang., and Lu, B. , "EEG-Based Emotion
Recognition in Listening Music by Using Support
Vector Machine and Linear Dynamic System,"
ICONIP, Part IV, LNCS 7666, pp. 468-475, 2012.
[8] I. Shin., B. Setiawan., and H. Suryotrisongko.,
"Pembuatan Sistem Pendeteksi Kantuk Dengan
Menganalisa Gelombang Attention Dan Meditation
Menggunakan Metode Support Vector Machine,"
Jurnal Teknis POMITS, pp. 1-6, 2011.
246