Klasifikasi Sinyal Elektroensephalogram
terhadap Kewaspadaan Menggunakan
Support Vector Machine
Dea Agnia Purnama Dewi*, Esmeralda C. Djamal**
Jurusan Teknik Informatika, Fakultas MIPA
Universitas Jenderal Achmad Yani
Jl. Terusan Sudirman, Cimahi
*deaagnia@gmail.com, **esmeraldacd@yahoo.com
Abstrak—Electroencephalogram (EEG)
adalah instrumen untuk menangkap aktivitas
listrik di otak. Karakteristik dari sinyal ini yaitu
memiliki bentuk yang tidak beraturan dan pola
yang cukup kompleks dengan kontaminasi noise,
sehingga analisis visual tidaklah mudah. Beberapa
penelitian telah dilakukan untuk klasifikasi sinyal
EEG, diantaranya identifikasi kondisi
kewasapadaan, mengantuk dan tidur. Penelitian
ini membangun sistem klasifikasi kondisi
kewaspadaan dari sinyal EEG yang digunakan
untuk mengidentifikasi kondisi waspada atau tidak
waspada pada saat mengendarai maupun sedang
bekerja. Pengolahan sinyal ini terdiri dari dua
tahap, yaitu tahap praproses dan proses. Praproses
terdiri dari segmentasi dan filtering sinyal EEG
yang diolah menggunakan filtering wavelet untuk
menghilangkan noise data, serta memperoleh skala
frekuensi yang dianalisis. Sedangkan proses
klasifikasi menggunakan metode Support Vector
Machine (SVM) untuk menentukan class dari
kondisi kewaspadaan.
Kata kunci—Sinyal Electroenchepalogram;
Filtering Wavelet; Support Vector machine.
I. PENDAHULUAN
Sinyal Electroencephalogram (EEG)
merupakan sinyal aktivitas listrik di lapisan
terluar kulit otak (celebral cortex). Sinyal EEG
memiliki lima jenis gelombang berdasarkan
rentang frekuensi yang merefleksikan kondisi
otak. Frekuensi yang biasa digunakan untuk
mengamati kondisi otak yaitu 0 – 100 Hz,
terletak dari jenis gelombang delta (0,5 – 3 Hz),
teta (4 – 7 Hz), alfa (8 – 13 Hz), beta (14 – 30
Hz) dan gamma ( 31 – 100 Hz). Namun sinyal
EEG rentan terhadap noise, sehingga diperlukan
proses filtering saat melakukan pengamatan
sinyal tersebut. Proses pengambilan sinyal
dilakukan dengan merekam sinyal EEG yang
digunakan oleh dunia kedoketran dengan
mengamati hasil perekaman sinyal secara visual.
Hasil perekaman merepresentasikan besaran dari
sinyal yaitu Amplitudo dan waktu, dimana saat
242
perekaman amplitudo dapat berubah dan tidak
diketahui jenis gelombang tersebut. Terdapat 24
jenis kanal yang ditempatkan pada kulit kepala
untuk proses perekaman. Gambar 1 menunjukan
kanal yang biasa digunakan yaitu, FP1, FP2, C3,
C4, O1, O2, T3 dan T4, dimana pada setiap kanal
menghasilkan sinyal yang berbeda dan berubah
tiap waktunya. Sementara itu, hal yang harus
diperhatikan saat perekaman yaitu dengan
menempatkan kanal diposisi yang tepat. Saat
perekaman juga, naracoba diberikan rangsangan
luar untuk mengamati jenis gelombang tertentu,
seperti rangsangan cahaya dan suara.
Sinyal electroencephalogram
Beberapa penelitian klasifikasi sinyal EEG
terhadap kewaspadaan mengenai pemantauan
pengguna berdasarkan kinerja pengemudi
dimana perekaman dilakukan setelah jam makan
siang, karena rangsangan ini dapat menunjukan
keadaan kantuk [1]. Penelitian lain mengenai
kewasapadaan, mengantuk dan tidur dengan
tingkat akurasi 96% untuk kewaspadaan, 94%
untuk mengatuk dan 95% untuk tidur[2].
Sementara klasifikasi dengan kondisi lain seperti
mendeteksi kondisi rileks dan tidak rileks dengan
rangsangan suara melalui handpone. Hal ini,
menunjukan tingkat kemunculan gelombang alfa
sebanyak 75%, serta menurunnya gelombang
teta dan beta sebesar 48% dan 56% [3].
Penelitian lain untuk mendeteksi keadaan sinyal
EEG pada saat santai dengan kondisi mata
tertutup dan terbuka serta sinyal pada saat
mengalami epilepsi dengan tingkat akurasi
sebesar 99.64%[4].
 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

Untuk dapat mendeteksi gelombang pada II. METODE

sinyal EEG maka dilakukan proses klasifikasi.
Klasifikasi EEG ini biasanya dilakukan terhadap
satu variabel. Beberapa penelitian tentang
klasifikasi sinyal EEG terhadap beberapa
variabel yaitu, klasifikasi menggunakan metode
Support Vector Machine (SVM) dengan tingkat
keakuratan sebesar 81,03% [7]. Selain itu,
dengan menggunakan metode yang sama untuk
klasifikasi tingkat kantuk mendapatkan
keakuratan sebesar 82,77% [8].
Pada penelitian ini melakukan klasifikasi
sinyal EEG terhadap dua kondisi, yaitu kondisi
waspada dan tidak waspada, dengan penggunaan
metode untuk praproses yaitu segmentasi dan
wavelet sebagai filtering agar sinyal EEG dapat
dipisahkan dari kontaminasi noise serta
mengambil skala frekuensi yang digunakan dan
proses klasifikasi menggunakan metode SVM.
Frekuensi yang dianalisis untuk klasifikasi
kewaspadaan yaitu 5 Hz – 30 Hz.
Proses segmentasi sinyal dengan frekuensi 256
Hz
A. Filtering Wavelet
Filtering wavelet merupakan proses untuk
membagi sinyal ke dalam komponen frekuensi
sesuai dengan skala yang dibutuhkan. Proses
untuk penskalaan ini dengan menggunakan
dekomposisi dan konvolusi. Dekomposisi
merupakan proses pembagian sinyal menjadi
skala yang sesuai, sementara konvolusi
merupakan operasi matematis yang digunakan
dalam dekomposisi dengan low-pass filter dan
high-pass filter. Sebelum melewatkan koefisien
low-pass filter dan high-pass filter sinyal
dibagikan ke dalam jumlah frekuensi sampling
yang sama menjadi dua bagian. Saat melalui
proses low-pass filter data sinyal EEG yang
digunakan adalah sinyal yang berindex ganjil
sementara saat melalui high-pass filter data
sinyal EEG yang digunakan berindex genap.
Pada penelitian ini memperhatikan gelombang
yang mendominasi saat keadaan waspada yaitu
meningkatnya gelombang beta. Sementara tidak
waspada meningkatnya gelombang alfa dan teta,
oleh karena itu frekuensi yang dianalisis adalah
5 Hz – 30 Hz. Proses dekomposisi dalam analisis
frekuensi 5 Hz – 30 hz dapat dilihat pada Gambar
4.

Sinyal direkam selama 16 menit untuk satu

sesi perekaman, dimana 8 menit pertama
merefleksikan kondisi waspada dengan
rangsangan cahaya biru dan 8 menit kedua tidak
waspada. Frekuensi sampling yang digunakan
yaitu 256 Hz, sehingga jumlah data untuk satu
sesi perekaman adalah 122880. Hasil perekaman
dibagi tiap 10 detik yang menghasilkan 96
segmen data dengan masing-masing segmen
berjumlah 2560 data, seperti ditunjukkan pada
Gambar 2. Proses dekomposisi untuk frekuensi 5 – 30 Hz
Terdapat 24 jenis kanal yang ditempatkan
Filter yang digunakan pada penelitian ini
pada kulit kepala untuk proses perekaman sinyal.
adalah daubechies4 dengan empat koefisien low-
Fig 1 menunjukan kanal yang biasa digunakan
pass filter dan empat koefisien high-pass filter,
yaitu, FP1, FP2, C3, C4, O1, O2, T3 dan T4,
koefisien ini ditunjukan pada Persamaan (1) dan
dimana pada setiap kanal menghasilkan sinyal
(2).
yang berbeda dan berubah tiap waktunya. Setiap
kanal memiliki fungsinya masing - masing, h₀=(1+√3)/(4√2), h₁=(3+√3)/(4√2) (1)
Gambar 3 menunjukan posisi dari semua kanal
beserta fungsi dari penempatan kanal tersebut. h₂=(3-√3)/(4√2), h₃=(1-√3)/(4√2)

243
 g₀=(1-√3)/(4√2), g₁=-(3-√3)/(4√2) (2)
g₂=(3+√3)/(4√2), g₃=-(1+√3)/(4√2)
Keterangan :
h(x) = koefisien low-pass filter
g(x) = koefisien high-pass filter
Proses konvolusi dilakukan dengan
penggabungan koefisien low-pass filter dengan
hasil dekomposisi pada frekuensi rendah yang
biasa disebut dengan konvolusi aproksimasi dan
high-pass filter pada frekuensi tinggi yang biasa
disebut dengan konvolusi detil. Persamaan (3)
dan (4) merupakan konvolusi sinyal.
konvolusi aproksimasi= f(n) * h(x)
konvolusi detil = f(n) * g(x)
Dimana,
f(n) = sinyal asli
h(x) = koefisien low-pass filter
g(x) = koefisien high-pass filter
B. Support Vector Machine
Konsep SVM dapat dijelaskan secara
sederhana sebagai usaha mencari hyperplane
terbaik yang berfungsi sebagai pemisah dua buah
class pada input space. Gambar 5
memperlihatkan beberapa pattern yang
merupakan anggota dari dua buah class : +1 dan
-1. Pattern yang tergabung pada class -1
disimbolkan dengan warna merah (kotak),
sedangkan pattern pada class +1, disimbolkan
dengan warna kuning (lingkaran). Masalah
klasifikasi dapat diuraikan dengan usaha
menemukan garis (hyperplane) yang
memisahkan antara kedua pemisah
(discrimination boundaries).
Class -1 Class +1
Pemisah hyperplane terbaik untuk dua buah class
-1 dan +1
Hyperplane pemisah terbaik antara kedua
buah class dapat ditemukan dengan mengukur
margin hyperplane tersebut dan mencari titik
maksimalnya. Margin adalah jarak antara
hyperplane terdekat dari masing – masing class.
Pattern yang paling dekat ini disebut sebagai
support vector. Garis solid pada Gambar 5.
menunjukan hyperplane yang terbaik, yaitu yang
terletak pada tengah – tengah kedua buah class.
Usaha untuk mencari lokasi hyperplane ini
merupakan inti dari proses pembelajaran pada
SVM. Terdapat dua jenis data pada SVM, yaitu
SVM linier dan non linier. Pencarian hyperplane
dengan linier dan non liner dapat dilihat pada
Persamaan (5) dan (6).
g ( x)  sgn( f ( x)) (5)
Dan,
f ( x)  w T x  b (6)
Fungsi g(x) digunakan untuk mencari hasil
pada saat proses pengujian, sedangkan f(x)
digunakan untuk mencari proses hyperplane.
Untuk pencarian support vector dapat digunakan
(3) pada Persamaan (7).
(4) y(xᵢwᵢ+b)≥1 (7)
Dimana,
y = class waspada / tidak waspada( 1 atau -1)
xi = data ke – 1 hingga n data
wi = koefisien yang akan dicari dengan SVM
b = nilai bias yang akan dicari dengan SVM
1 = support vector.
C. Perancangan Sistem Identifiasi
Metode penelitian untuk klasifikasi
kewaspadaan terdiri dari enam tahapan. Tahapan
yang pertama yaitu menentukan atribut yang
disajikan sebagai input dan output dari perangkat
lunak yang akan dibangun. Input data berupa
digitasi sinyal EEG yang disimpan pada file
(.txt). Digitasi EEG berasal dari perekaman
sinyal 4 orang naracoba yang diujikan melalui
dua kanal, yaitu kanal C3 dan C4. Sedangkan
output terdiri dari dua class yaitu kondisi
waspada dan tidak waspada.
Tahapan kedua untuk pengumpulan data latih
dan data uji. Data latih yang diperoleh dari 4
naracoba, dimana setiap naracoba akan
dilakukan perekaman sinyal EEG selama 16
menit menggunakan wireless EEG, saat
perekaman untuk memunculkan kondisi
waspada, narcoba akan diberikan rangsangan
cahaya biru selama 8 menit pertama. Kemudian
8 menit terakhir, rangsangan cahaya biru
dimatikan untuk merefleksikan kondisi tidak
wasapada.
Data yang dihasilkan sinyal EEG selama satu
detik sebanyak 256 set data, karena panjang
frekuensi sampling yang digunakan yaitu 256Hz.
Data akan disegmentasi tiap 10 detik pada setiap
kanal dan menghasilkan 6 kali segmentasi data
dalam satu menit, sehingga dalam durasi 16
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

TABEL II. HASIL FILTERING DATA SINYAL

EEG

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