i
1
BAB 1. PENDAHULUAN
1.1 Latar Belakang Masalah
Berdasarkan hasil utama Riset Kesehatan Dasar (RISKESDAS) pada tahun
2018, prevalensi stroke pada penduduk Indonesia yang memiliki usia lebih dari 15
tahun mencapai 10,9 permil. Hal ini menunjukkan bahwa adanya peningkatan
prevalensi stroke di Indonesia selama lima tahun terakhir, di mana pada tahun 2013
hanya mencapai 7 permil (KemenKes, 2018). Stroke merupakan kerusakan pada
otak akibat terganggunya suplai darah yang membawa oksigen dan zat makanan ke
otak. Hal ini menyebabkan banyak sel otak mati sehingga terjadi disfungsi
neurologi atau kecacatan. Di Indonesia, stroke tercatat sebagai pemicu kecacatan
paling tinggi pada populasi usia di atas 65 tahun. Oleh karena itu, berbagai tindakan
rehabilitasi guna memulihkan kecacatan yang ditimbulkan oleh stroke terus
diupayakan oleh neurolog. Dalam rehabilitasi, kondisi pasien pasca-stroke perlu
monitoring secara berangsur oleh neurolog berdasarkan 11 indikator yang ada
menggunakan prosedur standar National Institutes of Health Stroke Scale (NIHSS).
Salah satu instrumen lain yang dapat digunakan untuk monitoring kondisi
pasien pasca-stroke ialah Elektroensephalogram (EEG). EEG merupakan rekaman
aktivitas elektrik di sekitar kulit kepala yang ditangkap melalui kanal pada periode
tertentu. Penggunaan instrumen EEG dinilai lebih unggul dibandingkan CT-Scan
karena lebih hemat biaya dan tidak mengakibatkan kerusakan fisik. Untuk
membaca sinyal EEG neurolog mengamati irama, perubahan amplitudo, dan variasi
gelombang setiap pasangan kanal. Riset terdahulu melakukan analisis pola sinyal
EEG dari pasien pasca-stroke (Omar et al., 2016).
Sinyal EEG mengandung komponen-komponen gelombang tertentu yang
dikelompokkan berdasarkan rentang frekuensinya seperti gelombang Delta (0.5-3
Hz), gelombang Teta (4-7 Hz), Alfa serta Mu (8-13 Hz), gelombang Beta (14-30),
dan Gamma (>30 Hz). Pada riset terdahulu Wavelet digunakan untuk membagi
sinyal asli ke dalam gelombang Teta, Delta, Alfa dan Beta (rentang 0,5 – 30 Hz)
yang mewakili sinyal otak dari pelajar yang menderita Attention Deficit
Hyperactivity Disorder (ADHD) (Gabriel et al., 2017). Selain itu, Wavelet dapat
digunakan untuk memperoleh deret gelombang yang merefleksikan kondisi pasien
pasca-stroke (Guntari et al., 2020). Sayangnya, penggunaan ekstraksi Wavelet
menjadi deret gelombang dapat menyebabkan sebagian informasi sekuens tiap
kanal akan hilang, padahal aktivitas listrik di otak merupakan informasi berurutan.
Oleh karena itu, penggunaan filter frekuensi sebagai pra proses tetap
mempertahankan sekuensi sinyal sehingga dapat meningkatkan akurasi.
Setelah melakukan filter sinyal EEG, maka dilanjutkan proses identifikasi.
Proses identifikasi dilakukan dengan memanfaatkan perkembangan teknologi yang
memungkinkan mesin dapat belajar mengenali karakteristik data seperti manusia
yang dikenal dengan istilah pembelajaran mesin. Salah satu metode pembelajaran
mesin yang terkenal memberikan akurasi tinggi adalah Convolutional Neural
Networks (CNN). CNN merupakan sebuah teknik pembelajaran mesin yang
2
terinspirasi dari cara manusia melihat untuk mendapatkan persepsi visual. Riset-
riset terdahulu menggunakan metode CNN untuk deteksi sinyal EEG osilasi
berfrekuensi tinggi pada bagian rongga kepala yang merupakan variabel paling
berpengaruh pada pasien epilepsi dengan akurasi 91,5% (Lai et al., 2019).
Penelitian lain mengidentifikasi iskemik stroke menggunakan 1D-CNN yang
berakurasi 86% (Giri et al., 2017). Perekaman sinyal EEG dilakukan dengan
menggunakan banyak kanal berpasangan, padahal tidak semua hasil perekaman
memberikan informasi penting, karena pada beberapa bagian terdapat perulangan
antar kanal yang membebani komputasi. Karena itu, selain melakukan identifikasi
perlu dilakukan juga penanganan multi-kanal. Sehingga memberikan peluang untuk
meningkatkan hasil akurasi identifikasi sinyal EEG dari pasien pasca-stroke. Oleh
karenanya, diusulkan penggunaan metode CNN yang menangani masalah tersebut.
Metode ini akan membaca sinyal EEG sebagai data dua dimensi, di mana dimensi
vertikal merupakan kanal dan dimensi horizontal merupakan waktu. Dengan
demikian, proses identifikasi dilakukan bersamaan dengan penanganan multi-kanal.
Pada program kreativitas mahasiswa riset ini akan membangun sebuah model
komputasi yang dapat mengidentifikasi sekaligus menangani penggunaan multi-
kanal tanpa menghilangkan informasi sekuens dari sinyal EEG pasien pasca-stroke.
Adapun metode yang digunakan pada model komputasi yang diusulkan adalah filter
Wavelet untuk menyaring sinyal pada frekuensi 1-13 Hz dan metode pembelajaran
mesin CNN untuk identifikasi sekaligus penanganan multi-kanal hasil perekaman
sinyal EEG yang menghasilkan tiga tingkatan stroke yakni “No Stroke”, “Minor
Stroke”, dan “Moderate Stroke”.
1.2 Rumusan Masalah
Proses identifikasi stroke ditentukan dari pemilihan fitur yang mewakili
kondisi pasien pasca-stroke dan penanganan multi-kanal. Riset-riset terdahulu telah
mencoba berbagai kombinasi fitur dan metode penanganan multi-kanal. Peluang
untuk meningkatkan akurasi masih dapat dilakukan dengan memilih konfigurasi
metode identifikasi yang sekaligus menangani permasalahan multi-kanal tanpa
menghilangkan sekuens sinyal.
1.3 Tujuan Khusus
Tujuan yang ingin dicapai dari program kreativitas mahasiswa riset ini adalah
membangun suatu model komputasi yang dapat mengidentifikasi pasien pasca-
stroke sekaligus menangani masalah multi-kanal dan memperhatikan sekuens
sinyal menggunakan filter Wavelet dan Convolutional Neural Networks. Beragam
konfigurasi pada model komputasi akan digunakan untuk mendapatkan hasil yang
paling optimal dalam identifikasi sinyal EEG dari pasien pasca-stroke.
1.4 Keutamaan Riset
Proses identifikasi sinyal EEG dari pasien pasca-stroke tidaklah mudah dan
memiliki kerumitan yang tinggi. Hal ini terjadi karena sinyal EEG merupakan data
sekuens dan memiliki banyak data yang tidak semuanya merupakan informasi
penting sehingga memungkinkan terdapat perulangan tiap kanal. Riset terdahulu
3
telah mencoba menangani masalah kanal. Akan tetapi, disamping menangani multi-
kanal, sekuens sinyal perlu juga untuk diperhatikan. Sehingga, perlu dikaji lebih
jauh mengenai konfigurasi yang tepat pada proses identifikasi yang secara
bersamaan mampu menangani multi-kanal tanpa menghilangkan informasi sekuens.
1.5 Manfaat Riset
Manfaat yang dapat diambil dari riset ini yaitu membangun model komputasi
identifikasi sinyal EEG dari pasien pasca-stroke yang disimulasikan dengan
beragam konfigurasi menggunakan filter Wavelet dan CNN serta terintegrasi
dengan perangkat wireless EEG yang diharapkan memiliki kinerja yang lebih
optimal. Sehingga, model komputasi yang diterapkan dalam perangkat lunak, dapat
menjadi pendukung monitoring dan evaluasi dalam rehabilitasi pasien pasca-stroke.
1.6 Temuan yang Ditargetkan
Temuan yang ditargetkan pada riset ini adalah memperoleh model komputasi
dengan konfigurasi yang tepat dalam melakukan identifikasi sinyal EEG dari pasien
pasca-stroke menggunakan filter Wavelet dan metode Convolutional Neural
Networks. Identifikasi dilakukan bersamaan dengan penanganan multi-kanal yang
memperhatikan sekuens sinyal antar kanal.
1.7 Kontribusi Riset terhadap Ilmu Pengetahuan
Riset ini diharapkan mampu berkontribusi keilmuan dalam pemrosesan sinyal
EEG terhadap pasien pasca-stroke, yang tergantung pemilihan metode dan teknik
dalam ekstraksi sebagai pra proses, juga identifikasi. Riset ini melanjutkan
penelitian identifikasi stroke melalui sinyal EEG dengan melakukan pra proses
menggunakan filter Wavelet dan Convolutional Neural Networks sebagai metode
identifikasi sekaligus menangani multi-kanal dengan memperhatikan sekuens antar
kanal. Selain itu, riset ini juga diharapkan mampu berkontribusi keilmuan dalam
pemilihan variabel dan konfigurasi yang tepat.
1.8 Luaran Riset
Luaran utama dari PKM riset ini adalah laporan kemajuan, laporan akhir dan
artikel ilmiah. Selain itu, luaran lain berupa model komputasi yang dapat
mengidentifikasi mengidentifikasi stroke ke dalam salah satu dari tiga kelas yakni
“No Stroke”, “Minor Stroke”, dan “Moderate Stroke”. Proses identifikasi dilakukan
bersamaan dengan penanganan multi-kanal yang memperhatikan sekuens antar
kanal.
BAB 2. TINJAUAN PUSTAKA
2.1 Elektroensephalogram (EEG)
Elektroensephalogram (EEG) merupakan suatu instrumen yang dapat
menangkap aktivitas listrik statis pada otak. Sinyal bioelektrik yang ada di
permukaan kulit manusia ini dapat dijadikan sumber informasi fungsi otak. Sinyal
EEG direkam menggunakan perangkat EEG yang memiliki sejumlah pasang kanal
yang diletakkan pada kulit kepala. Rentang frekuensi untuk identifikasi pada pasien
stroke berbeda-beda tergantung dari gelombang yang digunakan dan variabel yang
diuji. Pada riset-riset terdahulu diperlihatkan bahwa pemilihan variabel yang
4
digunakan adalah penting untuk memprediksi stroke dari sinyal EEG pasien stroke
iskemik (Finnigan and Putten, 2013). Pemilihan variabel ini memperhatikan
karakteristik sinyal seperti ditunjukkan pada Gambar 2.1.
Gambar 3.1 Rancangan model komputasi identifikasi sinyal EEG dari pasien
pasca-stroke
Tahap pertama yang dilakukan pada riset ini yakni perolehan data sinyal EEG
yang diperoleh dari riset serupa yang sebelumnya sudah dilakukan (Mardiansyah,
Djamal and Nugraha, 2020). Data tersebut diambil dari 75 subjek yang terdiri dari
8
25 subjek No Stroke sebagai grup kontrol dan 50 subjek pasien pasca-stroke (25
Minor Stroke dan 25 Moderate Stroke) yang direkam dengan perangkat wireless
EEG emotiv Epoc+ 14 kanal dengan frekuensi sampling sebesar 128Hz selama 180
detik. Namun, pada riset tersebut 30 detik di awal dan 30 detik di akhir akan
dihilangkan. Dari data yang telah direkam akan disegmentasi menjadi 12 segmen
dengan durasi 10 detik pada setiap segmennya. Sehingga, luaran pada tahap
pertama akan dihasilkan set data EEG stroke yang telah disegmentasi menjadi 1.280
bagian berdasarkan 128 Hz x 10 detik.
Tahap kedua merupakan pra proses menggunakan filter Wavelet dengan
melakukan dekomposisi yang terdiri dari tahap aproksimasi dan detil. Tahap
dekomposisi dilakukan untuk mendapatkan rentang frekuensi 1-13 Hz. Pada riset
ini menggunakan Wavelet Symlet2 yang memiliki koefisien pada Persamaan (2.3)
dan Persamaan (2.4). Saat dekomposisi akan diambil frekuensi dengan rentang 1-
13 Hz yang menghasilkan 260 titik data untuk satu kanalnya atau 3.640 titik data
untuk keseluruhan kanal.
Selanjutnya, dilakukan tahap ekstraksi fitur dan tahap identifikasi. Setelah
proses filter Wavelet akan dihasilkan 3.640 titik data untuk keseluruhan kanalnya.
Model yang digunakan adalah CNN dua dimensi di mana data sinyal EEG yang
telah dipra proses melalui Wavelet akan ditransformasikan dari vektor menjadi
matriks, karena pada 2D-CNN data sinyal EEG akan dilihat sebagai gambar dua
dimensi. Sehingga data yang dihasilkan akan berdimensi dua di mana dimensi
vertikal merupakan kanal dan dimensi horizontal merupakan waktu. Sinyal setiap
kanal masuk ke lapisan konvolusi, lapisan aktivasi dan Pooling. Selanjutnya masuk
ke tahap identifikasi yang terdiri dari tiga proses yakni flatten untuk mengubah
matriks ke vektor, Fully-Connected dan terakhir Softmax yang akan menghitung
probabilitas dari setiap kelas target atas semua kelas target yang memungkinkan.
Bobot hasil pembelajaran akan disimpan dalam database untuk digunakan proses
identifikasi. Luaran dari tahap kedua berupa model komputasi yang dapat
melakukan identifikasi sinyal EEG ke dalam salah satu kelas dari tiga kelas
tingkatan stroke yakni “No Stroke”, “Minor Stroke” dan “Moderate Stroke”.
Tahap ketiga dilakukan perancangan dan simulasi model komputasi hasil
analisa sistem dari tahap ekstraksi kanal, ekstraksi fitur dan identifikasi yang
terintegrasi dengan wireless Emotiv Epoc+ 14 kanal sehingga perangkat mudah
digunakan dan dapat dievaluasi. Kemudian, dilakukan pengujian untuk mengetahui
kinerja simulasi model komputasi yang dibangun secara real time sehingga
diperlukan perekaman langsung set data. Oleh karena itu, usulan ini merupakan
blended unsur digital dan eksperimen langsung untuk menguji performa model
komputasi secara real time. Hal ini tetap mengikuti protokol kesehatan yang
berlaku. Selain itu, dilakukan pengujian offline agar mendapatkan konfigurasi yang
paling tepat saat proses identifikasi. Performa model komputasi ini akan
dibandingkan dengan dengan riset (Mardiansyah, Djamal and Nugraha, 2020) yang
9
menggunakan data yang sama namun metode yang berbeda. Luaran dari tahap ini
merupakan model komputasi yang telah diuji performanya.
Tahap keempat dilakukan penyusunan laporan kemajuan, laporan akhir, serta
artikel ilmiah yang merupakan luaran wajib PKM riset ini. Artikel ilmiah pada riset
ini akan dipublikasikan pada seminar di bidang informatika yang bereputasi.
DAFTAR PUSTAKA
Finnigan, S. and Putten, M. J. A. M. Van (2013) ‘Clinical Neurophysiology Invited
review EEG in ischaemic stroke : Quantitative EEG can uniquely inform
( sub- ) acute prognoses and clinical management’, Clinical Neurophysiology,
124(1), pp. 10–19.
Fitriah, N. et al. (2017) ‘EEG channels reduction using PCA to increase XGBoost’s
accuracy for stroke detection’, AIP Conference Proceedings, 1862.
Gabriel, R. et al. (2017) ‘Identification of ADHD cognitive pattern disturbances
using EEG and wavelets analysis’, Proceedings - 2017 IEEE 17th
International Conference on Bioinformatics and Bioengineering, BIBE 2017,
2018-Janua, pp. 157–162.
Giri, E. P. et al. (2017) ‘Ischemic stroke identification based on EEG and EOG
using ID convolutional neural network and batch normalization’, in 2016
International Conference on Advanced Computer Science and Information
Systems, ICACSIS 2016.
Guntari, E. W. et al. (2020) ‘Classification of Post-Stroke EEG Signal Using
Genetic Algorithm and Recurrent Neural Networks’, pp. 156–161.
KemenKes, R. (2018) ‘Hasil utama RISKESDAS 2018’, Jakarta: Kementerian
Kesehatan Badan Penelitian dan Pengembangan Kesehatan.
Kwon, Y. H., Shin, S. B. and Kim, S. D. (2018) ‘Electroencephalography based
fusion two-dimensional (2D)-convolution neural networks (CNN) model for
emotion recognition system’, Sensors (Switzerland), 18(5).
Lai, D. et al. (2019) ‘Automated Detection of High Frequency Oscillations in
Intracranial EEG Using the Combination of Short-Time Energy and
Convolutional Neural Networks’, IEEE Access, 7, pp. 82501–82511.
Mardiansyah, A., Djamal, E. C. and Nugraha, F. (2020) ‘Multivariate EEG Signal
Using PCA and CNN in Post-Stroke Classification’, in.
Omar, W. R. W. et al. (2016) ‘An analysis of EEG signal generated from ischemic
stroke patient’, Proceedings - 2015 Innovation and Commercialization of
Medical Electronic Technology Conference, ICMET 2015, (November), pp.
74–77.
Zhao, J., Mao, X. and Chen, L. (2019) ‘Biomedical Signal Processing and Control
Speech emotion recognition using deep 1D & 2D CNN LSTM networks’,
Biomedical Signal Processing and Control, 47, pp. 312–323.
11
LAMPIRAN
Lampiran 1. Biodata Ketua dan Anggota serta Dosen Pendamping
Biodata Ketua
12
Biodata Anggota 1
13
Biodata Anggota 2
14
Biodata Anggota 3
15
16
17
18