DAFTAR ISI

DAFTAR ISI ............................................................................................................ i

BAB 1. PENDAHULUAN ................................................................................ 1
1.1 Latar Belakang Masalah ........................................................................... 1
1.2 Rumusan Masalah .................................................................................... 2
1.3 Tujuan Khusus .......................................................................................... 2
1.4 Keutamaan Riset ....................................................................................... 2
1.5 Manfaat Riset ........................................................................................... 3
1.6 Temuan yang Ditargetkan ........................................................................ 3
1.7 Kontribusi Riset terhadap Ilmu Pengetahuan ........................................... 3
1.8 Luaran Riset ............................................................................................. 3
BAB 2. TINJAUAN PUSTAKA ....................................................................... 3
2.1 Elektroensephalogram (EEG)................................................................... 3
2.2 Filter Wavelet ........................................................................................... 4
2.3 Convolutional Neural Networks ............................................................... 5
2.3.1 Ekstraksi Fitur ................................................................................... 5
2.3.2 Identifikasi......................................................................................... 6
2.4 Analisis Riset Terdahulu .......................................................................... 6
BAB 3. METODE PENELITIAN ..................................................................... 7
BAB 4. BIAYA DAN JADWAL KEGIATAN ................................................. 9
4.1 Anggaran Biaya ........................................................................................ 9
4.2 Jadwal Kegiatan ....................................................................................... 9
DAFTAR PUSTAKA ........................................................................................... 10
LAMPIRAN .......................................................................................................... 11
Lampiran 1. Biodata Ketua dan Anggota serta Dosen Pendamping ................. 11
Lampiran 2. Justifikasi Anggaran Kegiatan ...................................................... 18
Lampiran 3. Susunan Organisasi Tim Penyusun dan Pembagian Tugas .......... 19
Lampiran 4. Surat Pernyataan Ketua Pelaksana ................................................ 20

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 2.1 Visualisasi Sinyal EEG Pasien Pasca-Stroke

2.2 Filter Wavelet
Terdapat dua proses utama dalam Wavelet Discrete Transform yaitu
dekomposisi dan rekonstruksi. Dekomposisi merupakan proses yang memfilter
sinyal berdasarkan rentang frekuensinya. Sedangkan rekonstruksi merupakan
proses pengembalian sinyal yang telah difilter ke bentuk domain waktu. Dalam
proses dekomposisi terdapat konvolusi dan downsampling. Konvolusi merupakan
inner product antara sinyal dengan fungsi yang disebut kernel. Sedangkan
downsampling mendegradasi sampel menjadi setengah bagian, koefisien low-pass
filter digunakan untuk meredam sinyal berfrekuensi tinggi. Sebaliknya koefisien
high-pass filter digunakan untuk meredam sinyal berfrekuensi rendah.
Proses identifikasi stroke bekerja pada sinyal dengan frekuensi rendah
(Omar et al., 2016). Oleh karena itu, proses filter Wavelet difokuskan untuk
menyaring sinyal dengan rentang frekuensi 1-13 Hz. Pada proses dekomposisi
dihasilkan sinyal aproksimasi dan detil yang dapat dilihat pada Persamaan (2.1) dan
(2.2) Pada perekaman sinyal EEG terdapat istilah frekuensi sampling yang
merupakan jumlah rata-rata sampel yang diperoleh dalam satu detik. Dengan
menggunakan proses aproksimasi dan detil, frekuensi sampling yang sebesar 128
Hz memungkinkan untuk diturunkan menjadi setengahnya.
𝐴𝑝𝑟𝑜𝑘𝑠𝑖𝑚𝑎𝑠𝑖 = 𝑦 (𝑘) = ∑ 𝑥(𝑛). 𝑔(𝑛 − 𝑘) (2.1)
𝐷𝑒𝑡𝑖𝑙 = 𝑦 (𝑘) = ∑ 𝑥(𝑛). ℎ(𝑛 − 𝑘) (2.2)
Di mana, k merupakan besar nilai pergeseran, n merupakan indeks pada sinyal, x(n)
merupakan sinyal asli, g(n) merupakan koefisien low-pass filter, dan h(n)
merupakan koefisien high-pass filter.
Dalam riset terdahulu Wavelet digunakan untuk mendapatkan fitur berupa
deret gelombang yang merepresentasikan kondisi pasien pasca-stroke yakni
gelombang Alfa, Beta, Teta, dan Delta (Fitriah et al., 2017). Pada riset ini
digunakan Wavelet Symlet2 yang memiliki empat koefisien yang ditunjukkan pada
Persamaan (2.3) dan Persamaan (2.4).
Koefisien Fungsi Skala (low-pass filter)
√ √ √ √
𝑔o = , 𝑔1 = √
, 𝑔2 = √
, 𝑔3 = √
(2.3)
√
 5

Koefisien Fungsi Wavelet (high-pass filter)

√ √ √ √
ℎo = √
, ℎ1 = , ℎ2 = √
, ℎ3 = − √
(2.4)
√
2.3 Convolutional Neural Networks
Convolutional Neural Network atau disebut juga CNN/ConvNet merupakan
salah satu algoritma Deep Learning yang dirancang untuk mengolah data satu, dua
atau tiga dimensi. CNN dikenal luas sebagai metode pemrosesan dalam bidang
pengolahan gambar, namun saat ini CNN mulai diterapkan dalam bidang-bidang
lain seperti text processing, pengolahan time series data, pengolahan video dan
lainnya. CNN berhasil menangkap ketergantungan spasial dan temporal dalam
sebuah gambar melalui filter yang relevan.
Metode CNN terdiri dari dua buah komponen, yaitu lapisan ekstraksi fitur dan
lapisan identifikasi. Pada lapisan ekstraksi fitur terdiri dari lapisan konvolusi, fungsi
aktivasi Rectified Linear Unit (ReLU), dan Pooling. Sedangkan pada lapisan
identifikasi terdapat proses flatten, Fully-Connected Layer dan Softmax. Pada riset
sebelumnya CNN digunakan untuk mendeteksi emosi berdasarkan sinyal EEG
(Kwon, Shin and Kim, 2018). Hasil perekaman EEG riset tersebut akan dilakukan
pra proses menggunakan Wavelet dan spektogram, sehingga menghasilkan citra
sinyal dua dimensi dengan besar dimensi 42 x 200 pixel. Pada citra sinyal tersebut
dilakukan ekstraksi fitur dengan besar filter 3x2 dan stride 2 tanpa adanya padding.
Selain itu, penggunaan CNN dalam riset sebelumnya dapat meningkatkan performa
akurasi mencapai 95,89% saat mengenali emosi bicara.
2.3.1 Ekstraksi Fitur
2.3.1.1 Lapisan Konvolusi
Tahap pertama pada proses ekstraksi fitur adalah lapisan konvolusi. Pada
tahap ini data masukan akan diubah dengan operasi dot product antara data
masukan dengan filter yang berbentuk dua dimensi. Perkalian antara filter terhadap
data masukan bertujuan untuk menghasilkan keluaran proses konvolusi yang
dikenal dengan istilah feature map. Selama proses konvolusi berlangsung filter
terus bergeser ke kanan dan ke bawah sebanyak stride yang telah ditentukan
sebelumnya. Stride merupakan parameter yang menunjukkan nilai pergeseran filter
terhadap data masukan. Keluaran dari konvolusi akan mengalami pereduksian
jumlah data. Untuk menghindari hilangnya informasi feature map dapat
dimanipulasi menggunakan padding, dengan cara menambahkan nilai nol pada
pixel di setiap sisi input. Untuk menghitung nilai hasil konvolusi dapat
menggunakan Persamaan (2.5).
(, )
𝐹𝑀( , ) =𝑓 ∑ ∑𝑐 = 0 𝐶(( , , )) ∗ 𝐹𝑀((
( )
),( )) (2.5)
Di mana FM merupakan feature map, l merupakan indeks masukan, ml
merupakan indeks pada layer ke-1, il merupakan baris pertama feature map layer
ke-1, j1 merupakan indeks kolom feature map layer ke-1, kw merupakan lebar filter,
kh merupakan tinggi filter, rl merupakan lebar indeks filter pada layer ke-1, cl
merupakan tinggi indeks filter pada layer ke-1, dan C merupakan filter konvolusi.
 6

2.3.1.2 Rectified Linear Unit (ReLU)

Tahap selanjutnya dari proses ekstraksi fitur dengan fungsi aktivasi
Rectified Linear Units (ReLU) yang bertujuan untuk menormalisasi semua nilai
negatif menjadi nol, seperti pada Persamaan (2.6).
𝑓(𝑥) = max (0, 𝑥) (2.6)
2.3.1.3 Pooling
Tahap terakhir pada proses ekstraksi fitur adalah lapisan Pooling. Pooling
berfungsi untuk mereduksi ukuran spasial dan jumlah parameter dalam jaringan
serta mempercepat komputasi dan mengontrol terjadinya overfitting sehingga
menghasilkan pola fitur. Terdapat dua jenis Pooling yang biasa digunakan yakni
Max Pooling dan Average Pooling. Pada Max Pooling akan diambil nilai
maksimum dari tiap pergeseran filter. Sedangkan, Average Pooling akan
mengambil nilai rata-rata dari setiap pergeseran filter.
2.3.2 Identifikasi
Lapisan identifikasi berfungsi untuk mengidentifikasi setiap neuron yang telah
diekstraksi pada lapisan ekstraksi fitur. Tahap pertama pada lapisan ini adalah
flatten yang membentuk ulang feature map menjadi sebuah vektor agar dapat
digunakan sebagai masukan tahap Fully-Connected Layer. Pada lapisan Fully-
Connected neuron akan terhubung ke semua angka dalam volume sehingga skor
kelas dapat dihitung. Tahap terakhir pada lapisan ini adalah Softmax yang
menghitung probabilitas dari setiap kelas target atas semua kelas target yang
memungkinkan dan akan membantu untuk menentukan kelas target.
2.4 Analisis Riset Terdahulu
Berdasarkan pustaka yang telah dikaji, Tabel 2.1 menunjukkan rangkuman dari
riset-riset terdahulu yang paling relevan dengan riset ini. Hasil analisis riset-riset
tersebut menunjukkan bahwa pemilihan konfigurasi, parameter yang merefleksikan
kondisi pasien pasca-stroke, serta metode pra proses dan identifikasi yang sekaligus
menangani multi-kanal memberikan dampak positif terhadap peningkatan performa
dalam hal identifikasi. Oleh karena itu, hipotesis dalam riset ini ialah penggunaan
filter Wavelet dan penggunaan metode CNN dapat meningkatkan performa
identifikasi karena dapat melakukan identifikasi sekaligus penanganan masalah
multi-kanal yang memperhatikan sekuens sinyal.
Tabel 2.1 Rangkuman Riset Terdahulu
No Hal yang ditinjau Metode Hasil Pustaka
1 Variabel signifikan 1D CNN Variable Alfa, Beta, Teta (Giri et
dari sinyal EEG untuk dan Delta, memiliki al., 2017)
identifikasi pasien akurasi yang baik,
stroke iskemik menjadi mencapai 86% untuk
dua kelas yakni membedakan kondisi
Normal atau Stroke. stroke dan no stroke
 7

No Hal yang ditinjau Metode Hasil Pustaka

2 Penanganan multi- Ekstraksi Peningkatan performa (Guntari
kanal hasil perekaman Wavelet, pada akurasi dan waktu et al.,
sinyal EEG dari pasien Algoritma komputasi dibanding 2020)
pasca-stroke. Genetika riset terdahulu dengan
dan RNN menangani multi-kanal.
3 Pemrosesan sinyal 1D-CNN Performa akurasi 2D- (Zhao,
suara untuk mengenali dan 2D- CNN lebih baik jika Mao and
emosi saat bicara. CNN dibandingkan dengan Chen,
LSTM penggunaan 1D-CNN. 2019)
4 Penggunaan metode Wavelet Peningkatan akurasi (Kwon,
2D-CNN untuk dan 2D- dibanding riset Shin and
mengidentifikasi CNN sebelumnya, dari 76,5% Kim,
emosi menjadi 80,4% 2018)

BAB 3. METODE PENELITIAN

Pada program kreativitas mahasiswa riset ini dilakukan empat tahapan untuk
mencapai tujuan model komputasi yang dapat mengidentifikasi pasien pasca-stroke
dengan memperhatikan penggunaan multi-kanal dan keterurutan antar kanal.
Adapun diagram untuk tahap satu sampai dua ditunjukkan pada Gambar 3.1.

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.

BAB 4. BIAYA DAN JADWAL KEGIATAN

4.1 Anggaran Biaya
Adapun anggaran biaya yang dibutuhkan pada riset ini terangkum pada Tabel
4.1.
Tabel 4.1 Rekapitulasi Rencana Anggaran Biaya
No Jenis Pengeluaran Biaya (Rp)
1 Perlengkapan yang diperlukan 5.514.000
2 Bahan Habis Pakai 803.800
3 Perjalanan dalam Kota -
4 Lain-lain 82.000
Jumlah 6.399.800
4.2 Jadwal Kegiatan
Untuk waktu pelaksanaan tahapan-tahapan yang akan dilakukan pada riset ini
ditunjukkan pada Tabel 4.2
Tabel 4.2 Jadwal Kegiatan
Bulan
No JenisKegiatan Person Penanggung-jawab
1 2 3 4
1 Perolehan data dari riset Feby Ansella (Anggota 3)
sebelumnya yang sejenis
2 Pra proses menggunakan Filter Ayu Peraiyantika (Anggota
Wavelet dilanjut dengan 1) dan Mochamad Miftah
Identifikasi Sinyal EEG dari Farid (Ketua)
Pasien Pasca-Stroke
Menggunakan Convolutional
Neural Networks
3 Perancangan dan Simulasi Model Ayu Peraiyantika (Anggota
Komputasi serta Evaluasi 1) dan Agustinus Moris
Kristanto (Anggota 2)
4 Penyusunan artikel ilmiah Mochamad Miftah Farid
(Ketua)
 10

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

Lampiran 2. Justifikasi Anggaran Kegiatan

Jenis Pengeluaran Volume Harga Nilai (Rp)
Satuan (Rp)
1. Perlengkapan yang dibutuhkan
a. Kebutuhan Komputasi
- Upgrade SSD WD Black M.2 1 Buah 835.000 835.000
Pcie Gen3 250 GB
- Upgrade RAM Team T-Force 1 Buah 1.150.000 1.150.000
Delta RGB 16GB DDR4 Kit
3000Mhz
- Cloud Hosting Premium 4 Bulan 150.000 600.000
b. Kebutuhan kegiatan virtual
- Kuota internet 18 GB 4 Orang 74.000 1.184.000
x 4 Bulan
- Sewa aplikasi Zoom Meetings 4 Bulan 160.000 640.000
Pro
c. Kebutuhan Pengujian Model
Komputasi
- Sewa SDK emotiv 1 bulan 980.000 980.000
- Sewa Perangkat EEG 5 Hari 25.000 125.000
SUB TOTAL (Rp) 5.514.000
2. Bahan Habis Pakai Volume Harga Nilai (Rp)
Satuan (Rp)
a. EEG Toolkits 1 Set 500.000 500.000
b. Kertas HVS A4 80 Gram 1 Rim 53.000 53.000
c. Masker KN95 2 Box 12.000 24.000
(10 pcs)
d. Face Shield 10 Buah 2.500 25.000
e. Sarung Tangan Medis Latex 1 Box 159.000 159.000
f. Hand Sanitizer Spray 55ml 4 Buah 10.700 42.800
SUB TOTAL (Rp) 803.800
3. Perjalanan Volume Harga Nilai (Rp)
Satuan (Rp)
- - - -
SUB TOTAL (Rp) -
4. Lain-lain Volume Harga Nilai (Rp)
Satuan (Rp)
a. Tinta printer Epson 664 Black 1 Buah 82.000 82.000
SUB TOTAL (Rp) 82.000
TOTAL 1+2+3+4 (Rp) 6.399.800
Enam Juta Tiga Ratus Sembilan Puluh Sembilan Ribu Delapan Ratus Rupiah
 19

Lampiran 3. Susunan Organisasi Tim Penyusun dan Pembagian Tugas

Alokasi
Program Bidang
No Nama / NIM Waktu Uraian Tugas
Studi Ilmu
(jam/minggu)
1 Mochamad S1 Teknik Artificial 10 Koordinator
Miftah Informatika Intelligence Riset,
Farid/ Pembuatan
3411171104 Model
Komputasi
untuk Pra
proses dan
Identifikasi,
serta Penyusun
Artikel Ilmiah
2 Ayu S1 Teknik Artificial 8 Perancangan
Peraiyantika Informatika Intelligence dan Pembuatan
/341118102 Model
5 Komputasi
untuk Pra
proses juga
Identifikasi
disertai
Evaluasi Model
Komputasi
3 Agustinus S1 Teknik Artificial 8 Perancangan
Moris Informatika Intelligence dan Evaluasi
Kristanto/ Model
3411191082 Komputasi
4 Feby S1 Teknik Artificial 8 Perolehan Data
Ansella/ Informatika Intelligence
3411191138
 20

Lampiran 4. Surat Pernyataan Ketua Pelaksana