Analisis Sinyal Electroencephalogram (EEG) untuk

Identifikasi Pola Aktivitas Otak

Dosen pengampu : Pak Achmad Hidayatno, S.T., M.T.

Mata kuliah : Sinyal Sistem

Disusun oleh :

 Layaalin Mutmainah  Saniyya Aini Kholda  Farrel Ghaisan Attari

(21060122140176) (21060122140155) (2106012240136)
 Sindi Octavia  Nindya Puspita Hapsari  M. Haidar Rosyid
(21060122140149) (21060122140180) (2106012240160)
 Hanari Rafina Azahra  Haya Zahwa Aqilah  Vinesya Alia Kamila
(21060122140158) (21060122140145) (21060122140042)

PRODI TEKNIK ELEKTRO

UNIVERSITAS DIPONEGORO

2023
 Abstrak

Analisis Sinyal Electroencephalogram (EEG) adalah bidang penelitian yang

berkembang pesat dalam studi aktivitas otak manusia. EEG adalah teknik non-invasif
yang digunakan untuk merekam sinyal listrik dari otak, yang mencerminkan pola
aktivitas neuron. Paper ini bertujuan untuk menguraikan pentingnya analisis sinyal
EEG dalam identifikasi pola aktivitas otak. Paper ini juga membahas kemajuan
terkini dalam metode analisis EEG, seperti transformasi sinyal dan mesin penyusun
EEG yang semakin berkembang. Hasil tulisan ini dapat menambah wawasan
pembacanya mengenai analisis sinyal EEG, serta memberikan pemahaman lebih
dalam pengolahan sinyal terhadap gelombang otak dan diagnosisnya.

Kata Kunci: Electroencephalogram (EEG), Analisis Sinyal, Identifikasi Pola

Aktivitas Otak, Neurologi, Brainwaves.
 KATA PENGANTAR

Segala puji dan syukur kami panjatkan kehadirat Tuhan YME yang telah
melimpahkan rahmat dan hidayah-Nya sehingga kami, kelompok 4 dapat
menyelesaikan tugas paper yang berjudul “Analisis Sinyal Electroencephalogram
(EEG) untuk Identifikasi Pola Aktivitas Otak” tepat pada waktunya.
Adapun tujuan dari penulisan ini adalah untuk memenuhi tugas pada mata
kuliah Sinyal Sistem. Selain itu, makalah ini juga bertujuan untuk menambah
wawasan tentang sinyal EEG dan pemrosesannya. Kami mengucapkan terima kasih
kepada Bapak Achmad Hidayatno, S.T., M.T. selaku Dosen Pengampu Sinyal Sistem
yang telah memberikan tugas ini sehingga dapat menambah pengetahuan dan
wawasan kami semua.
Kami menyadari, tugas yang kami tulis ini masih jauh dari kata sempurna.
Oleh karena itu, kritik dan saran yang membangun sangat dibutuhkan demi
kesempurnaan paper ini.
 DAFTAR ISI

Abstrak.....................................................................................................................................2
KATA PENGANTAR.............................................................................................................3
DAFTAR ISI............................................................................................................................4
BAB 1 PENDAHULUAN.......................................................................................................6
1.1 Latar Belakang...............................................................................................................6
1.2 Manfaat..........................................................................................................................7
BAB 2 PEMBAHASAN..........................................................................................................8
2.1 Pengertian EEG..............................................................................................................8
2.2 Diagram Mesin EEG......................................................................................................9
2.2.1 Electrodes (Elektroda).............................................................................................9
2.2.2 Jackbox.................................................................................................................10
2.2.3 Electrode Montage Selector..................................................................................11
2.2.4 EEG Amplifiers.....................................................................................................11
2.3 Diagram Kerja EEG.....................................................................................................12
2.4 Penggunaan Filter.........................................................................................................14
2.4.1 Low Pass Filter (LPF)...........................................................................................14
2.4.2 High Pass Filter (HPF).........................................................................................14
2.4.3 Notch Filter...........................................................................................................14
2.5 Transformasi Sinyal EEG.............................................................................................15
2.5.1 Metode Fast Fourier Transform (FFT)..................................................................15
2.5.2 Metode Transformasi Wavelet..............................................................................16
2.5.3 Metode Vektor Eigen............................................................................................18
2.5.4 Metode Distribusi Frekuensi Waktu......................................................................20
2.5.5 Metode Autoregresif..............................................................................................21
2.6 Peristiwa yang Memicu Sinyal Electroensephalogram (EEG).....................................22
 2.7 Gelombang Otak..........................................................................................................22
2.7.1 Gelombang Delta...................................................................................................23
2.7.2 Gelombang Teta....................................................................................................23
2.7.3 Gelombang Beta....................................................................................................24
2.7.4 Gelombang Alpha.................................................................................................25
2.8 Karakteristik Gelombang Otak Normal dan Abnormal................................................25
2.8.1 Gelombang Otak Normal......................................................................................25
2.8.2 Gelombang Otak Abnormal..................................................................................26
BAB 3 : PENUTUP...............................................................................................................27
3.1 Kesimpulan..................................................................................................................27
3.2 Saran............................................................................................................................27
 BAB 1 PENDAHULUAN

1.1 Latar Belakang

Otak manusia adalah salah satu sistem paling kompleks di alam
semesta dan terdiri dari miliaran sel otak yang disebut neuron, yang menjadi
pusat koordinasi dalam tubuh manusia untuk berkomunikasi satu sama lain.
Saat ini berbagai teknologi ada untuk merekam gelombang otak dan
electroencephalogram (EEG) adalah salah satunya. Electroenchepalogram
adalah suatu instrumen yang digunakan untuk merekam aktivitas listrik statis
yang dihasilkan dari rangsangan yang diterima otak.

Sinyal EEG terdiri dari komponen-komponen frekuensi yang

direpresentasikan dalam domain waktu. Komponen frekuensi yang dimiliki
sinyal EEG menginformasikan kondisi otak dan pengamatan visual terhadap
sinyal EEG secara langsung sangat susah mengingat amplitudo sinyal EEG
sangat rendah dan polanya yang sangat kompleks. Disamping itu sinyal EEG
amat dipengaruhi oleh berbagai variabel, antara lain kondisi mental,
kesehatan, aktivitas dari pasien, lingkungan perekaman, gangguan listrik dari
organ tubuh lain, rangsangan luar, dan usia dari pasien.

Dalam konteks ini, tulisan yang berkaitan dengan analisis sinyal EEG
untuk identifikasi pola aktivitas otak sangat relevan dan penting. Berbagai
macam perkembangan pengolahan sinyal, serta susunan alat yang digunakan
pada EEG akan membantu meningkatkan pemahaman tentang gelombang
otak, dan transformasi sinyal tersebut hingga menjadi interpretasi dan
diagnosis. Oleh karena itu, paper yang mendalam mengenai bidang ini akan
memberikan kontribusi yang berarti terhadap kemajuan ilmu pengetahuan
khususnya pada bidang teknologi medis.
1.2 Manfaat
1. Memberikan wawasan mengenai awal mula ditemukan sinyal
Electroencephalography (EEG).
2. Memberikan wawasan mengenai cara kerja sistem dari sinyal
Electroencephalography (EEG).
3. Memberikan wawasan mengenai cara mengolah sinyal
Electroencephalography (EEG).
 BAB 2 PEMBAHASAN
2.1 Pengertian EEG
Elektroensefalografi (EEG) adalah rekaman aktifitas listrik neuron
otak. Fluktuasi arus listrik tersebut didapatkan dari perbedaan voltase yang
diukur dari elektrode yang ditempel dikulit kepala (skalp), langsung
dipermukaan kortek serebri, atau di dalam jaringan 1,2,3 otak.

Sejarah penggunaan alat EEG dimulai pada tahun 1924 dimana Hans
Berger seorang ahli fisiologi dan psikiatri Jerman untuk pertama kali
melakukan rekaman 4 otak pada manusia. Penemuan ini dikonfirmasi dan
dikembangkan oleh para ilmuwan berikutnya. Tercatat nama seperti Gibbs,
Davis dan Lennox pada tahun 1935 menemukan gelombang inter iktal spike
dan 3 Hz spike and wave complex pada absence seizure, serta Gibs dan Jasper
menemukan gelombang interiktal spike sebagai petunjuk epilepsi fokal.
Dengan berjalannya waktu dan semakin berkembangnya teknologi, maka
mesin/teknik pemeriksaan EEG mengalami kemajuan. Semula mesin EEG
menggunakan teknik pen yang langsung mencetak di atas kertas, saat ini
dengan komputer yang data listrik otak bisa diolah langung sehingga
memungkinkan disusun dalam berbagai montage dalam satuan waktu yang
sama.
2.2 Diagram Mesin EEG

Gambar 1. Diagram mesin EEG

2.2.1 Electrodes (Elektroda)

Elektroda pada mesin EEG (Elektroensefalogram) adalah perangkat
yang digunakan untuk merekam sinyal listrik yang dihasilkan oleh otak
manusia. Elektroda ini berfungsi sebagai antarmuka antara aktivitas listrik
dalam otak dan perangkat pemantauan EEG. Elektroda pada mesin EEG
biasanya ditempatkan pada kulit kepala pasien. Mereka ditempatkan pada
titik-titik yang telah ditentukan berdasarkan sistem penempatan elektroda
standar, seperti sistem 10-20 atau 10-10. Sistem penempatan ini
memungkinkan pengamatan aktivitas otak dari berbagai area di kepala
dengan presisi yang tinggi.

Gambar 2. Penempatan elektrode skalp : 10-20 system

 Dalam konfigurasi standar, setiap elektroda EEG terdiri dari elektroda
aktif dan elektroda referensi. Elektroda aktif merekam sinyal listrik dari
area tertentu di kulit kepala, sementara elektroda referensi memberikan
titik referensi untuk perbandingan sinyal. Elektroda referensi membantu
mengurangi noise dan artefak yang mungkin muncul dalam sinyal.
Elektroda dibuat dari material konduktif, seperti emas, perak, atau
campuran gel yang mengandung garam konduktif. Material ini
memungkinkan aliran listrik dari kulit kepala ke elektroda dengan efisien,
sehingga merekam sinyal EEG yang akurat.

2.2.2 Jackbox
Jackbox adalah kotak atau perangkat yang memiliki sejumlah port atau
konektor yang digunakan untuk menghubungkan elektroda ke mesin EEG.
Setiap elektroda biasanya memiliki kabel yang dihubungkan ke jackbox
melalui konektor khusus. Elektroda yang sudah terpasang di kulit kepala
pasien dihubungkan ke jackbox dengan cepat. Sehingga mengurangi
waktu yang diperlukan untuk menyiapkan dan menghubungkan elektroda
secara manual ke mesin EEG.
 Gambar 3. Jackbox

Jackbox sering memiliki port yang diberi nomor atau label sesuai
dengan sistem penempatan elektroda yang digunakan, seperti sistem 10-20
atau 10-10. Ini membantu pengguna mengidentifikasi posisi yang benar
untuk menghubungkan elektroda dan memastikan bahwa elektroda
terhubung ke titik yang tepat di kulit kepala pasien. Jika salah satu
elektroda harus diganti selama pemantauan EEG, maka dapat dengan
mudah dihubungkan elektroda pengganti ke port yang sesuai di jackbox
tanpa mengganggu elektroda lain atau merusak penempatan elektroda
yang ada.

2.2.3 Electrode Montage Selector

Electrode montage selector adalah komponen dalam sistem perekaman
Elektroensefalografi (EEG) yang memungkinkan pengguna untuk memilih
dan mengkonfigurasi elektroda yang digunakan untuk mengukur aktivitas
listrik otak. Selektor ini juga dapat mengatur konfigurasi elektroda,
termasuk pemilihan elektroda referensi dan elektroda ground. Elektroda
referensi digunakan sebagai referensi untuk mengukur potensial otak di
lokasi lain, sementara elektroda ground digunakan sebagai titik nol atau
acuan untuk pengukuran.

2.2.4 EEG Amplifiers

Amplifiers digunakan karena EEG harus memiliki penguatan yang
tinggi dan karakteristik noise yang rendah sebab amplitudo tegangan EEG
sangat rendah. Dengan kata lain, EEG amplifiers berfungsi untuk
meningkatkan amplitudo kelistrikan sel otak yang sangat rendah (beberapa
mikrovolt) hingga beratus-ratus bahkan beribu-ribu kali. Amplifier yang
digunakan harus bebas intervensi sinyal dari kabel listrik atau dari
 peralatan elektronik yang lain, untuk menghindari noise/bising pada
elektroda yang dilekatkan pada kulit kepala.

2.3 Diagram Kerja EEG

Gambar 4. Flowchart proses pemantauan EEG

Penjelasan mengenai diagram kerja (flowchart) untuk proses

pemantauan Elektrocefalogram (EEG):

1. Pemasangan Elektroda: Langkah pertama adalah meletakkan elektroda

pada kulit kepala pasien dengan menggunakan suatu sistem penempelan
yang sesuai. Elektroda ini akan merekam sinyal EEG dari berbagai titik
di kepala.
2. Pengumpulan Data EEG: Setelah elektroda terpasang dengan benar,
proses pengumpulan data EEG dimulai. Ini melibatkan merekam sinyal
 listrik yang dihasilkan oleh otak melalui elektroda selama periode waktu
tertentu.
3. Preprocessing: Data EEG yang diperoleh seringkali perlu diolah sebelum
analisis lebih lanjut. Langkah preprocessing meliputi:
 Filtering: Penggunaan filter seperti low-pass, high-pass, dan
notch filter untuk menghilangkan noise dan komponen frekuensi
yang tidak diinginkan.
 Rata-rata (Averaging): Jika diperlukan, rata-ratakan beberapa
periode sinyal untuk mengurangi noise acak.
 Referensi Baseline: Menggunakan referensi baseline untuk
membandingkan aktivitas otak saat istirahat dengan aktivitas
selama tugas atau stimulus tertentu.
4. Analisis: Setelah preprocessing, data EEG yang bersih dapat dianalisis
lebih lanjut. Ini melibatkan:
 Identifikasi Pola: Mencari pola aktivitas otak seperti gelombang
alpha, beta, theta, dan delta, serta potensial terkait acara (ERP)
dalam respons terhadap stimulus tertentu.
 Penyelidikan Gangguan: Jika dilakukan dalam konteks
diagnostik, analisis ini dapat mencari tanda-tanda gangguan
seperti epilepsi, gangguan tidur, atau gangguan neurologis
lainnya.
5. Interpretasi dan Diagnosis: Berdasarkan analisis data EEG, dokter atau
ahli EEG akan menginterpretasi hasilnya dan membuat diagnosis jika
diperlukan. Hasil ini dapat digunakan untuk merencanakan perawatan
lebih lanjut atau untuk pemantauan lanjutan.
6. Laporan Hasil: Hasil interpretasi dan diagnosis dipresentasikan dalam
bentuk laporan yang dapat digunakan oleh tim medis atau pasien.
Laporan ini berisi informasi tentang pola aktivitas otak dan temuan yang
relevan.
 7. Selesai: Proses pemantauan EEG selesai setelah hasilnya telah
diinterpretasi dan dilaporkan.

2.4 Penggunaan Filter

2.4.1 Low Pass Filter (LPF)

LPF digunakan untuk memblokir atau mengurangi komponen
frekuensi tinggi dalam sinyal EEG, memungkinkan hanya komponen
frekuensi rendah atau lambat untuk melewati filter. Ini digunakan untuk
meratakan atau meredam noise tinggi dan fluktuasi cepat dalam sinyal
EEG, yang sering kali tidak relevan untuk analisis aktivitas otak yang
lebih lambat.

LPF berguna dalam menghilangkan noise dari sinyal EEG dan

meningkatkan kejelasan komponen frekuensi rendah seperti gelombang
delta (0,5-4 Hz) dan theta (4-8 Hz) yang berkaitan dengan aktivitas otak
tertentu, seperti tidur atau relaksasi.

2.4.2 High Pass Filter (HPF)

HPF digunakan untuk memblokir atau mengurangi komponen
frekuensi rendah dalam sinyal EEG, sehingga hanya komponen frekuensi
tinggi yang dapat melewati filter. Ini membantu dalam menghilangkan
gelombang lambat dan fluktuasi jangka panjang dalam sinyal EEG, yang
mungkin tidak relevan untuk analisis yang memerlukan deteksi perubahan
cepat.

HPF berguna dalam meningkatkan deteksi komponen frekuensi tinggi

seperti gelombang beta (13-30 Hz) atau gelombang gamma (30-100 Hz),
yang terkait dengan aktivitas otak yang lebih responsif dan kognitif seperti
konsentrasi dan pemrosesan informasi.

2.4.3 Notch Filter

Notch filter (atau rejector filter) digunakan untuk menghilangkan
komponen frekuensi tertentu dalam sinyal EEG. Filter ini dirancang untuk
mengurangi atau mematikan gelombang sinusoidal dengan frekuensi
tertentu, seperti sinyal listrik yang terinduksi oleh sumber interferensi
seperti lampu neon atau perangkat elektronik lainnya yang menghasilkan
gangguan pada frekuensi tertentu.
 Notch filter berguna untuk menghilangkan gangguan frekuensi
tertentu yang dapat muncul dalam sinyal EEG dan mengganggu analisis.
Filter ini membantu menjaga keakuratan sinyal EEG dengan menghapus
interferensi yang tidak diinginkan.

2.5 Transformasi Sinyal EEG

Transformasi sinyal EEG adalah proses mengubah sinyal EEG yang
merekam aktivitas listrik otak menjadi bentuk lain yang lebih mudah
dianalisis dan diinterpretasikan. Transformasi sinyal EEG dapat dilakukan
dengan berbagai metode, salah satunya adalah transformasi
wavelet. Transformasi wavelet adalah suatu transformasi linear yang membagi
sinyal menjadi komponen-komponen frekuensi yang berbeda dengan
mempertahankan informasi waktu1. Transformasi wavelet dapat menampilkan
domain frekuensi dan waktu dari data sinyal tanpa kehilangan informasi yang
dibutuhkan dan dapat mengurangi aspek non-stasioner dari sinyal
EEG2. Transformasi wavelet juga dapat menekan noise atau gangguan pada
sinyal EEG dengan nilai lebih dari 20 dB. Terdapat lima bentuk Wavelet yaitu
Haar, Coiflet, Symmet, Daubechies, dan Morlet.

2.5.1 Metode Fast Fourier Transform (FFT)

Metode ini menggunakan cara atau alat matematika untuk analisis data
EEG. Karakteristik sinyal EEG yang diperoleh untuk dianalisis dihitung
dengan estimasi kepadatan spektral daya (PSD) untuk mewakili sinyal
sampel EEG secara selektif. Namun, empat pita frekuensi mengandung
bentuk gelombang karakteristik utama spektrum EEG.

PSD (Power Spectral Density) dihitung dengan mentransformasikan

Fourier dari urutan korelasi otomatis yang diestimasi dan ditemukan
dengan metode nonparametrik. Salah satu dari metode ini adalah metode
Welch. Urutan data diterapkan pada penggunaan jendela data,
 menghasilkan periodogram yang dimodifikasi. Urutan informasi x i(n)
dinyatakan sebagai

Ambil iD sebagai titik awal dari urutan ke-i. Kemudian L dengan

panjang 2M mewakili segmen data yang terbentuk. Periodogram keluaran
yang dihasilkan memberikan

Di sini, dalam fungsi jendela, U memberikan faktor normalisasi daya

dan dipilih sedemikian rupa

Di mana w(n) adalah fungsi jendela. Rata-rata periodogram yang

dimodifikasi ini menghasilkan spektrum daya Welch sebagai berikut:

2.5.2 Metode Transformasi Wavelet

WT (Transformasi Wavelet) memainkan peran penting dalam bidang
pengenalan dan diagnostik, transformasi ini mengompres sinyal biomedis
yang bervariasi seiring berjalannya waktu, yang terdiri dari banyak titik
data, menjadi beberapa parameter kecil yang mewakili sinyal.

Karena sinyal EEG bersifat tidak-stasioner, cara paling sesuai untuk

ekstraksi fitur dari data mentah adalah dengan menggunakan metode
domain waktu-frekuensi seperti transformasi wavelet (WT), yang
merupakan teknik estimasi spektral di mana fungsi umum dapat
diungkapkan sebagai rangkaian tak terbatas dari wavelet. Karena WT
memungkinkan penggunaan berukuran variabel, hal ini memberikan cara
yang lebih fleksibel untuk merepresentasikan sinyal dalam domain waktu-
frekuensi. Untuk mendapatkan resolusi frekuensi rendah yang lebih baik,
jendela waktu panjang WT digunakan, sebaliknya, untuk mendapatkan
informasi frekuensi tinggi, jendela waktu pendek digunakan.

Selain itu, WT hanya melibatkan struktur multiskala dan bukan skala

tunggal. Metode ini adalah kelanjutan dari metode transformasi Fourier.
Selain itu, metode ini dimaksudkan untuk mengatasi masalah sinyal tidak-
stasioner seperti EEG. Dalam metode WT, sinyal EEG asli
direpresentasikan oleh blok bangunan yang aman dan sederhana yang
dikenal sebagai wavelet. Wavelet induk menghasilkan wavelet-wavelet ini
sebagai bagian dari fungsi turunan melalui operasi translasi (pergeseran)
dan dilasi (pemampatan dan perpanjangan) sepanjang sumbu waktu,
secara berturut-turut. Ada dua kategori untuk WT, yakni kontinu
sementara dan diskret.

 Metode Continuous Wavelet Transform (CWT)

Metode ini dapat dinyatakan sebagai:

x(t) adalah singkatan dari EEG yang belum diproses, dengan a

berarti dilatasi, dan b mewakili faktor translasi. ψ a,b(t)
menunjukkan konjugat kompleks dan dapat dihitung dengan

 Metode Discrete Wavelet Transform (DWT)

Untuk mengatasi kelemahan CWT, transformasi wavelet diskrit
(DWT) telah didefinisikan berdasarkan representasi fitur
 multiskala. Setiap skala yang dipertimbangkan mewakili ketebalan
dari sinyal EEG. Dekomposisi multiresolusi data EEG mentah x(n)
ditunjukkan pada Gambar . Setiap langkah berisi dua filter digital,
g(n) dan h(n), dan dua downsampler sebanyak 2. Mother wavelet
diskrit g(n) adalah bersifat high pass, sedangkan bayangan
cerminnya adalah h(n) bersifat low pass

Seperti yang ditunjukkan pada susunan diatas, setiap keluaran

tahap memberikan detail sinyal D dan perkiraan sinyal A, di mana
sinyal terbaru menjadi masukan untuk langkah berikutnya. Jumlah
level dekomposisi wavelet dipilih tergantung pada komponen data
EEG dengan frekuensi dominan. Hubungan antara WTs dan filter
h, yaitu low pass, dapat direpresentasikan sebagai berikut:

Di sini, H(z) mewakili filter h transformasi-z. Transformasi z

komplementer filter high-pass dinyatakan sebagai:

2.5.3 Metode Vektor Eigen

Metode ini digunakan untuk menghitung frekuensi dan daya sinyal
dari pengukuran yang didominasi oleh artefak. Inti dari metode-metode ini
adalah potensi dari dekomposisi Eigen untuk mengkorelasikan sinyal yang
tercemar oleh artefak. Ada beberapa metode vektor eigen yang tersedia, di
antaranya adalah metode Pisarenko, metode MUSIC, dan metode
minimum-norm.

 Metode Pisarenko
 Metode Pisarenko adalah salah satu pendekatan vektor eigen yang
digunakan untuk mengevaluasi kerapatan spektral daya (PSD).
Untuk menghitung PSD, ekspresi matematika A(f) digunakan dan
diberikan sebagai

Pada persamaan di atas, ak adalah singkatan dari koefisien

persamaan yang ditentukan dan m mendefinisikan orde A(f)
eigenfilter. Metode Pisarenko menggunakan persamaan sinyal
yang diinginkan untuk memperkirakan PSD sinyal dari vektor
eigen yang setara dengan nilai eigen minimum sebagai berikut:

 Metode MUSIC
Metode ini menghilangkan masalah yang terkait dengan angka nol
palsu dengan bantuan rata-rata spektrum yang setara dengan
subruang artefak dari seluruh vektor eigen. Kerapatan spektral
daya yang dihasilkan diperoleh sebagai

 Metode Minimum-Norn
Metode ini membuat angka nol palsu dalam lingkaran satuan untuk
memisahkannya dari angka nol sebenarnya agar dapat menghitung
vektor subruang derau yang diminta a dari vektor eigen subruang
derau atau sinyal. Namun, sementara teknik Pisarenko hanya
menerapkan vektor eigen subruang kebisingan yang sesuai dengan
nilai eigen minimum, teknik norm minimum mengambil
kombinasi linier dari seluruh vektor eigen subruang kebisingan.
Teknik ini digambarkan oleh
2.5.4 Metode Distribusi Frekuensi Waktu
Metode ini memerlukan sinyal tanpa suara untuk memberikan kinerja
yang baik. Oleh karena itu, tahap pra-pemrosesan yang sangat terbatas
diperlukan untuk menghilangkan segala jenis artefak. Sebagai metode
frekuensi waktu, metode ini berhubungan dengan prinsip stasioner. Oleh
karena itu, proses windowing diperlukan dalam model preprocessing.
Definisi TFD untuk sinyal x(n) digeneralisasikan oleh Cohen sebagai

A(θ, τ) dikenal sebagai Fungsi ambiguitas, dan Φ(θ, τ) mengacu pada

inti distribusi, sedangkan r dan w masing-masing merupakan variabel
dummy waktu dan frekuensi.

Distribusi Smooth Pseudo-Wigner-Ville (SPWV) merupakan metode

varian yang menggabungkan pemulusan dengan jendela independen dalam
waktu dan frekuensi, yaitu W w(τ) dan W t(t) :

Ekstraksi ciri menggunakan metode ini didasarkan pada energi,

frekuensi, dan panjang lintasan utama. Setiap segmen memberikan nilai
Ek, Fk, dan Lk. Sinyal EEG pertama-tama dibagi menjadi k segmen,
kemudian, akan dilakukan konstruksi vektor fitur tiga dimensi untuk
setiap segmen. Energi setiap segmen k dapat dihitung sebagai berikut:
 Di mana ϑ k(t, f) adalah representasi frekuensi waktu dari segmen
tersebut. Namun untuk menghitung frekuensi setiap segmen k, kita
menggunakan frekuensi marjinal sebagai berikut:

Terakhir, untuk mencapai hasil yang baik, sinyal EEG yang tidak bersuara
atau sinyal yang memiliki tingkat kebisingan yang baik harus digunakan
untuk TFD.

2.5.5 Metode Autoregresif

Metode autoregresif (AR) memperkirakan kepadatan spektrum daya
(PSD) EEG menggunakan pendekatan parametrik. Oleh karena itu,
metode AR tidak memiliki masalah kebocoran spektral sehingga
menghasilkan resolusi frekuensi yang lebih baik dibandingkan pendekatan
nonparametrik. Estimasi PSD dicapai dengan menghitung koefisien, yaitu
parameter sistem linier yang dipertimbangkan. Dua metode yang
digunakan untuk memperkirakan model AR dijelaskan secara singkat di
bawah ini

 Metode Yule Walker

Dalam metode ini, parameter atau koefisien AR diestimasi dengan
memanfaatkan perkiraan bias yang dihasilkan dari fungsi data
autokorelasi. Hal ini dilakukan dengan mencari minimalisasi
kuadrat terkecil dari kesalahan prediksi maju seperti yang
diberikan di bawah ini:
 Dimana rxx dapat didefinisikan oleh:

Dengan menghitung himpunan persamaan linear (p + 1) di atas,

maka diperoleh koefisien AR:

 Metode Burg
Metode Burg adalah estimasi spektral AR berdasarkan
pengurangan kesalahan prediksi maju dan mundur untuk
memenuhi rekursi Levinson-Durbin. Metode Burg memperkirakan
koefisien refleksi secara langsung tanpa perlu menghitung fungsi
autokorelasi. Metode ini memiliki kekuatan sebagai berikut:
Metode Burg dapat memperkirakan rekaman data PSD agar
terlihat persis seperti nilai data aslinya. Ini dapat menghasilkan
sinyal sinusoida yang sangat padat setelah mengandung tingkat
kebisingan minimal.
Perbedaan metode Yule-Walker dan metode Burg terletak pada
cara penghitungan PSDnya. Untuk metode Burg, PSD
diperkirakan sebagai berikut:
2.6 Peristiwa yang Memicu Sinyal Electroensephalogram (EEG)
Sinyal Electroencephalogram (EEG) merekam aktivitas listrik otak yang
dihasilkan oleh berbagai peristiwa dan proses yang terjadi di dalam otak
manusia. Beberapa peristiwa yang memicu sinyal EEG termasuk:

 Aktivitas Pikiran: Sinyal EEG mencerminkan aktivitas otak yang

terkait dengan pemikiran, pemrosesan informasi, dan kegiatan
kognitif lainnya. Misalnya, saat seseorang memecahkan masalah
matematika atau berpikir secara intens, aktivitas otaknya dapat
tercermin dalam sinyal EEG.
 Perubahan Kondisi Mental: Perubahan dalam kondisi mental,
seperti tidur, bangun, relaksasi, dan konsentrasi, dapat
memengaruhi pola sinyal EEG. Ini memungkinkan untuk
membedakan antara tahap tidur yang berbeda, seperti tidur cepat
(rapid eye movement/REM) dan tidur non-REM.
 Kejang dan Aktivitas Epilepsi: Kejang adalah contoh yang sangat
mencolok dari aktivitas yang memicu sinyal EEG. Perekaman
EEG dapat membantu dalam diagnosis dan pemantauan pasien
dengan gangguan epilepsi.
 Respon Sensorik: Aktivitas otak yang terkait dengan respons
sensorik seperti melihat, mendengar, atau merasakan dapat terlihat
dalam sinyal EEG. Ini membantu dalam memahami cara otak
manusia merespons stimulus lingkungan.
 Prosedur Medis: Selama prosedur medis seperti operasi otak atau
stimulasi otak dalam rangka penelitian atau perawatan, sinyal EEG
digunakan untuk memantau aktivitas otak dan memastikan
keamanan pasien.
 Pemicu Eksternal: Beberapa eksperimen EEG menggunakan
pemicu eksternal, seperti lampu berkedip atau suara tertentu, untuk
 menginduksi respons otak yang dapat diamati melalui sinyal EEG.
Hal ini membantu dalam penelitian tentang bagaimana otak
bereaksi terhadap stimulus tertentu.
 Aktivitas Motorik: Gerakan tubuh yang diinisiasi oleh otak, seperti
gerakan mata saat membaca atau gerakan anggota tubuh, dapat
tercermin dalam sinyal EEG.
 Perubahan Emosi: Perubahan emosi, seperti kegembiraan,
ketakutan, atau stres, dapat memengaruhi aktivitas otak yang dapat
terlihat dalam sinyal EEG. Ini dapat membantu dalam memahami
hubungan antara emosi dan aktivitas otak.

Sinyal EEG sangat sensitif terhadap berbagai peristiwa otak dan

memberikan wawasan yang berharga tentang aktivitas neurologis dan kognitif
manusia. Ini membuatnya menjadi alat penting dalam ilmu pengetahuan
neurologi, penelitian ilmiah, dan praktik klinis.

2.7 Gelombang Otak

Gelombang otak dihasilkan oleh aktivitas neuron di dalam otak
manusia, aktivitas neuron ini menghasilkan sinyal listrik sebagai pembawa
informasi sensori dan motorik. Gelombang otak merupakan rambatan dari
potensial aksi sepanjang wilayah tertentu pada otak dan pada waktu tertentu.
Gelombang otak manusia memliki rentang frekuensi dan amplitudo yang
bervariasi antara 0-30 Hz .Pada otak manusia terdapat beberapa macam
gelombang yang dihasilkan oleh EEG yakni teta, delta, alfa, gamma, beta.

2.7.1 Gelombang Delta

Gelombang delta adalah Gelombang Otak (Brainwave) yang memiliki
amplitudo yang besar dan frekuensi yang rendah, yaitu dibawah 3 hz. Otak
Anda menghasilkan gelombang ini ketika Anda tertidur lelap, tanpa
mimpi. Fase Delta adalah fase istirahat bagi tubuh dan pikiran. Kondisi
Delta juga sering dihubungkan dengan manusia yang Memiliki perasaan
 kuat terhadap empati dan intuisi. Beberapa frekuensi dalam jangkauan
Delta ini diiringi dengan pelepasan hormon pertumbuhan manusia
(Human Growth Hormone), yang bermanfaat dalam penyembuhan.Tubuh
Anda melakukan proses penyembuhan diri, memperbaiki kerusakan
jaringan, dan aktif memproduksi sel-sel baru saat Anda tertidur lelap.
Gelombang Delta adalah gelombang yang paling rendah pada otak anda,
otak tidak akan pernah mencapai frekwensi 0 hz, karena jika otak anda
dalam kasus ini Anda akan mati.

2.7.2 Gelombang Teta

Gelombang theta dalah Gelombang Otak (Brainwave) yang terjadi
pada saat seseorang mengalami tidur ringan, atau sangat mengantuk.
Tanda-tandanya napas mulai melambat dan dalam. Selain orang yang
sedang diambang tidur, beberapa orang juga menghasilkan Gelombang
Otak (Brainwave) ini saat trance, hypnosis, meditasi dalam, berdoa,
menjalani ritual agama dengan khusyu.. Lebih lambat dari Beta, kondisi
gelombang otak Teta (4-8 Hz) muncul saat kita bermimpi pada tidur
ringan. Atau juga sering dinamakan sebagai mengalami mimpi secara
sadar. Frekuensi Teta ini dihubungkan dengan pelepasan stress dan
pengingatan kembali memori yang telah lama. Kondisi “senjakala”
(twilight) dapat digunakan untuk menuju meditasi yang lebih dalam,
menghasilkan peningkatan kesehatan secara keseluruhan, kebutuhan
kurang tidur, meningkatkan kreativitas dan pembelajaran.
2.7.3 Gelombang Beta
Gelombang beta terjadi pada saat seseorang mengalami aktifitas
mental yang terjaga penuh. Gelombang beta dibagi menjadi 3 kelompok,
yaitu high beta (lebih dari 19 Hz) yang merupakan transisi dengan getaran
gamma , lalu getaran beta (15 hz -18 hz) yang juga merupakan transisi
dengan getaran gamma, dan selanjutnya lowbeta (12 hz ~ 15 hz).
Gelombang Beta di perlukan otak Ketika Anda berpikir, rasional,
pemecahan masalah, dan keadaan pikiran di mana Anda telah
menghabiskan sebagian besar hidup Anda. Dalam kondisi Beta, otak Anda
akan mudah melakukan analisis dan penyusunan informasi, membuat
koneksi, dan menghasilkan solusi-solusi serta ide-ide baru. Beta sangat
bermanfaat untuk produktivitas kerja, belajar untuk ujian, persiapan
presentasi, atau aktivitas lain yang membutuhkan konsentrasi dan
kewaspadaan tinggi.

2.7.4 Gelombang Alpha

Gelombang Alpha adalah Gelombang Otak (Brainwave) yang
terjadi pada saat seseorang yang mengalami relaksaksi atau mulai istirahat
dengan tanda-tanda mata mulai menutup atau mulai mengantuk. Anda
menghasilkan gelombang alpha setiap akan tidur, tepatnya masa peralihan
antara sadar dan tidak sadar. Gelombang otak Alpha (8-13 Hz) sangat
kontras dibandingkan dengan kondisi Beta. Kondisi relaks mendorong
aliran energi kreativitas dan perasaan segar, sehat. Kondisi gelombang
 otak Alpha ideal untuk perenungan, memecahkan masalah, dan visualisasi,
bertindak sebagai gerbang kreativitas kita.

2.8 Karakteristik Gelombang Otak Normal dan Abnormal

Berdasarkan analisis gelombang otak yang telah didapatkan melalui EEG,
maka dapat diklasifikasikan karakteristik gelombang otak tersebut kedalam
gelombang otak normal dan gelombang otak abnormal . Hasil pemeriksaan
EEG menunjukan terdapat perbedaan pola pada gelombang otak normal dan
abnormal.

2.8.1 Gelombang Otak Normal

a. Hasil dua sisi otak menunjukkan pola serupa dari aktivitas elektrik
b. Orang dewasa yang terjaga, EEG menunjukkan gelombang alfa lebih
banyak dibanding dengan gelombang beta.
c. Tidak ada gambaran gelombang abnormal dari aktivitas elektrik dan
tidak ada gelombang yang lambat.
d. Jika pasien dirangsang dengan cahaya (photic) selama test maka hasil
gelombang tetap normal.

2.8.2 Gelombang Otak Abnormal

a. Aktivitas bentuk epileptik menyerupai gelombang tajam (sharp
waves), gelombang paku (spike waves), gelombang paku-ombak,
gelombang paku majemuk, dan gelombang lambat yang timbul secara
paraksimal.
b. Gelombang lambat terjadi saat irama gelombang tidak teratur atau
irama gelombang lebih lambat dibanding seharusnya.
c. Kelainan amplitude terjadi pada saat besar tegangan gelombang otak
pada daerah yang sama dikedua hemisphere otak tidak simetris.
d. Pola-pola tertentu yang menyerupai pola gelombang normal tetapi
terdapat penyimpangan nilai frekuensi, reaktivitas dan distribusi.
 BAB 3 : PENUTUP
3.1 Kesimpulan
Sinyal Elektroensefalografi (EEG) adalah rekaman aktivitas listrik
yang dihasilkan oleh otak manusia. Ini mencerminkan berbagai peristiwa dan
proses yang terjadi di dalam otak. Perekaman EEG digunakan dalam berbagai
aplikasi medis, penelitian ilmiah, dan diagnostik neurologis untuk memahami
aktivitas otak. Sinyal EEG juga menggambarkan berbagai jenis gelombang
otak yang mencerminkan aktivitas otak dalam berbagai keadaan. Ini meliputi
gelombang alpha (relaksasi), beta (konsentrasi), delta (tidur dalam), theta
(relaksasi dalam), dan gamma (proses kognitif tingkat tinggi). Analisis
gelombang otak membantu dalam memahami fungsi dan kondisi mental.
Transformasi sinyal EEG, seperti Transformasi Wavelet (WT), Transformasi
Fourier, dan lain-lainnya adalah teknik analisis yang digunakan untuk
mengubah sinyal waktu menjadi domain frekuensi atau waktu-frekuensi. Ini
memungkinkan identifikasi pola, frekuensi, dan karakteristik lainnya dalam
sinyal EEG yang kompleks.

3.2 Saran
Berdasarkan hasil penelusuran dari berbagai macam sumber jurnal
serta buku, masih banyak hal yang penulis kurang pahami, sehingga terdapat
kekurangan yang perlu diperbaiki pada paper ini.