DETEKSI GELOMBANG OTAK NORMAL DAN

ABNORMAL MENGGUNAKAN METODE

BACKPROPAGATION

Disusun oleh,
Renata Brigita Noviene
1610501099

Jurusan Teknik elektro

Fakultas Teknik
Universitas Tidar
 OUTLINE

Bb BAB 1 PENDAHULUAN

B BAB II TINJAUAN PUSTAKA & DASAR

TEORI

B BAB 111 METODE PENELITIAN

B BAB IV HASIL DAN PEMBAHASAN

B BAB V PENUTUP
 Title Lorem Ipsum
BAB 1
BAB I
Title Lorem Ipsum

Otak merupakan organ Electroenchephalograph
tubuh yang sangat vital (EEG) adalah alat yang
dan menjadi pusat didesain untuk merekam
koordinasi dalam tubuh aktivitas listrik pada otak
manusia dengan elektrode yang
ditempel di kulit kepala.
OTAK EEG
Gelombang otak normal Metode FFT digunakan
ditandai dengan hasil dua untuk mengekstraksi ciri
sisi otak menunjukkan gelombang otak dari hasil
pola serupa dari aktivitas rekaman EEG yang
listrik dan tidak adanya selanjutnya diklasifikasi
gelombang otak yang menjadi gelombang otak
lambat dan sebaliknya normal dan abnormal
pada Gelombang otak menggunakan metode k-
abnormal means clustering.
Gelombang Otak Klasifikasi
Jaringan otak manusia
yang hidup menghasilkan
gelombang listrik yang
berfluktuasi yang disebut
brainwave atau
gelombang otak.
Gelombang otak
menandakan aktifitas
pikiran seseorang
Aktifitas listrik pada otak
LATAR BELAKANG
Menerapkan metode
backpropagation untuk
mendeteksi gelombang
otak normal dan abnormal
dari hasil rekaman EEG
Backpropagation
 Berdasarkan uraian latar belakang tersebut
maka muncul rumusan masalah sebagai
berikut.

Bagaimana mencari ciri gelombang otak dari

1 hasil rekaman electroencephalograph (EEG),
maka dengan penelitian ini menggunakan
metode Fast Fourier Transform.

2 Bagaimana menerapkan metode backpropagation

untuk mendeteksi gelombang otak normal dan
abnormal
 Tujuan Penelitian

Penelitian ini bertujuan untuk mengklasifikasi gelombang otak dan mendeteksi gelombang

otak normal dan gelombang otak abnormal dari hasil rekaman aktivitas listrik pada otak

menggunakan electoenchephalograph (EEG)

MANFAAT PENELITIAN

Manfaat dari penelitian ini adalah sebagai berikut :

a. Membantu tenaga medis untuk mengklasifikasi gelombang otak dari hasil rekaman

menggunakan elecroenchephalograph (EEG) 

b. Membantu tenaga medis untuk mendeteksi gelombang otak normal dan gelomabang otak

abnormal dari hasil rekaman menggunakan electroencephalograph (EEG)

BATASAN MASALAH

1. Mengunakan data citra hasil rekaman gelombang otak menggunakan hasil rekaman dari

electroencephalograph (EEG)

2. Menekankan penerapan metode backpropagation dalam deteksi gelombang otak normal dan

gelombang otak abnormal

 Title Lorem Ipsum
BAB 1
BAB II
 TINJAUAN PUSTAKA
Deteksi Emosi dari Gelombang
Kristianto, dkk 2019 Otak Menggunakan Metode
Convolutional Neural Networks.
Classification of EEG Signals using
Novitasari, dkk (2019) Fast Fourier Transform (FFT) and
Adaptive Neuro-Fuzzy Inference
System (ANFIS)”
Deteksi Penyakit Epilepsi dengan
Menggunakan Entropi Permutasi,
Handayani, dkk (2014)
K-means Clustering, dan Multilayer
Perceptron
Identifikasi Sinyal EEG
Hindarto (2013) menggunakan Koefisien Regresi
dan Jaringan Syaraf Tiruan
Dari hasil percobaan diperoleh model
terbaik dengan akurasi untuk model
arousal sebesar 72% dan model valence
sebesar 71%.
Dari hasil penelitian dengan ekstraksi
fitur ditemukan persentase akurasi rata-
rata 87,424%.
Model klasifikasi yang paling rendah
performanya antara dataset B dan E dengan
akurasi 79%, specificity sebesar 74,26%,
dan sensitivity yang bernilai 89,86%.
Hasil yang diperoleh untuk
pengklasifikasian sinyal ini adalah 80 %
akurasi dari 150 file data sinyal yang
diuji pada proses mapping.
• Sinyal listrik yang dihasilkan oleh otak melakukan
proses distribusi informasi dan direpresentasikan
sebagai gelombang.
• Gelombang yang dihasilkan oleh otak adalah
gelombang otak.
• Jika otak melakukan aktivitas yang berbeda, maka
gelombang yang dihasilkan menciptakan gelombang
yang berbeda pula.
Gelombang otak dapat diklasifikasikan menjadi gelombang otak normal dan gelombang otak abnormal
berdasarkan hasil pemeriksaan elektroensefalografi (EEG) yang menunjukkan pola gelombang yang
berbeda antara lain ;
 Citra
Grayscale Citra
Digital
Biner
RGB

• Citra digital didefinisikan • Gambar biner terdapat

sebagai fungsi dari dua • Gambar skala abu-abu gambaran biner setiap titik
• Rentang nilai terkecil
variabel f(x,y), dimana x diperlukan 1 nilai (pixel) bernilai 0 atau 1.
adalah 0 dan terbesar
dan y adalah koordinat intensitas, gambar Nilai 0 akan tampil
adalah 255
spasial dan nilai f(x,y) berwarna 3 intensitas menjadi rona hitam
• Skala 256 ini didasarkan untuk setiap piksel. sedangkan nilai 1 akan
• Teknologi dasar untuk
angka biner 8 digit tampil menjadi rona putih
menampilkan warna pada • Intensitas gambar skala
yang digunakan oleh
citra digital didasarkan pada abu-abu disimpan • Biasanya digunakan untuk
mesin komputasi
kajian warna merupakan sebagai bilangan bulat proses segmentasi
didapatkan warna
kombinasi dari tiga warna 8-bit yang menawarkan gambaran guna
campuran 256 x 256 x
primer, yaitu (Red, Green, 256 kemungkinan dari memperjelas ketajaman
256 = 1677726 jenis
Blue - RGB). level 0 hingga 255 rona putih & hitam.
warna.
• .
 Fast Fourier Transform (FFT) adalah metode yang sangat efisien untuk
menghitung koefisien fourier diskrit ke suatu finite sekuen dari data yang
kompleks. Karena subtansi penghematan waktu yang signifikan dibandingkan
FFT
metode konvesional, fast fourier transform adalah aplikasi penting dari temuan di
sejumlah bidang yang berbeda, seperti analisis spektrum, pemrosesan sinyal suara
dan optik, desain filter digital.

Clustering merupakan proses pengelompokan data-data ke dalam sejumlah

kelompok berdasarkan kesamaan karakteristik masing-masing data pada
Clustering kelompok kelompok yang ada.
Metode K-Means merupakan metode dalam algoritma klasterisasi berbasis jarak
yang membagi data menjadi beberapa klaster, dan algoritma ini hanya bekerja
dengan atribut numerik

Backpropagation
Backpropagation adalah algoritma pembelajaran untuk mengurangi tingkat
kesalahan dengan menyesuaikan bobotnya berdasarkan perbedaan antara
keluaran dan tujuan yang diinginkan
Backpropagation memiliki tiga lapisan dalam proses pelatihannya, yaitu input
layer, hidden layer dan output layer
Metode backpropagation bekerja melalui proses iteratif menggunakan sampel data
yang telah dikumpulkan (data latih) menggunakan metode yang membandingkan
nilai prediksi jaringan terhadap setiap sampel data.
 Title Lorem Ipsum
BAB 1
BAB III
 Mulai

Studi Literatur

Peerancangan dan Pembuatan Sistem

Pengujian Sistem

METODE PENELITIAN
Apakah sistem
beroperasi
sesuai rencana?

Analisis

Kesimpulan

Selesai
 Diagaram Perencanaan Sistem

Input data Pengolahan Citra Hasil Pengolahan Citra

Proses Pelatihan Klustering Ekstraksi Ciri

Proses Pengujian Hasil Klasifikasi

 Title Lorem Ipsum
BAB 1
BAB IV
 INPUT DATA
Input data adalah proses memasukkan data ke dalam sistem. Data yang digunakan berupa ilustrasi hasil pemeriksaan
gelombang otak menggunakan alat elektroensefalogram (EEG) format jpg sebanyak 70 gambar. Citra yang
digunakan memiliki ukuran 1170x827 piksel. Proses pengolahan citra membaca data citra masukan. Pengolahan
citra menghasilkan citra yang diinginkan atau kualitas citra yang lebih baik.
 EKSTRAKSI CIRI

• Ekstraksi ciri adalah suatu tahapan untuk mengekstrak suatu

ciri atau informasi dari objek di dalam citra yang dikenali atau
dibedakan dengan objek lainnya. Tahap ekstraksi ciri yang
digunakan yaitu median, mean dan standar.
• Ekstraksi ciri yang telah dilakukan dapat diketahui bahwa ciri
median nya yaitu sebesar 27,5745, ciri mean sebesar 36,8051,
dan ciri standar sebesar 39,2106.
 Clustering

Ketiga ciri yang diperoleh pada ekstraksi ciri yaitu median,

mean, dan standar digunakan untuk membagi data menjadi 2
kelas menggunakan algoritma k-means clustering

Data hasil proses clustering dapat menentukan kluster mana

yang berisi data normal dan data abnormal. Proses clustering
yang telah dilakukan dapat diketahui kluster 1 yang berwarna
merah merupakan kluster yang memiliki data normal dan
kluster 2 yang berwarna biru merupakan kluster yang memiliki
data abnormal.
Hasil Clustering

Ciri normal nilai median tertinggi ditunjukkan pada data ke 3 yaitu

28,1374 dan nilai median terkecil ditunjukkan pada data ke 30 yaitu 21,

3970. Nilai mean tertinggi ditunjukkan pada data ke 33 yaitu 37, 7489 dan

nilai mean terendah ditunjukkan pada data ke 17 yaitu 30,4994. Nilai

standar tertinggi ditunjukkan pada data ke 33 yaitu 42,8265 dan nilai

standar terendah ditunjukkan pada data ke 27 yaitu 34,6658.

Ciri abnormal yang ditunjukkan pada gambar memiliki nilai
median tertinggi yang ditunjukkan pada data ke 5 yaitu 31,9552
dan nilai terendah pada data ke 1 yaitu 28,5531 yang
ditunjukkan. Nilai mean tertinggi yang ditunjukkan pada data ke
5 yaitu 44,4464 dan nilai mean terendah ditunjukkan pada data
ke 6 yaitu 40,0796. Nilai standar tertinggi ditunjukkan pada data
ke 5 yaitu 53.6063 dan nilai standar terendah yaitu data ke 3
yaitu 43,2501
 MENENTUKAN TARGET

• Jumlah data yang digunakan untuk

menentukan target sebanyak 48 data.

• Dari 48 data terdapat ciri abnormal dan

ciri normal .

• Target abnormal dinyatakan dengan angka

1 dengan data yang digunakan sebanyak 8

data. Target normal dinyatakan dengan

angka 0 dengan data yang digunakan

sebanyak 40 data.
 Metode Backpropagation

Masukkan Lapisan Tersembunyi Keluaran

• Tahapan metode backpropagation yang digunakan terdapat 2 tahapan yaitu
Z1

X1 tahap pelatihan (training) dan tahap pengujian (testing).Tahap pelatihan

Median Z2

(training) terdapat 3 fase ;

Z3

• Fase ke 1 merupakan fase propagasi maju, fase ke I (feedforward) pola input

Z4
Y (X1, X2...X3) dihitung maju dari lapisan input ke lapisan output
X2
Z5

menggunakan hasil dari ekstraksi ciri.

Z6
• Fase yang ke 2 merupakan tahapan propagasi mundur (backpropagation)

Z7 • Fase yang ke 3 adalah fase penyesuaian bobot, pada tahap pengujian

X3

Z8 (testing) yang digunakan hanya tahap fase ke 1 yang merupakan fase

propagasi maju (feedforward propagation)

 Data Latih dan Data Uji
Proses pengenalan data dapat ditentukan dengan nilai minimum dan nilai Normal Abnormal
 
Nilai Nilai Nilai Nilai
maksimum dari output gelombang normal dan gelombang abnormal. Nilai
Minimum Maksimum Minimum Maksimum
minimum dan nilai maksimum dari ekstraksi ciri yang berupa median, mean,
Median 21,3970 28,1374 28,5531 31,9552
dan standar digunakan sebagai range untuk membedakan gelombang pada
Mean 30,4994 37, 7489 40,0796 44,4464
otak yaitu normal dan abnormal,
Standar 34,6658 42,8265 43,2501. 53,6063

Data pengujian (testing) adalah data yang digunakan dalam proses pengujian 21,3970 > 𝑁𝑜𝑟𝑚𝑎𝑙 < 28,5531
𝑀𝑒𝑑𝑖𝑎𝑛 = ൬ ൰
28,5531 > 𝐴𝑏𝑛𝑜𝑟𝑚𝑎𝑙 < 31,9552
pada aplikasi yang telah melewati proses pelatihan. Sebelum melakukan proses
30,4994 > 𝑁𝑜𝑟𝑚𝑎𝑙 < 37,7489
pelatihan dan pengujian terlebih dahulu membagi data tersebut, pembagian data 𝑀𝑒𝑎𝑛 =൬ ൰
37,7489 > 𝐴𝑏𝑛𝑜𝑟𝑚𝑎𝑙 < 44,4464
pada pelatihan adalah 40:8 dan pada pengujian adalah 18:4.
34,6658 > 𝑁𝑜𝑟𝑚𝑎𝑙 < 42,8265
𝑆𝑡𝑎𝑛𝑑𝑎𝑟 = ൬ ൰
42,8265 > 𝐴𝑏𝑛𝑜𝑟𝑚𝑎𝑙 < 53,6063
 Hasil Pengujian Sistem
• Data yang digunakan dalam pengujian sistem yaitu 18 data gelombang otak normal dan 4 data gelombang abnormal. Gelombang
abnormal pada otak memiliki ciri pola gelombang spike, sharp dan memiliki nilai aktivitas yang lebih tinggi dari gelombang
normal.
• Alat electroenchaphalograph (EEG) yang berada dirumah sakit belum bisa menafsirkan pola spike, sharp dan juga nilai dari
gelombang itu sendiri secara otomatis, maka dari itu diagnosa tenaga medis yang dilakukan secara visual dan sangat subjektif
terhadap pemeriksaan hasil electroenchaphalograph (EEG).
• Hasil diagnosa tenaga medis gelombang T1-T3 di diagnosa sebagai gelombang abnormal.
• Hasil diagnosa tenaga medis gelombang P4-02 didiagnosa sebagai gelombang abnormal
Hasil pengujian sistem dari gelombang T1-T3 dengan hasil uji yaitu gelombang
abnormal
Hasil pengujian sistem dari gelombang P4-02 dengan hasil uji yaitu gelombang normal
IMPLEMENTASI SISTEM
 Title Lorem Ipsum
BAB 1
BAB V
 KESIMPULAN

1. Antarmuka yang dibangun menggunakan metode citra digital HSV, segmentasi, dan ekstraksi ciri, serta klasifikasi
backpropagation dapat digunakan dalam pengklasifikasian jenis gelombang otak.
2. Parameter yang digunakan pada penelitian ini menggunakan 8 hidden layer dengan neuron 100, learning rate 0.5,
maksimum epoch 100000, dan target error 0.0001
3. Hasil pengujian pada antarmuka terdapat dua buah citra gelombang otak abnormal yang tidak terdeteksi, sedangkan pada
citra gelombang otak normal semua citra dapat terdeteksi dengan baik. Tingkat akurasi yang terukur pada hasil pengujian
yaitu sebesar 90.91% dari 100 neuron dan epoch 100000.
4. Parameter pengujian yang digunakan seperti pembagian data, learnig rate, jumlah epoch, jumlah neuron, jumlah hidden
layer, serta kualitas
 SARAN

1. Antarmuka pengujian dibangun menggunakan aplikasi pengolah data dan pemrograman Matlab serta tampilan
antarmuka masih sederhana dan bersifat statis, untuk itu perlu adanya penambahan fitur ataupun keterangan pada
antarmuka agar lebih dinamis dan mudah dipahami.
2. Metode pengolahan citra masih bersifat umum, sehingga untuk penelitian selanjutnya dapat menambahkan
beberapa metode pengolahan citra yang lain agar hasil yang dapatkan dapat lebih baik.
3. Penggunaan metode backpropagation, dapat dikembangkan ataupun dikolaborasikan dengan model trainlm,
traincfg maupun dengan metode yang lain.
TERIMA KASIH