EMOTIV EPOC

Emotiv EPOC (Gambar 2.8) adalah EEG portable berresolusi tinggi dengan 14 kanal dan 2 kanal referensi yang telah dirancang untuk digunakan sebagai alat penelitian. Posisi peletakan elektroda di kepala ditunjukkan pada Gambar 2.9.

Gambar 2.8 Emotiv EPOC

Electrical Capacitance Volume Tomography

Electrical Capacitance Volume Tomography (ECVT) adalah

suatu alat yang dapat mencitrakan suatu bagian dalam tubuh manusia yang bersifat non-destructive atau tidak merusak. Alat ini pertama kali dikembangkan oleh Dr. Warsito dkk pada tahun 2007 (Warsito, 2007). Prinsip kerja ECVT berdasarkan pada teknologi tomografi namun tidak berbasis proyeksi garis seperti CT-Scan dan MRI, akan tetapi menggunakan prinsip pengukuran kapasitansi volumetrik pada medium tiga dimensi yang dilingkupi oleh sensor kapasitans.

ECVT dapat memetakan sebaran dielektrik pada ruang 3D sehingga jika dipetakan akan diperoleh suatu citra volumetrik dari subjek. Pada sensor ECVT elektroda yang digunakan bisa berupa geometri apa saja seperti segitiga dan hexagonal dan disusun dengan konfigurasi susunan yang bermacam – macam, namun hasil citra akan sangat bergantung sekali dengan bentuk plat elektroda (Warsito, 2007). Pada proses pengukuran kapasitansi setelah satu plat selesai dijadikan sebagai sumber maka plat yang lain kemudian akan menjadi sumber dengan plat selainnya sebagai detektor, hal ini dilakukan untuk seluruh plat sehingga akan diperoleh sejumlah hasil pengukuran.

Sistem ECVT terdiri dari tiga komponen dasar, yaitu sensor kapasitansi, sistem akuisisi data dan sistem komputer. Sensor kapasitansi terdiri dari beberapa elektroda yang diletakkan di sekeliling subjek. Jumlah elektroda bervariasi tergantung pada penggunaannya, pada brain ECVT digunakan 32 elektroda yang disusun berbentuk helm. Instrumen sistem akuisisi data atau Data

Acquisition System (DAS) berfungsi sebagai pengontrol sekaligus

detektor kapasitansi. DAS akan mengukur nilai kapasitansi antara plat sumber dengan plat detektor, dan juga memindahkan pengukuran dari satu elektroda ke elektroda lainnya dengan menggunakan Multiplexer (MUX). Pada PC dilakukan pengolahan data kapasitansi yang didapatkan dari DAS untuk kemudian direkonstruksi dengan algoritma matematika agar menghasilkan citra.

2.4.1 Kapasitansi ECVT

Kapasitansi ECVT yang diukur adalah fungsi dari konstanta dielektrik (permitivitas) yang mengisi ruangan antara pasangan elektroda, berdasarkan persamaan poisson berikut.

∇𝜀(𝑥, 𝑦, 𝑧)∇𝜙(𝑥, 𝑦, 𝑧) = −𝜌(𝑥, 𝑦, 𝑧) (2.1) Dimana 𝜀(𝑥, 𝑦, 𝑧) adalah distribusi permitivitas, 𝜙(𝑥, 𝑦, 𝑧) adalah distribusi potensial dalam medan listrik, dan 𝜌(𝑥, 𝑦, 𝑧) adalah densitas muatan. Pengukuran kapasitansi Ci dari pasangan ke-i antara sumber dan elektroda detektor didapat dengan mengintegralkan persamaan berikut.

𝐶 =^𝑄

𝑉= − ¹

Δ𝑉_𝑖∯ 𝜀(𝑥, 𝑦, 𝑧)∇𝜙(𝑥, 𝑦, 𝑧)_𝐴

𝑖 (2.2)

Dimana Δ𝑉_𝑖 adalah beda potensial antara pasangan elektroda dan 𝐴_𝑖 adalah area permukaan yang menutup elektroda detektor. Persamaan tersebut di atas

menghubungkan distribusi konstanta dielektrik (permitivitas) dengan kapasitansi Ci yang diukur.

Pada persamaan 2.2, nilai distribusi potensial 𝜙(𝑥, 𝑦, 𝑧) bergantung pada distribusi permitivitas 𝜀(𝑥, 𝑦, 𝑧). Jika nilai permitivitas berubah maka nilai potensial juga akan berubah. Dilakukan pendekatan dimana nilai permitivitas adalah konstan karena persamaan 2.2 adalah persamaan non-linear, dengan pendekatan nilai sensitivitas sebagai berikut.

𝑆_𝑖𝑗=̃ 𝑉_0𝑗^𝐸𝑠𝑖(𝑥,𝑦,𝑧).𝐸_𝑑𝑖(𝑥,𝑦,𝑧)

𝑉_𝑠𝑖𝑉_𝑑𝑖 (2.3)

Dimana 𝐸_𝑠𝑖(= −∇𝜙) adalah vektor distribusi medan listrik ketika elektroda sumber pada pasangan elektroda ke-i diaktifkan dengan tegangan 𝑉_𝑠𝑖 sementara elektroda lainnya terhubung ke ground, dan 𝐸_𝑑𝑖 adalah vektor distribusi medan listrik ketika elektroda detektor pada pasangan elektroda diaktifkan dengan tegangan 𝑉_𝑑𝑖. 𝑉_0𝑗 adalah volume voxel ke-j. dengan menggunakan persamaan sensitivitas ini, bentuk linear dari persamaan 2.2 dapat dituliskan dalam bentuk persamaan matriks seperti berikut.

𝐶 = 𝑆. 𝐺 (2.4)

Dimana C adalah vektor data kapasitansi dengan dimensi M, G adalah vektor image dengan dimensi N, N adalah jumlah voxel, dan M adalah jumlah kombinasi pasangan elektroda.

2.4.2 Matriks Sensitivitas

Matriks sensitivitas merupakan gambaran intensitas medan listrik dari ruang pengukuran yang memiliki daerah kapasitansi tertentu (Hakim, 2008). Sensitivitas matriks ini dicari untuk mengetahui letak distribusi posisi kapasitansi terhadap daerah pengukuran sensor. Pengukurannya

dilakukan pada setiap sensor dengan menghitung koefisien sensitivitas S dari pixel pada pasangan elektroda (i,j).

𝑆 = − ¹

∆𝑉_𝑖𝑗∫ 𝐸_𝐴 𝑖𝐸_𝑗𝑑𝐴

𝑖 (2.5)

Dimana 𝐸_𝑖 adalah medan listrik antara dua buah sensor. Dot produk dari kedua medan listrik tersebut diintegrasikan sepanjang daerah A pada pixel.

2.4.3 Rekonstruksi Citra 2.4.3.1 Forward Problem

Forward problem adalah penyelesaian masalah dengan kondisi subjek yang akan dipecahkan diketahui parameter-parameternya. Tujuan dari penyelesaian forward problem adalah mencari penghubung antara nilai kapasitansi terukur dan nilai matriks sensitivitas.

𝐶 = 𝑆. 𝐺 (2.6)

𝐶 adalah matriks kapasitansi dengan dimensi 𝑀 × 1 (496 untuk 32 sensor), 𝐺 adalah matriks permitivitas dengan dimensi 𝑁 × 1 (bernilai 32768 untuk 32x32x32 grid). S adalah matriks sensitivitas dengan dimensi 𝑀 × 𝑁.

2.4.3.2 Inverse Problem

Inverse Problem adalah bagaimana mendapatkan nilai matriks G dari invers matriks S pada persamaan 2.6, sementara tidak terdapat invers dari matrik S karena matriks S bukanlah matriks persegi sehingga sulit untuk dicari inversnya.

2.4.3.3 Metode Average Subtraction

Sebelumnya, telah diterapkan metode rekonstruksi dengan cara mensubtraksi matriks kapasitansi dengan rata – rata matriks nilai kapasitansi untuk mendapatkan citra aktivitas motorik pada otak (Warsito, 2014). Kemudian telah dilakukan pengembangan terhadap terhadap metode rekonstruksi

tersebut untuk mempermudah interpretasi citra tumor intrakranial, yang disebut dengan metode average

subtraction. Nilai kapasitansi yang dibahas pada poin

3.2.2 diproses oleh DAS ketika pemindaian dengan ECVT brain scanner kemudian disimpan dalam bentuk matriks pada file dengan format *.dat. Data kapasitansi hasil scanning di normalisasi dengan data kapasitansi hasil kalibrasi yaitu nilai kapasitansi saat sensor berisi material dengan permitivitas rendah (udara) dan nilai kapasitansi saat sensor berisi material dengan permitivitas tinggi (air). Sehingga didapatkan nilai kapasitansi seperti pada persamaan 3.15 sebagai berikut. 𝐶_𝑖𝑗= ∑ ∑ ^{𝐶𝑖,𝑗} 𝑚𝑒𝑎𝑠− 𝐶_𝑖,𝑗^{𝑒𝑚𝑝𝑡𝑦} 𝐶_𝑖,𝑗^{𝑓𝑢𝑙𝑙}− 𝐶_𝑖,𝑗^{𝑒𝑚𝑝𝑡𝑦} 𝑁𝑒 𝑗=𝑖+1 𝑁𝑒 𝑖 (3.15)

Pada metode konvensional, nilai kapasitansi yang sudah dinormalisasi langsung dipakai untuk direkonstruksi dengan algoritma rekonstruksi citra ILBP. Berikut ini diagram metode rekonstruksi konvensional.

Gambar 2.11 Diagram Metode Rekonstruksi Konvensional

Sedangkan untuk metode average subtraction, nilai kapasitansi ternormalisasi melalui beberapa proses dahulu. Proses tersebut digambarkan pada diagram pada Gambar 2.12 berikut.

normalisasi ILBP permitivitas

Cmeas

Gambar 2.12 Diagram Metode Rekonstruksi Average Subtraction

Pertama, nilai kapasitansi ternormalisasi tadi dibuat rata – rata pada setiap framenya. Kemudian dibuat multiple matrix agar dapat dilakukan subtraksi. 2.4.3.4 Algoritma Rekonstruksi

Algoritma rekonstruksi citra ECVT yang digunakan pada tugas akhir ini adalah algoritma rekonstruksi Iterative Linear Back Projection (ILBP), berdasarkan pada penelitian sebelumnya mengenai algoritma rekonstruksi yang baik digunakan pada ECVT. Metode ini merupakan kelanjutan dari metode

linear back projection (LBP) dengan dilakukan iterasi.

Tujuan dilakukannya iterasi adalah mengurangi error sehingga nilai matriks G yang diperoleh semakin baik (Warsito, 2007). Secara matematis, metode ini dapat ditunjukkan dalam persamaan berikut.

𝐺𝑘+1= 𝐺𝑘− 𝛼𝑘𝑆𝑇(𝑆𝐺𝑘− 𝐶) (2.7) dengan nilai 𝐺0 adalah,

𝐺⁰= 𝑆^𝑇𝐶 (2.8)

Secara terperinci langkah – langkah pada metode ini adalah sebagai berikut. Matriks dari kapasitansi C untuk satu frame citra diperoleh dengan pengukuran dan nilai insial pixel 𝐺0 dihitung menggunakan persamaan 2.8. Nilai pendekatan permitivitas 𝐺⁰ kemudian digunakan untuk menghitung kembali matriks kapasitansi 𝐶¹

normalisasi ILBP permitivitas

Cmeas

Cempty Cfull

menggunakan persamaan IX.6 sebuah matriks kapasitansi error dapat dihitung dengan persamaan

∆𝐶 = (𝐶 − 𝐶1) (2.9) Nilai ∆𝐶 digunakan untuk menghasilkan matriks permitivitas error

∆𝐺 = 𝑆^𝑇∆𝐶 (2.10) Permitivitas error kemudian digunakan untuk mengkoreksi nilai permitivitas sebelumnya untuk menghasilkan nilai G yang baru, dimana

𝐺1= 𝐺0+ 𝛼∆𝐺 (2.11) Nilai 𝐺¹ permitivitas kemudian digunakan untuk menghasilkan nilai set kapasitansi 𝐶² yang baru dan diulang terus hingga sejumlah iterasi yang diinginkan. Konstanta 𝛼 adalah faktor penalti atau relaksasi.

23

Bab ini menjelaskan langkah-langkah yang dilakukan untuk mencapai tujuan penelitian. Berikut adalah diagram alir penelitian.

Studi Literatur

Penelitian diawali dengan melakukan studi literatur untuk mempelajari hal-hal yang berhubungan dengan tujuan penelitian, termasuk di dalamnya adalah aktivitas pendengaran pada otak, teori dasar ECVT, teori dasar EEG, serta metode analisis citra aktivitas otak. Selain itu dipelajari pula penelitian – penelitian yang terkait dengan pencitraan aktivitas pendengaran pada otak.

Perancangan Eksperimen

Dilakukan perancangan eksperimen untuk dapat mengamati aktivitas pendengaran pada otak dari kedua moda yang digunakan.

3.2.1 Partisipan

Partisipan (subjek) penelitian terdiri dari 7 orang laki-laki dengan rentang usia 21-29 tahun. Seluruh subjek memiliki pendengaran normal dan tidak memiliki riwayat kelainan pada fungsi pendegaran. Tiap subjek disrepresentasikan dalam simbol S1, S2, dan seterusnya sampai S7.

3.2.2 Stimulus

Telinga bagian dalam manusia memetakan frekuensi suara pada posisi yang berbeda di basilar membran pada rumah siput (Bell, 2004). Peta frekuensi pada basilar membran selaras dengan auditory cortex yang juga tonotopic (Chittka, 2009). Pada penelitian ini, stimulus yang diperdengarkan kepada subjek selama perekaman adalah

single tone yang dipresentasikan dalam tiga frekuensi

berbeda, yaitu frekuensi 500 Hz, 1000 Hz, dan 4000 Hz. Frekuensi tersebut dapat mewakili lokasi pemrosesan suara di

auditory cortex. Masing – masing frekuensi bunyi diputar

selama 6 detik dengan jeda sepanjang 12 detik dan diulang sebanyak 10 kali, sehingga satu set stimulus memiliki durasi 192 detik. Durasi bunyi diatur berdasarkan waktu retrivasi data ECVT, yaitu sepanjang ± 2.98 detik. Satu set stimulus ini diputar dalam satu kali perekaman. Untuk selanjutnya, stimulus dengan frekuensi 500 Hz disebut Stimulus 1, 1000

Hz disebut Stimulus 2, dan 4000 Hz Stimulus 3. Skema stimulus ditunjukkan pada gambar berikut.

Gambar 3.2 Skema stimulus 3.2.3 Konfigurasi ECVT

Hasil citra ECVT dipengaruhi oleh banyak variabel, diantaranya adalah susunan dan geometri sensor yang akan berpengaruh pada matriks sensitivitas, serta algoritma rekontruksi citra. Selain itu beda potensial yang diberikan ketika pengukuran akan mempengaruhi nilai kapasitansi yang didapat. Muhtadi (2012) menyimpulkan bahwa nilai matriks sensitivitas yang dihasilkan oleh desain sensor berbentuk segilima-segienam lebih baik dibandingkan sensor segitiga-segiempat. Berdasarkan simpulan tersebut, digunakanlah sensor segilima-segienam dalam penelitian ini. Sensor segilima-segienam tersebut dikemas ke dalam bentuk helm dengan sambungan kabel. Beda tegangan yang diberikan pada

saat pengukuran kapasitansi adalah 5V dengan frekuensi 100Hz. Algoritma yang digunakan untuk merekonstruksi nilai kapasitansi terukur menjadi distribusi permitivitas adalah Iterative Linear Back Projection.

Gambar 3.3 Model Sensor ECVT Segilima-Segienam Perekaman

Perekaman dilakukan di dalam ruang audiometri (dengan asumsi tidak ada bunyi yang terdengar selain stimulus) di RS Khusus THT Bedah-KL Proklamasi, Tangerang. Subjek duduk diantara dua buah loudspeaker, dimana stimulasi bunyi diperdengarkan dari loudspeaker di sebelah kanan subjek. Selama perekaman berlangsung, subjek diminta untuk menutup mata. Konfigurasi alat pada saat perekaman berlangsung ditunjukkan pada gambar berikut.

Perekaman dilakukan bergantian menggunakan EEG dan ECVT dengan jeda 1 jam. Subjek mendapat perlakuan yang sama saat perekaman baik dengan EEG maupun ECVT. Perekaman dilakukan sebanyak 3 kali untuk masing-masing stimulus pada masing-masing subjek. Dari perekaman ini didapatkan data aktivitas pada empat kondisi (off, stimulus 1, stimulus 2, dan stimulus 3).

Pengolahan Data

Informasi yang direkam EEG berbeda dengan ECVT sehingga dilakukan pengolahan data secara terpisah dengan prosedur yang berbeda pula. Berikut ini tahapan pengolahan data yang dilakukan.

3.4.1 Pengolahan Data EEG

Pengolahan data EEG dilakukan menggunakan Matlab dengan bantuan toolbox EEGLAB. EEGLAB memiliki fitur yang lengkap untuk digunakan sebagai media pemrosesan data EEG, diantaranya adalah impor data dengan berbagai format, visualisasi data (scrolling, ERP analysis),

pre-processing, analisis ICA dan dekomposisi waktu/frekuensi.

a. Pra-pengolahan

Tahapan pra-pengolahan yang dilakukan pada penelitian ini diantaranya adalah ekstraksi data epoch, dan baseline removal.

b. Analisis sinyal EEG

Sinyal yang direkam EEG kemudian dianalisis dengan menampilkan power spectral density (PSD), dan pola ERP. PSD dapat memberikan informasi bagian yang teraktivasi pada otak pada frekuensi tertentu. Pada penelitian ini dilihat spektrum pada frekuensi 8Hz dan 10Hz (ritme alpha). Sedangkan pola ERP menunjukkan potensial aksi yang muncul akibat

event tertentu, pada kasus ini dilihat pola ERP akibat

3.4.2 Pengolahan Data ECVT

Pengolahan data ECVT dilakukan menggunakan MATLAB dengan tahapan pengolahan sebagai berikut.

a. Pra-pengolahan

Sebelum diolah, dilakukan pra-pengolahan data kapasitansi dengan melakukan seleksi frame. Dari tiap set data, frame yang terbentuk pada keadaan off-set dipisahkan dengan frame yang terbentuk pada keadaan on-set berdasarkan waktu pembentukan frame. Instrumen data akuisisi yang digunakan pada penelitian ini adalah DAS 33207 dengan waktu rata-rata pembentukan frame adalah 2.98 detik. Dengan panjang stimulasi 6 detik dan jeda 12 detik, diasumsikan bahwa akan didapatkan 2 frame pada keadaan on-set dan 4 frame pada keadaan off-set.

Tabel 3.1 Waktu Off-set dan On-set Perekaman Waktu Off-set (detik) Waktu On-set (detik) 0-12 12-18 18-30 30-36 36-48 48-54 54-66 66-72 72-84 84-90 90-102 102-108 108-120 120-126 126-138 138-144 144-156 156-162 162-174 174-180 180-192 -

b. Penentuan Volume of Interest

Untuk mempermudah analisis, terlebih dahulu ditentukan volume of interest (VOI). VOI ditentukan dengan menyesuaikan boundary yang ditentukan pada citra ECVT dengan template citra otak yang diambil dari database BigBrain project. Posisi voxel yang tergabung dalam VOI dipilih berdasarkan perkiraan posisi A1 (primary auditory cortex) dimana daerah tersebut merupakan tempat dimana informasi audio diproses. A1 terletak pada Heschl’s gyrus di lobus temporal, pada template dari BigBrain project posisi tersebut ditampilkan oleh gambar sagittal 5410, coronal 3694, dan axial 3071 (Amunts, 2013). A1 diperkirakan berada di antara potongan tiap sumbu berikut ini, 15 ≤ x ≤ 19; 5 ≤ y ≤8 | 24 ≤ y ≤ 27 dan 20 ≤ z ≤ 23. Dari sekumpulan voxel tersebut didapatkanlah VOI sejumlah 80 voxel dengan ukuran 5 × 4 × 4 di bagian kiri dan 80 voxel dengan ukuran 5 × 4 × 4 di bagian kanan. Citra potongan aksial dari BigBrain yang telah disesuaikan dengan citra ECVT ditunjukkan pada Gambar 3.4 dan Gambar 3.5.

c. Data Pengukuran

Setelah dilakukan seleksi frame, data hasil pengukuran yang berupa nilai kapasitansi ternormalisasi untuk 496 pasangan sensor kemudian direkonstruksi menjadi distribusi nilai permitivitas (citra). Setiap frame menghasilkan satu citra volumetrik yang merupakan kumpulan dari 32 × 32 × 32 voxel. Setiap voxel mewakili suatu volume yang melingkupi sensor ECVT. Citra volumetrik tersebut ditampilkan dalam potongan axial (searah sumbu z) sebanyak 32 lapisan (slice), dengan potongan ke-1

adalah bagian kepala paling bawah dan potongan ke-32 (terakhir) adalah bagian kepala paling atas. Setiap potongan terdiri dari 32 × 32 pixel pada bidang xy. Pada citra tersebut nilai tiap voxel ditampilkan dalam kode warna tertentu dengan skala 0 sampai 1. Skala terendah ditampilkan dalam warna biru, sedangkan skala tertinggi ditampilkan dalam warna merah. d. Pengolahan Citra

Citra ECVT (distribusi nilai permitivitas) yang terbentuk mungkin saja berbeda-beda akibat perbedaan waktu pembentukan frame dan pergeseran objek (kepala manusia) di dalam lingkup sensor, namun masih mewakili satu objek yang sama. Pola distribusi permitivitas yang ditampilkan setiap citra mewakili perubahan potensial listrik yang terjadi di daerah tertentu pada objek. Daerah - daerah tersebut dapat diketahui dengan mencari centroid objek pada citra. Centroid objek yang dimaksud adalah titik pusat massa dari suatu kumpulan nilai distribusi permitivitas yang seragam pada daerah tertentu.

Citra ECVT yang terbentuk pada setiap frame diibaratkan sebagai rangkaian yang membentuk suatu kesatuan citra. Dengan mencari jarak antar centroid objek pada citra dari keseluruhan frame, akan didapatkan koordinat pusat objek dan daerah irisan centroid. Pada tahap akhir pengolahan citra dilakukan segmentasi berdasarkan warna dengan batas intensitas permitivitas 0.8 – 1.0 untuk mendapatkan daerah aktivasi. Meski bisa didapatkan daerah aktivasi, namun metode ini masih memiliki kekurangan yaitu kurangnya akurasi pada ekstraksi daerah aktivasi

karena metode ini hanya mengolah data pixel pada satu dari sekian banyak potongan citra. Tidak ada fungsi

depth (kedalaman) atau pengolahan voxel dalam satu

selubung sensor karena belum didapatkan centroid yang akurat dan presisi pada objek 3D.

Gambar 3.5 Template Citra Otak Potongan Axial BigBrain Project, 1-16

Gambar 3.6 Template Citra Otak Potongan Axial BigBrain Project, 17-32

G a mb a r 3 .7 V o lu me o f I n teres t

35

Hasil Perekeman EEG

Aktivitas otak manusia dikelompokkan ke dalam empat macam ritme berdasarkan frekuensi osilasinya yaitu delta (0.5 – 4 Hz), theta (4 - 8 Hz), alpha (8 - 13 Hz), beta (13 - 30 Hz), dan gamma (di atas 30 Hz). Perbedaan ritme ini bergantung pada usia dan perilaku subjek, serta tingkat kesadaran. Didapatkan fitur

power spectral density (PSD) untuk mengetahui ada tidaknya

aktivitas sinyal EEG pada frekuensi tertentu selama perekaman yang ditunjukkan pada Gambar 4.1. Tiap puncak spektrum menunjukkan nilai frekuensi yang terkandung pada aktivitas otak yang terekam. Masing-masing spektrum mewakili data perekaman tiap kondisi stimulus. Didapatkan beberapa puncak pada masing-masing spektrum. Hal tersebut menunjukkan bahwa selama 192 detik pengambilan data, terdapat beragam ritme aktivitas otak yang terekam. Pada ketiga kondisi stimulus, didapatkan jumlah dan daya puncak spektrum yang berbeda, namun memiliki dua puncak yang berada pada frekuensi yang sama yaitu frekuensi 8 dan 10 Hz.

Gambar 4.1 Power Spectral Density Subjek 5

Gambar 4.2 menunjukkan distribusi nilai PSD pada frekuensi 8 dan 10 Hz untuk ketiga kondisi stimulus. Perbedaan warna pada

spektrum tersebut menunjukkan densitas daya sinyal yang didapatkan dari seluruh kanal EEG, dengan warna biru mewakili nilai terendah dan warna merah mewakili nilai tertinggi. Nilai PSD yang tinggi tedistribusi pada daerah kiri (di antara T7 dan FC5) dan daerah kanan (di antara T8 dan F8) kepala subjek.

(1.a) (1.b)

(2.a) (2.b)

(3.a) (3.b)

Gambar 4.2 Pola Distribusi PSD Subjek 5

(1) Kondisi Stimulus 1 (a) 8Hz (b) 10Hz (2) Kondisi Stimulus 2 (a) 8Hz (b) 10Hz (3) Kondisi Stimulus 3 (a) 8Hz (b) 10Hz

Gambar 4.4 ERP Subjek 5

Gambar 4.3 menunjukkan sinyal EEG Subjek 5 pada rentang waktu 0 – 30 detik (1 subset stimuli) untuk seluruh kondisi stimulus. Pada kondisi off osilasi sinyal cenderung stabil. Sinyal mengalami perubahan pola pada rentang waktu 12 – 18 detik yaitu pada saat stimulus berbunyi. Ketiga kondisi stimulus menunjukkan pola yang hampir sama pada rentang waktu tersebut. Sinyal EEG tersebut kemudian diolah untuk mengetahui potensial aksi yang terbentuk akibat adanya stimulus.

Gambar 4.4 menunjukkan pola ERP Subjek 5 pada ketiga kondisi stimulus. Dari grafik tersebut dapat dilihat adanya pola aktivasi yang berbeda pada rentang waktu tertentu. Pola ERP ketiga kondisi stimulus mengalami puncak polarisasi yang sama pada waktu tertentu. Pada rentang waktu 0 – 50 ms, terbentuk lima puncak dengan polarisasi positif yang direpresentasikan dengan label I, II, III, IV, dan V. Pada waktu 60 ms, terbentuk puncak dengan polarisasi negatif yang disebut N60. Selain itu, terbentuk pula puncak dengan polarisasi negatif pada rentang waktu 90 - 110

ms yang disebut N100. N100 terjadi akibat adanya gangguan stimulus yang diproses otak, terbentuk oleh sekumpulan sel saraf pada auditory cortex di Heschl’s gyrus dan planum temporale (Godey, 2001). Amplitude N100 bergantung pada rise time stimulus, loudness stimulus, dan frekuensi suara stimulus. Selain itu, terdapat puncak dengan polarisasi positif P100, P200, dan P300. P200 merefleksikan aktivitas post-synaptic dari proses neural, dalam hal ini saraf-saraf pendengaran. Amplitudo P200 terasosiasi dengan adanya paparan stimulus yang berulang (Tremblay, 2001). P300 menunjukkan adanya rekognisi terhadap stimulus. Hal tersebut mungkin saja terjadi karena dalam satu set perekaman aktivitas otak, stimulus dibunyikan berulang sebanyak 10 kali. Amplitudo P300 dianggap sebagai aktivasi CNS yang menunjukkan adanya atensi terhadap stimulus setelah terjadinya rekognisi (Blinowska, 2006).

Setelah didapatkan pola ERP masing - masing subjek, dilakukan analisis kemiripan sinyal. Analisis kemiripan pada sinyal dilakukan dengan membandingkan pola ERP seluruh subjek terhadap subjek referens (S1) dengan tujuan untuk mengetahui bagaimana pola aktivasi sinyal otak untuk setiap subjek dalam merespon adanya stimuli (Isadewa, 2010).

Gambar 4.5 Pola ERP Seluruh Subjek Stimulus 1

Gambar 4.7 Pola ERP Seluruh Subjek Stimulus 3 Gambar 4.5 - Gambar 4.7 menunjukkan pola ERP seluruh subjek mulai S1 sampai S7 pada kondisi stimulus 1 sampai dengan kondisi stimulus 3. Pada kondisi stimulus 1, pola ERP pada seluruh subjek mempunyai pola yang hampir sama satu sama lain, kecuali S4. Didapatkan pola aktivasi, dan polarisasi dengan amplitudo yang sama pada S1, S2, S3, S5, S6 dan S7 pada rentang waktu tertentu. Keenam subjek tersebut menunjukkan pola aktivasi dengan polarisasi negatif dan nilai amplitudo 1.7 µV pada waktu 30 ms, polarisasi negatif dengan amplitudo 1.7 µV pada 45 ms, serta polarisasi negatif dengan amplitudo 1.6 µV pada 130 ms. Dilakukan analisis korelasi pada pola ERP seluruh subjek tersebut dengan pola ERP subjek referens (S1) sehingga didapatkan nilai koefisien korelasi yang ditunjukkan pada Gambar 4.8. Nilai koefisien korelasi terendah didapat dari hubungan dengan S4, sementara keenam subjek lainnya memiliki nilai korelasi yang cukup tinggi, yaitu di atas 0.5. Korelasi yang paling tinggi didapat pada pola ERP kondisi stimulus 3 dengan nilai korelasi terendah adalah 0.43 (S4) dan 0.8 (S5).

Gambar 4.8 Kemiripan Pola ERP Hasil Pengukuran ECVT

Data pengukuran yang didapat dari DAS ECVT adalah tegangan terukur dari 496 pasangan sensor. Rata-rata tegangan terukur dari seluruh subjek pada tiap kondisi pengukuran ditampilkan pada Gambar 4.9. Dari grafik didapatkan nilai rata-rata tegangan terukur pada kondisi off lebih rendah dibanding seluruh kondisi stimulus, dengan nilai rata-rata yang hampir sama pada tiap subjeknya. Sementara pada ketiga kondisi stimulus, nilai rata-rata tegangan terukur bervariasi antara 65.5 mV sampai dengan 67.5 mV dengan nilai rata-rata terendah pada S5. Nilai tegangan terukur masih belum dapat menunjukkan pola yang jelas mengenai perbedaan sinyal dari ketiga kondisi stimulus. Selain itu, belum dapat dipastikan bahwa adanya perbedaan nilai tegangan terukur antara kondisi off dengan ketiga kondisi stimulus benar benar diakibatkan oleh adanya aktivasi otak.

Nilai tegangan terukur kemudian diolah untuk mendapatkan nilai kapasitansi pengukuran, kemudian dinormalisasi dengan nilai kapasitansi kalibrasi. Selanjutnya, nilai kapasitansi direkonstruksi menjadi distribusi permitivitas bahan yang dilingkupi sensor. Nilai distribusi permitivitas seluruh subjek pada seluruh kondisi pengukuran ditampilkan pada Gambar 4.12. Nilai rata-rata

0 0.2 0.4 0.6 0.8 1 1.2 0 1 2 3 4 5 6 7 8 Ko e fi si e n Ko re lasi Subjek Korelasi ERP

distribusi permitivitas pada Gambar 4.9 menunjukkan pola yang mirip dengan Gambar 4.12, dimana pada kondisi off nilai rata-ratanya lebih rendah dibanding ketiga kondisi stimulus. Hal tersebut dapat menjadi indikasi bahwa perbedaan nilai rata-rata