LANDASAN TEORI

Bab ini berisi teori-teori pendukung yang diperlukan untuk dapat memahami permasalahan yang dibahas dalam penelitian ini. Teori-teori tersebut berhubungan dengan stres, Stroop

Colour Word Test, Independent Component Analysis, dan K-Nearest Neighbor untuk klasifikasi tingkat stres.

Bab 3 : Analisis dan Perancangan

Bab ini berisi tentang analisis dari arsitektur umum dan analisis dari metode K-Nearest Neihgbor serta penerapannya dalam mengklasifikasi stres. Pada bab ini juga dibahas arsitektur umum untuk analisis tersebut.

Bab 4 : Implemetasi dan Pembahasan

Bab ini berisi tentang implementasi dari hasil analisis dan perancangan sistem yang telah dijelaskan di bab sebelumnya serta hasil pengujian yang diperoleh terhadap sistem yang telah dibangun.

Bab 5 : Kesimpulan dan Saran

Bab ini berisi kesimpulan dari keseluruhan penelitian yang telah dibahas pada bab-bab sebelumnya serta saran yang diajukan guna pengembangan untuk penelitian selanjutnya.

BAB 2

LANDASAN TEORI

2.1 Stres

Ada beberapa istilah psikologis populer yang sering dikaburkan sebagai “stres”. Pada hakikatnya, kata ini merujuk pada sebuah kondisi seseorang yang mengalami tuntutan emosi berlebihan dan atau waktu yang membuatnya sulit memfungsikan secara efektif semua wilayah kehidupan. Keadaan ini dapat mengakibatkan munculnya cukup banyak gejala, seperti depresi, kelelahan kronis, mudah marah, gelisah, impotensi, dan kualitas kerja yang rendah (Richards, 2010). Hawari (dalam Yusuf, 2004) berpendapat bahwa istilah stres tidak dapat dipisahkan dari distress dan depresi, karena satu sama lainnya saling terkait. Stres merupakan reaksi fisik terhadap permasalahan kehidupan yang dialaminya dan apabila fungsi organ tubuh sampai terganggu dinamakan distress. Sedangkan depresi merupakan reaksi kejiwaan terhadap stressor yang dialaminya. Dalam banyak hal manusia akan cukup cepat untuk pulih kembali dari pengaruh-pengaruh pengalaman stres. Manusia mempunyai suplai yang baik dan energi penyesuaian diri untuk dipakai dan diisi kembali bilamana perlu.

Sarafino (1994) mendefinisikan stres sebagai kondisi yang disebabkan oleh interaksi antara individu dengan lingkungan, menimbulkan persepsi jarak antara tuntutan-tuntutan yang berasal dari situasi yang bersumber pada sistem biologis, psikologis dan sosial dari seseorang. Stres adalah tekanan internal maupun eksternal serta kondisi bermasalah lainnya dalam kehidupan (an internal and eksternal pressure and other troublesome condition in life). Ardani (2007) mendefinisikan stress merupakan suatu keadaan tertekan baik itu secara fisik maupun psikologi

Berikut faktor-faktor yang dapat menyebabkan stres : a. Sudut pandang psikodinamik

Sudut pandang psikodinamik mendasarkan diri mereka pada asumsi bahwa gangguan tersebut muncul sebagai akibat dari emosi yang direpres. Hal-hal yang direpres akan menentukan organ tubuh mana yang terkena penyakit. Sebagai contoh, apabila seseorang merepres kemarahan, maka berdasarkan pandangan ini kondisi tersebut dapat memunculkan essensial hypertension.

b. Sudut pandang biologis

Salah satu sudut pandang biologis adalah somatic weakness model. Model ini memiliki asumsi bahwa hubungan antara stres dan gangguan psikofisiologis terkait dengan lemahnya organ tubuh individu. Faktor biologis seperti misalnya genetik ataupun penyakit yang sebelumnya pernah diderita membuat suatu organ tertentu menjadi lebih lemah daripada organ lainnya, hingga akhirnya rentan dan mudah mengalami kerusakan ketika individu tersebut dalam kondisi tertekan dan tidak fit .

c. Sudut pandang kognitif dan perilaku

Sudut pandang kognitif menekankan pada bagaimana individu mempersepsi dan bereaksi terhadap ancaman dari luar. Seluruh persepsi individu dapat menstimulasi aktivitas sistem simpatetik dan pengeluaran hormon stres. Munculnya emosi yang negatif seperti perasaan cemas, kecewa dan sebagainya dapat membuat sistem ini tidak berjalan dengan berjalan lancar dan pada suatu titik tertentu akhirnya memunculkan penyakit. Berdasarkan penelitian diketahui bahwa bagaimana seseorang mengatasi kemarahannya ternyata berhubungan dengan penyakit tekanan darah tinggi (Fausiah dan Widury, 2005).

2.2 Elektroensefalogram (EEG)

Elektroensephalogram (EEG) adalah instrumen untuk menangkap aktifitas listrik di otak.

Kalangan kedokteran menggunakan sinyal EEG untuk diagnosa penyakit yang berhubungan dengan kelainan otak dan kejiwaan. Walaupun penggunaan teknik modern seperti CT Scan dan Magnetic Resonance Imaging (MRI) dapat memeriksa otak, namun EEG tetap berguna mengingat sifatnya yang non-destruktif, dapat digunakan secara online dan sangat murah harganya dibandingkan kedua metoda yang lain. Disamping itu, sinyal

8

EEG dapat mengidentifikasi kondisi mental dan pikiran, serta menangkap persepsi seseorang terhadap rangsangan luar. Perbedaan kedua metode di atas dan EEG adalah CT Scan dan MRI hanya memeriksa dan memetakan letak serta mengamati perubahan keadaan otak secara fisik. Biasanya untuk mengetahui adanya gangguan, kerusakan atau kecacatan otak, misalkan tumor otak, pecahnya pembuluh darah di otak, benturan pada kepala dan seterusnya. Sedangkan EEG memeriksa getaran, frekuensi, sinyal atau gelombang otak (brainwave) yang kemudian dikelompokkan kedalam beberapa kondisi kesadaran.

Riset menunjukkan bahwa gelombang otak (brainwave) tidak hanya menunjukkan kondisi pikiran dan tubuh seseorang, tetapi dapat juga distimulasi untuk mengubah kondisi mental seseorang. Dengan mengondisikan otak agar memproduksi atau mereduksi jenis frekuensi gelombang otak tertentu, maka dimungkinkan untuk menghasilkan beragam kondisi mental dan emosional.

2.3 Independent Component Analysis (ICA)

Independent Component Analysis (ICA) adalah metode untuk menemukan faktor-faktor yang mendasari atau komponen dari multivarian data statistik (multi-dimensi). ICA merupakan salah satu metode komputasi numerik untuk memisahkan sumber-sumber independen atau sinyal-sinyal independen yang tercampur secara linier dan sinyal tersebut direkam oleh beberapa sensor. Yang membedakan ICA dari metode lain adalah untuk komponen yang keduanya statistik independen, dan non-gaussian. Model Independent Component Analysis dinyatakan dengan:

𝑥 = 𝐴𝑠

(2.1)

Atau

𝑥 = ∑

^𝑛_𝑖=1

𝑎

_𝑖

𝑠

_𝑖 (2.2)

Persamaan 2.1 di atas dikenal sebagai model dari Independent Component Analysis (ICA).

Model tersebut bersifat general. Komponen independen s, merupakan komponen laten, dimana komponen tersebut tidak dapat langsung diamati. Matriks pencampur A, juga tidak diketahui, hanya sinyal yang terukur saja, x, yang diketahui. Komponen A dan s diestimasi dari sinyal terukur x tersebut. Tujuan dari metode ICA adalah mencari sinyal estimasi y.

Bila persamaan 2.2 di atas ditulis dalam bentuk matriks dua dimensi, maka akan

Sehingga sinyal estimasi dapat dinyatakan dengan persamaan 2.4 berikut :

𝑦 = 𝑊𝑥 (2.4)

Dimana 𝑊 = 𝐴⁻¹

Permasalahan utama metode ICA adalah mencari model filter linear W, dimana W merupakan invers dari matriks pencampur A. Ketepatan pemilihan model filter ini akan memengaruhi kualitas pemisahan sinyal. Beberapa metode optimasi untuk mencari nilai W ini akan dijelaskan kemudian. Adapun model ICA dapat dilihat pada Gambar 2.1 berikut.

Gambar 2.1 Blok Diagram Model ICA

2.3.1 Ambiguitas ICA

Dalam Algoritma ICA terdapat beberapa hal bersifat ambigu yang muncul, yaitu:

1. Variansi dan energi tidak dapat ditentukan

Setiap sinyal memiliki suatu nilai variansi tertentu yang menyatakan tingkat energi sinyal tersebut, begitu juga dengan sinyal asli pembentuk mixed signal. ICA memungkinkan proses pemisahan sejumlah komponen bebas dari suatu sinyal tercampur, namun ICA tidak dapat menentukan nilai variansi sinyal asli. Hal ini disebabkan karena pada saat perekaman data akan terdapat faktor bebas skalar yang menyebabkan pelemahan atau penguatan sinyal hasil rekaman, sehingga nilai variansi sinyal asli tidak dapat ditentukan melalui proses ICA.

S A

m n

W

m

y

10

2. Urutan Independent Component tidak dapat ditentukan

Komponen bebas yang dihasilkan melalui kalkulasi ICA dapat berubah-ubah urutannya, hal ini jelas ketika proses simulasi ICA dilakukan.

2.3.2 Optimasi ICA

Ada beberapa algoritma ICA yang digunakan. Masing-masing algoritma memiliki kelebihan satu sama lain, dan dari tahun ke tahun algoritma ini terus disempurnakan.

Beberapa algoritma untuk optimasi ICA adalah sebagai berikut:

1. Infomax

Algoritma infomax mendekati model ICA berdasarkan fungsi non-linear.

2. Natural Gradient

Amari, Chicocki, dan Yang (1996) mengusulkan untuk memodifikasi besar pembobotan filter pemisah pada algoritma Infomax. Algoritma ini lebih cepat konvergen daripada infomax.

3. FastICA

FastICA merupakan suatu algoritma yang ditujukan untuk melakukan proses ekstraksi berdasarkan algoritma ICA. Algoritma FastICA ini dikenal lebih cepat konvergen dari algoritma-algoritma sebelumnya. Algoritma FastICA memodelkan ICA dengan pendekatan non-gaussianity yang didasarkan pada negentropy dengan iterasi titik tetap (fixed-point). Algoritma ini dapat pula didekati dengan iterasi Newton yang menghasilkan persamaan yang sama pula. Aturan pembobotan filter pemisah pada algoritma FastICA ditentukan dengan persamaan 2.5 berikut :

𝑤⁺ = 𝑤 − 𝐸 {𝑥𝑔(𝑤^𝑇𝑥)} − 𝛽𝑤 𝐸 {𝑔^′(𝑤^𝑇𝑥)} − 𝛽

= 𝐸{𝑥𝑔(𝑤^𝑇𝑥)} − 𝐸{𝑔^′(𝑤^𝑇𝑥)}𝑤 (2.5)

dimana fungsi g merupakan turunan dari fungsi kontras. Proses FastICA terbagi menjadi dua, yaitu pre-processing dan processing.

a. Pre-processing FastICA 1. Remmean

Remmean atau centering adalah tahapan pre-proses yang dilakukan untuk membuang mean/removing mean, m=E. Pada tahapan ini, data input diolah sehingga didapatkan matriks rata-rata/mean. Matriks pusat inilah yang kemudian akan diolah ke tahapan selanjutnya, sedangkan matriks rata-rata akan ditambahkan saat algoritma ICA telah selesai dilakukan.

2. Whitenv

Setelah proses remmean, tahapan pre-proses selanjutnya adalah whitenv. Pada tahapan ini data ditransformasikan sehingga didapatkan vektor data baru dengan karakteristik:

o Antara baris yang satu dan baris yang lainnya tidak saling berkorelasi o Memiliki variasi yang sama

o Kovariansi matriks = matriks identitas 3. PCAmat

PCAmat adalah proses yang ditujukan untuk mengurangi/meminimalkan jumlah redudancy atau pengulangan yang terjadi di dalam data yang diobservasi. Sehingga data yang diolah benar-benar data yang tidak mengandung pengulangan. Pembuangan data redundan oleh PCAmat hanya didasarkan pada sifat korelasi antara elemen-elemen yang terdapat di dalam data tersebut.

b. Processing FastICA

Pada ICA, setiap sinyal yang ditangkap/direkam merupakan hasil dari suatu fungsi linier.

Dengan menganggap bahwa Si bebas statistika, maka invers dari persamaan x=As dapat ditulis dengan persamaan 2.6 berikut :

𝑆 = 𝑊𝑥 (2.6)

Pada persamaan 2.6, W adalah matriks invers dari matriks pencampur A. Jika y adalah salah satu nilai komponen bebas dari mixed signal, atau y = W^Tx dan wi merupakan salah satu komponen baris dari matriks invers A, maka y adalah salah satu komponen bebas dari X. Permasalahan yang dihadapi sekarang adalah bagaimana cara untuk mendapatkan wi

yang memiliki nilai yang sama dengan salah satu baris dari vektor A. Untuk melihat konsep dasar ICA, persamaan y = W^Tx = dituliskan kembali menjadi z = A^Tx, sehingga didapatkan

12

y = W^Tx = W^TAs = z^Ts. Terlihat bahwa y merupakan kombinasi linear dari s dengan weightened factor. Karena jumlah dari dua komponen bebas atau lebih memiliki sifat gaussian yang lebih besar dari sinyal asli s, maka z^Ts lebih gaussian dari semua komponen s yang ada, dan nilai gaussian z^Ts akan semakin kecil dan mendekati nilai s jika z^Ts mendekati atau sama dengan salah satu variabel bebas s. Berdasarkan hal ini, nilai dari vektor W dapat dicari dengan cara memaksimalkan gaussianity nilai W^Tx.

2.4 Stroop Color-Word Test

Stroop Colour-Word Test (SCWT) adalah tes neuropsikologi yang digunakan secara luas untuk tujuan eksperimental dan klinis. Stroop Colour-Word Test ini biasanya dilakukan dengan mengidentifikasi warna dan membaca cepat pada beberapa objek. Langkah pertama yaitu subjek diminta untuk membaca beberapa kata yang mewakili warna dasar.

Selanjutnya, subjek akan melalui tahap subtest of interference. Subtest of interference ini didasarkan pada asumsi bahwa nama dari warna yang berbeda dari warna yang sebenarnya (misalnya : kata “merah” ditulis dengan warna hijau) membuat subjek cenderung membaca kata tersebut dibandingkan menyebutkan wana dari kata itu. Ketika membaca dengan cepat, subjek masuk ke situasi stres yang penuh dengan konflik karena jawabannya dipengaruhi oleh reaksi yang dipelajari (dalam hal ini oleh kecenderungan untuk membaca kata-kata, bukan untuk memberi nama warna). Emil Šiška (2002) menyimpulkan bahwa Stroop Color-Word Test merupakan salah satu stressor yang paling sering digunakan, dimana validitas dan reliabilitasnya dinilai positif.

2.5 Confusion Matrix

Confusion matrix merupakan salah satu metode yang dapat digunakan untuk mengukur kinerja suatu metode klasifikasi. Pada dasarnya confusion matrix mengandung informasi yang membandingkan hasil klasifikasi yang dilakukan oleh sistem dengan hasil klasifikasi yang seharusnya. Pada pengukuran kinerja menggunakan confusion matrix, terdapat 4 (empat) istilah sebagai representasi hasil proses klasifikasi. Keempat istilah tersebut adalah True Positive (TP), True Negative (TN), False Positive (FP), dan False Negative (FN). Nilai True Positive (TP) merupakan data positif yang terdeteksi benar, True Negative (TN) merupakan jumlah data negatif yang terdeteksi dengan benar, False

Positive (FP) merupakan data negatif namun terdeteksi sebagai data positif. Sementara itu, False Negative (FN) merupakan kebalikan dari True Positive, sehingga data positif, namun terdeteksi sebagai data negatif. Confusion matrix dapat disajikan dalam Tabel 2.1 berikut.

Tabel 2.1 Confusion Matrix

Kelas Terklasifikasi Positif Terklasifikasi Negatif Positif TP (True Positive) FN (False Negative) Negatif FP (False Positive) TN (True Negative)

Berdasarkan tabel Confusion Matrix pada Tabel 2.1 di atas, dapat dihitung performance metrics untuk mengukur kinerja model yang telah didapatkan. Adapun beberapa performance metrics yang digunakan dalam penelitian ini adalah sebagai berikut.

a. Accuracy

Accuracy merupakan penggambaran seberapa akurat model dapat melakukan klasifikasi dengan benar. Accuracy merupakan rasio prediksi benar dengan kesuluruhan data. Nilai accuracy dapat diperoleh dengan persamaan 2.7.

𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = (𝑇𝑃 + 𝑇𝑁) (𝑇𝑃 + 𝐹𝑃 + 𝐹𝑁 + 𝑇𝑁) b. Precision

Precision menggambarkan tingkat keakuratan antara data yang diminta dengan hasil prediksi yang diberikan oleh model. Precision menghitung rasio prediksi benar positif dibandingkan dengan keseluruhan hasil yang diprediksi positf. Adapun precision diperoleh dengan persamaan 2.8.

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = (𝑇𝑃) (𝑇𝑃 + 𝐹𝑃) c. Recall

Merupakan rasio prediksi benar positif dibandingkan dengan keseluruhan data yang benar positif. Adapun recall diperoleh dengan persamaan 2.9 berikut

𝑅𝑒𝑐𝑎𝑙𝑙 = (𝑇𝑃) (𝑇𝑃 + 𝐹𝑁)

(2.7)

(2.8)

(2.9)

14

d. F1-Score

F1-Score merupakan perbandingan rata-rata precision dan recall yang dibobotkan. Nilai dari F1-Score dapat diperoleh dari persamaan 2.10 berikut.

𝐹1 𝑆𝑐𝑜𝑟𝑒 = 2(𝑅𝑒𝑐𝑎𝑙𝑙 × 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛) (𝑅𝑒𝑐𝑎𝑙𝑙 + 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛) e. Specificity

Specificity merupakan kebenaran memprediksi negatif dibandingkan dengan keseluruhan data negatif. Specificity juga bisa disebut dengan True Negative Rate (TNR). Adapun nilai dari specificity dapat diperoleh dari persamaan 2.11

𝑆𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑡𝑦 = 𝑇𝑁 𝑇𝑁 + 𝐹𝑃

2.6 K-Nearest Neighbor

K-Nearest Neighbor atau k-NN adalah salah dari algoritma instance based learning atau case-based reasoning. Tujuan dari algoritma k-NN adalah mengklasifikasikan objek baru berdasarkan atribut dan training data. Algoritma k-NN bekerja berdasarkan jarak terpendek dari query instance ke training data untuk menentukan k-NN-nya. Salah satu cara untuk menghitung jarak dekat atau jauhnya tetangga yaitu dengan menggunakan metode euclidian distance. Euclidian Distance sering digunakan untuk menghitung jarak.

Euclidian Distance berfungsi menguji ukuran yang bisa digunakan sebagai interpretasi kedekatan jarak antara dua objek, persamaan 2.12 di bawah ini merupakan rumus Euclidian Distance : M = batas jumlah banyaknya data

Jika hasil nilai dari rumus di atas besar maka akan semakin jauh tingkat keserupaan antara kedua objek dan sebaliknya jika hasil nilainya semakin kecil maka akan semakin dekat

(2.10)

(2.11)

(2.12)

tingkat keserupaan antar objek tersebut. Objek yang dimaksud adalah training data dan testing data. Dalam algoritma ini, nilai k yang terbaik tergantung pada jumlah data. Ukuran nilai k yang besar belum tentu menjadi nilai k yang terbaik begitupun juga sebaliknya.

Langkah-langkah untuk menghitung algoritma k-NN:

1. Menentukan nilai k.

2. Menghitung kuadrat jarak euclidean (query instance) masing-masing objek terhadap training data yang diberikan.

3. Mengurutkan objek-objek tersebut ke dalam kelompok yang mempunyai jarak euclidean terkecil.

4. Mengumpulkan label class Y (klasifikasi Nearest Neighbor).

5. Dengan menggunakan kategori Nearest Neighborhood yang paling mayoritas maka dapat dipredeksikan nilai query instance yang telah dihitung.

2.7 Penelitian Terdahulu

Penelitian yang telah dilakukan sebelumnya oleh Guo Jun dan Smitha pada tahun 2016 dengan judul EEG Based Stress Level Identifiication. Penelitian ini menerapkan Support Vector Machine untuk mengklasifikasikan tingkat stres ke dalam tiga level menggunakan dua stressor (tantangan atau rangsangan yang dapat memicu stres) untuk menimbulkan tingkat stres yang berbeda yaitu Stroop Colour-Word Test dan Mental Arithmetic Test.

Dengan melibatkan 10 partisipan, penelitian ini menghasilkan tingkat akurasi sebesar 75%.

Lalu, penelitian dengan menggunakan teknik yang sama dilakukan oleh Pallavi Gaikwad dan A. N. Paithane dengan judul Novel Approach for Stress Recognition using EEG Signal by SVM Classifier dimana penelitian ini bertujuan untuk membuat sistem yang mengklasifikasikan stres ke dalam tiga level yaitu : Low Stress, Moderate Stress, dan High Stress. Penelitian ini menggunakan EEG dengan 3 channel untuk merekam sinyal gelombang otak subjek. Kemudian, peneliti menggunakan Discrete Wavelet Transform untuk mengekstraksi fitur. Dengan melibatkan 12 partisipan, penelitian ini menghasilkan tingkat akurasi sebesar 72,3%.

Penelitian yang berjudul Classification of Stress into Emotional, Mental, Physical and No Stress Using Electroencephalogram Signal Analysis dilakukan oleh Berbano, dkk pada tahun 2017. Pada penelitian ini digunakan Artificial Neural Network (ANN) yaitu

16

Scaled Conjugate Gradient Backpropagation Network untuk mengelompokkan jenis stres dan divalidasi menggunakan metode K-fold Cross Validation. Sebanyak l7 partisipan ikut dalam penelitian ini dan menghasilkan tingkat akurasi sebesar 80,45%.

Klasifikasi Kondisi Rileks pada Perokok Aktif dengan menggunakan k-Nearest Neighbor dilakukan oleh Ahmad Hilmi dkk pada tahun 2017. Pada penelitian ini, dilakukan analisis untuk sinyal alfa dan beta menggunakan EEG dengan rata-rata akurasi untuk sinyal alfa 83,33% dan sinyal beta sebesar 90%. Adapun penelitian terdahulu dapat dilihat pada Tabel 2.2 berikut.

Tabel 2.2 Penelitian Terdahulu

Perbedaan penelitian yang dilakukan penulis dengan penelitian sebelumnya terletak pada metode klasifikasi yang dilakukan.

No. Peneliti Tahun Metode Hasil

1. Guo Jun, dan

Smitha K. G. 2016

Support Vector Machine, Stroop Color Word Test, Mental Arithmetic Test, Fast Fourier Transform (FFT)

Mengklasifikasikan stres ke dalam 3 level dengan tingkat akurasi stres ke dalam 3 level dengan tingkat akurasi stres ke dalam 4 jenis dengan tingkat akurasi

BAB 3

ANALISIS DAN PERANCANGAN SISTEM

Bab ini akan membahas tentang analisis dan perancangan pada sistem Klasifikasi Tingkat Stres Manusia Menggunakan Elektroensefalogram. Tahap pertama yaitu analisis data dengan menggunakan beberapa tahapan berupa preproses data dan ekstraksi menggunakan Independent Component Analysis. Kemudian implementasi metode K-Nearest Neighbor dalam mengklasifikasi tingkat stres ke dalam dua kategori yaitu stres tingkat normal dan tinggi.

3.1. Dataset

Data yang digunakan adalah real data dimana data dikumpulkan dari partisipan dengan rentang usia 18-23 tahun. Data yang diambil yaitu berupa sinyal gelombang otak yang direkam dengan Elektroensefalogram (EEG). Adapun EEG yang digunakan untuk merekam data adalah Emotiv EPOC+ yang terdiri atas 14 elektroda. Alat ini terkoneksi dengan laptop secara nirkabel melalui Bluetooth atau USB khusus untuk menerima sinyal EEG. Pada penelitian ini penulis menggunakan USB untuk menghubungkan EEG dengan laptop. Perolehan data dimulai dengan pemasangan masing-masing elektroda EEG pada kepala partisipan. Kemudian, penulis menggunakan Stroop Colour-Word Test sebagai stressor dimana partisipan diminta untuk menyebutkan warna dari 10 kata pada setiap sesi.

Waktu yang disediakan untuk partisipan dalam menjawab tes ini adalah 10 detik per sesi.

Stroop Colour-Word Test ini terdiri dari 2 sesi yaitu : I. Sesi Pengenalan

Pada sesi ini, partisipan akan dijelaskan mengenai prosedur dan instruksi apa saja yang ada dalam melakukan tes.

18

II. Sesi Pertama

Sesi ini dilakukan untuk memicu stres tingkat normal. Peserta diminta untuk membaca kata yang tertera, dimana kata itu sendiri berbeda dengan warnanya. Stroop Colour-Word Test pada sesi pertama dapat dilihat pada Gambar 3.1 berikut.

Jawaban : hitam-hijau-kuning-biru-merah-biru-ungu-hijau-orange-hitam

Gambar 3.1 Stroop Colour-Word Test Sesi Pertama

III. Sesi Kedua

Sesi ini dilakukan untuk memicu stres dengan level tinggi. Soal yang diberikan mirip dengan tahap kedua, namun partisipan diminta untuk menyebutkan warna dari kata tersebut. Stroop Colour-Word Test pada sesi kedua dapat dilihat pada Gambar 3.2 berikut.

Jawaban : coklat-hitam-orange-biru-merah-orange-merah-kuning-hijau-hitam

Gambar 3.2 Stroop Colour-Word Test Sesi Kedua

Untuk merekam data, digunakan software CyKIT berbasis web dan python yang dikembangkan oleh CymaticCorp. Software ini memungkinkan menyimpan rekaman data ke dalam format .csv yang berisikan output dari sensor dalam satuan microvolt dengan range data dari -8912 hingga +8192 microvolt. Adapun tampilan software CyKIT dapat dilihat pada Gambar 3.3

Gambar 3.3 Tampilan CyKIT

Data yang terkumpul berjumlah 62 data dimana 75% dari total data dipakai sebagai data latih dan 25% dari total data digunakan sebagai data uji. Data latih digunakan untuk memperoleh model, sedangkan data uji bertujuan menghitung akurasi model yang dibuat (Han & Kamber, 2011).

3.2. Analisis Sistem

Klasifikasi stres ke dalam tingkat normal dan tinggi pada penelitian ini terdiri dari beberapa tahapan. Tahapan pertama yaitu akuisisi data dengan menggunakan EEG untuk digunakan dalam proses pelatihan dan pengujian sistem. Selanjutnya masuk ke tahapan pre-processing. Pada tahap pre-processing dilakukan filtering data, vektorisasi data, yang kemudian dilanjutkan dengan ekstraksi menggunakan Independent Component Analysis.

Lalu masuk ke tahap klasifikasi menggunakan metode K-Nearest Neighbor. Setelah melalui semua tahap tersebut maka akan menghasilkan output berupa tingkat stres dalam tingkat normal atau tinggi. Adapun tahap-tahap tersebut dapat dilihat dalam bentuk arsitektur umum pada Gambar 3.4.

20

Gambar 3.4 Arsitektur Umum

3.2.1. Akuisisi Data

Data yang digunakan adalah real data dimana data dikumpulkan dari partisipan dengan rentang usia 18-23 tahun. Data yang diambil berupa sinyal gelombang otak yang direkam dengan Elektroensefalogram (EEG). Adapun EEG yang digunakan untuk merekam data adalah Emotiv EPOC+ yang terdiri atas 14 elektroda. Alat ini terkoneksi dengan laptop secara nirkabel melalui Bluetooth atau USB khusus untuk menerima sinyal EEG. Data yang telah direkam disimpan dalam format .csv. Data yang terkumpul berjumlah 62 data dimana 75% dari total data dipakai sebagai data latih dan 25% dari total data digunakan sebagai

File Model

Akuisisi Data

Akuisisi Data