KLASIFIKASI UNSPOKEN-SPEECH PADA SINYAL OTAK BERBASIS
TRANSFORMASI WAVELET DAN JARINGAN SARAF TIRUAN (JST)
SKRIPSI
LA FEBRY ANDIRA ROSE CYNTHIA
PROGRAM STUDI S1-TEKNOBIOMEDIK DEPARTEMEN FISIKA
FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS AIRLANGGA
KLASIFIKASI UNSPOKEN-SPEECH PADA SINYAL OTAK BERBASIS
TRANSFORMASI WAVELET DAN JARINGAN SARAF TIRUAN (JST)
SKRIPSI
Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Teknik Bidang Teknobiomedik pada
Fakultas Sains dan Teknologi Universitas Airlangga
Oleh
LA FEBRY ANDIRA ROSE CYNTHIA NIM. 081117035
Telah dinyatakan lulus ujian skripsi Pada tanggal :
3 November 2015
Disetujui oleh : Pembimbing I
Endah Purwanti, S.Si., M.T. NIP. 197710312009122003
Pembimbing II
iii
LEMBAR PENGESAHAN
Judul : Klasifikasi Unspoken-Speech pada Sinyal Otak Berbasis Transformasi Wavelet dan Jaringan Saraf Tiruan (JST)
Penyusun : La Febry Andira Rose Cynthia
NIM : 081117035
Tanggal Ujian : 3 November 2015
PEDOMAN PENGGUNAAN SKRIPSI
Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam
lingkungan Universitas Airlangga, diperkenankan untuk dipakai sebagai referensi
kepustakaan, tetapi pengutipan harus seizin penyusun dan harus menyebutkan
sumbernya sesuai kebiasaan ilmiah.
v
La Febry Andira Rose Cynthia, 2015. Klasifikasi Unspoken-speech pada Sinyal
Otak Berbasis Transformasi Wavelet dan Jaringan Saraf Tiruan (JST). Skripsi dibawah bimbingan Endah Purwanti, S. Si., M.T. dan Andi
Rahmadiansah, S.T., M.T., Program Studi S1 Teknobiomedik, Departemen
Fisika, Fakultas Sains dan Teknologi, Universitas Airlangga.
Abstrak
Komunikasi adalah proses penciptaan dan penggunaan informasi seseorang agar dapat terhubung dengan lingkungan dan orang lain. Komunikasi yang tidak lancar dalam jangka panjang akan menyebabkan sulit bertahan hidup. Salah satu contohnya pada penderita kanker laring yang diharuskan untuk operasi pada pita suara yang berdampak penderita kesulitan untuk berkomunikasi. Unspoken-speech merupakan aktivitas berbicara atau mengucapkan suatu kata tanpa menggunakan organ-organ artikulatori dan tidak menghasilkan suara sama sekali, sehingga sinyal otak dapat dimanfaatkan dalam proses ini. Penelitian ini bertujuan
untuk klasifikasi unspoken-speech berbasis transformasi wavelet dengan Jaringan
Saraf Tiruan (JST). Data didapatkan dengan elektroensephalograf (EEG). Sepuluh
orang naracoba berjenis kelamin laki-laki diberikan arahan untuk mengucapkan kata dalam hati. Data yang didapatkan kemudian diolah dan diekstraksi dengan
menggunakan Wavelet dan direduksi untuk mendapatkan nilai median, mean,
modus, range, dan standar deviasi. Fitur ini yang dijadikan masukan pada JST
Backpropagation. Hasil dari training Backpropagation menunjukkan tingkat akurasi terbaik pada fitur median sebesar 97,4%. Hasil pengujian program dilakukan pada data yang belum pernah dilatih sebesar 57,5%. Berdasarkan penelitian, klasifikasi sinyal otak menggunakan wavelet dan JST dapat dilakukan pada kata “Sakit” dan “Tolong”.
Kata kunci : Elektroensephalograf (EEG), Unspoken-speech, Wavelet,
La Febry Andira Rose Cynthia, 2015. Klasifikasi Unspoken-speech pada Sinyal
Otak Berbasis Transformasi Wavelet dan Jaringan Saraf Tiruan (JST). This thesis was under the guidience of Endah Purwanti, S. Si., M.T. and Andi
Rahmadiansah, S.T., M.T., Biomedical Engineering, Departement of Physics,
Fakulty of Science and Technology, Airlangga University.
Abstract
Communication is the process of creation and use of information someone to connect with the other people. Communication who are not fluent in the ong term will make it difficult to survive. For example in the patients with laryngeal cancer that must have surgery on the vocal cords will has difficulties to communicate. Unspoken-speech is an activity without using any facial muscles and without uttering any audible sound. A brain signal can be used in this activity. The purpose of this research is for classification unspoken-speech activity with
wavelet transformation and artificial neural network (ANN).
Electroensephalograph (EEG) is required for acquisitions data. Ten male subjects given direction to pronounce the word without uttering any audible sound. The obtained signals then processed and extracted by using wavelet and reduced to get the value of the median, mean, mode, range, and standard deviation. Then, the feature processed by using neural network backpropagations. Result of backpropagation training showed the best accuracy levels on the features of the median of 97,4%. Result of the testing program on the data that has not been trained is 57,5%. Based on this research, the classification of brain signals using wavelet and ANN can be done on the word “Sakit” and “Tolong”.
Kata kunci : Elektroensephalograf (EEG), Unspoken-speech, Wavelet,
vii
KATA PENGANTAR
Puji syukur ke hadirat Allah SWT yang senantiasa memberikan hidayah,
inayah, serta rahmat-Nya sehingga penyusun dapat menyelesaikan naskah skripsi
yang berjudul “Klasifikasi Unspoken-speech pada Sinyal Otak Berbasis
Transformasi Wavelet dan Jaringan Saraf Tiruan (JST)”.
Komunikasi adalah proses penciptaan dan penggunaan informasi
seseorang agar dapat terhubung dengan lingkungan sekitarnya dan orang lain.
Komunikasi yang tidak lancar, dalam jangka panjang akan menyebabkan sulit
bertahan hidup. Misalkan pada penderita Amyotropic Lateral Schlerosis (ALS)
dan penderita kanker laring. Menurut Departemen Kesehatan (DEPKES) pada
tahun 2012 penderita kanker laring 43000 per 100.000 orang. Salah satu dampak
dari kanker laring adalah rusaknya pita suara, sehingga penderita tidak dapat
berbicara. Unspoken-speech dilakukan sebagai pemanfaatan teknik komunikasi
yang lain. Unspoken speech adalah komunikasi tanpa menggunakan organ
artikulatori. Klasifikasi unspoken speech merupakan langkah awal untuk
memudahkan komunikasi dengan cepat dan mudah digunakan.
Penyusun menyadari bahwa naskah skripsi ini masih banyak kekurangan.
Oleh karena itu, kritik dan saran yang membangun sangat diharapkan untuk
mengembangkan penelitian skripsi ini.
Surabaya, Oktober 2015 Penyusun
UCAPAN TERIMAKASIH
Syukur Alhamdulillah penulis panjatkan kepada Allah SWT atas berkat, rahmat dan pertolongan-Nya sehingga penyusunan skripsi yang berjudul “Klasifikasi Unspoken-speech pada Sinyal Otak Berbasis Transformasi Wavelet dan Jaringan Saraf Tiruan (JST)” dapat terselesaikan dengan baik. Sholawat serta salam selalu tercurahkan kepada Nabi Muhammad SAW yang telah mengajarkan kita kebenaran serta kebaikan.
Penyusunan skripsi ini tidak lepas dari bantuan dan dukungan dari beberapa pihak. Oleh karena itu penulis ingin mengucapkan terimakasih yang tak berhingga kepada :
1. Kedua orang tua tercinta, ibu Sri Rahayu Dwi Purnaningtyas dan bapak Sutrisno Hadi Susilo yang selalu menyemangati dan memberikan seluruh tenaga dan pikirannya untuk keberlangsungan skripsi penulis. Doa dan dukungan kalian membuat penulis bisa bertahan dan terus berjuang untuk memberikan yang terbaik. Semoga Allah senantiasa memberikan kesehatan, rezeki dan ridho-Nya kepada kalian.
2. Adikku Adhiemas Andira Anantha Putra dan Raditya Andira Nararya Putra yang selalu menjadi semangat penulis dikala saya jenuh dan selalu memberikan semangat serta keyakinan bahwa penulis bisa menyelesaikannya. 3. Bapak Drs. Siswanto, M.Si., selaku ketua departemen Fisika dan bapak Moh Yasin, M.Si., selaku ketua program studi Teknobiomedik yang telah memberikan pengarahan dan motivasi selama perkuliahan.
4. Ibu Endah Purwanti, S.Si., M.T., selaku dosen pembimbing pertama yang selalu memberikan banyak ide, saran, solusi, motivasi setra bimbingannya kepada penulis selama perkuliahan maupun dalam pengerjaan skripsi.
ix
6. Bapak Drs. R. Arif Wibowo, M.Si., selaku penguji I yang banyak memberikan saran dan bimbingan untuk perbaikkan skripsi ini.
7. Bapak Yhosep Githa Yhun Yhuana, S.Si., M.T., selaku penguji II yang memberikan saran untuk perbaikkan skripsi ini.
8. Fitri Risqi Afrianti selaku partner EEG dalam keadaan apapun saat pengerjaan skripsi ini. Terima kasih telah menemani, memberikan masukan, memberikan dorongan, membantu dalam pengerjaan skripsi ini sampai akhirnya penulis dapan menyelesaikan tahap ini. Semoga persahabatan kita tetap terjalin dengan baik.
9. Mbak Nada, Mbak Eki, Mbak Amel, Mbak Fani, Anggrek Citra, Priyanka, Evelyn, Amila dan Azisya yang selalu membantu kesulitan yang dialami penulis. Terima kasih atas ilmu yang diberikan, semoga selalu bermanfaat dan sukses selalu untuk kalian.
10. Sahabatku Ayu Tyas P, Dita Melinda, Indah Kharismawati, Diyah Ayu, Vinta Rahma, dan Abelia yang selalu memberikan semangat, masukkan dalam pengerjaan skripsi, motivasi, dan selalu menemani penulis dalam susah maupun senang. Semoga Allah selalu memberikan kalian ridho dan bahagia. 11. AIRBLAST, teman seperjuangan Teknobiomedik 2011 yang telah
memberikan penulis banyak ilmu, kenangan, kebahagiaan, kesedihan, dan kesusahan yang dilalui bersama-sama.
12. Saudara kosan Mbak Dika Nurachmi, pemilik kosan, terima kasih atas tempat tinggalnya selama 4 tahun serta terima kasih atas semangatnya kepada penulis dalam pengerjaan skripsi. Diah, Mbak Nindi, dan Nazhira terima kasih atas semangat yang kalian berikan selalu.
13. Seluruh dosen yang telah memberikan ilmu dan pendidikan moral kepada penulis selama masa perkuliahan di S1 Teknobiomedik.
14. Kepada karyawan dan staf FST Unair yang telah memberikan banyak bantuan dan kemudahan pada perkuliahan.
kemudahan untukmu dalam penyelesaian studimu. Semoga Allah selalu melindungi kita berdua. Aamiin.
Semoga Allah SWT memberikan yang terbaik kepada saudara-saudara semua. Kepada pihak yang tidak bisa di sebutkan satu persatu, penulis mengucapkan banyak terima kasih.
Surabaya, 9 November 2015
Penulis
xi DAFTAR ISI
Halaman Judul ... i
Lembar Pengesahan ... iii
Abstrak ... v
1.1 Latar Belakang Masalah ... 1
1.2 Rumusan Masalah ... 5
1.3 Batasan Masalah ... 6
1.4 Tujuan Penelitian ... 6
1.5 Manfaat Penelitian ... 7
2.3.2 Peletakan Elektrode ... 22
2.4 Sinyal Otak ... 22
2.5 Pengolahan Sinyal ... 27
2.6 Discrete Wavelet Transform (DWT) ... 29
2.7 Jaringan Saraf Tiruan ... 33
2.7.1 Komponen-Komponen Jaringan ... 34
2.7.3 Algoritma Pembelajaran ... 38
2.8 Antarmuka Otak-Komputer ... 40
BAB III METODE PENELITIAN ... 42
3.1 Tempat dan Waktu Penelitian ... 42
3.2 Peralatan dan Software ... 42
3.3 Prosedur Penelitian ... 43
3.3.1 Pengambilan Data Sinyal Otak Menggunakan EEG ... 44
3.3.2 Pengolahan Sinyal ... 49
3.3.3 Ekstraksi Fitur Sinyal ... 52
3.3.4 Training Data ... 57
3.3.5 Pengujian Jaringan Saraf Tiruan ... 59
3.3.6 Analisis Hasil ... 61
BAB 4 HASIL DAN PEMBAHASAN ... 62
4.1 Pengambilan Data ... 62
4.2 Pengolahan Sinyal ... 66
4.2.1 Segmentasi ... 67
4.2.2 Filterisasi... 68
4.3 Ekstraksi Fitur ... 69
4.4 Pelatihan Jaringan Saraf Tiruan ... 71
4.5 Pengujian Software ... 80
4.6 Tampilan Program ... 84
4.6.1 Jendela Menu Awal ... 84
4.6.2 Jendela Program Identifikasi ... 86
4.6.3 Jendela Ekstraksi Fitur ... 87
4.6.4 Jendela Hasil Ekstraksi Fitur ... 88
4.6.5 Jendela Program Training ... 89
4.6.6 Jendela Hasil Training ... 90
4.6.7 Jendela Program Uji ... 91
4.6.8 Jendela User Manual... 92
xiii
BAB V KESIMPULAN DAN SARAN ... 96
5.1 Kesimpulan ... 96
5.2 Saran ... 96
DAFTAR PUSTAKA ... 98
DAFTAR GAMBAR
No Judul Gambar Halaman
xv
2.16 Sinyal dalam domain waktu dan domain frekuensi (Mandal, 2007) ... 26
2.17 Macam-macam filter ... 28
2.18 Macam-macam sinyal induk (mother wavelet) (Roddlin, 2009) ... 30
2.19 Penerapan dekomposisi pada DWT. g[n] merupakan HPF dan h[n] merupakan LPF (Subasi, 2006) ... 31
2.20 Ilustrasi jaringan saraf tiruan (Kusumadewi dan Hartati, 2010) ... 34
2.21 Arsitek dari JST (Kusumadewi dan Hartati, 2010) ... 35
2.22 Arsitektur dengan bobot bias (b) .(Kusumadewi dan Hartati, 2010) ... 36
2.23 Arsitektur jaringan saraf dengan banyak layer (Kusumadewi dan Hartati, 2010) ... 37
2.24 Algortima dengan metode kompetitif. ... 38
2.25 Arsitek dari JST model backpropagation (Kusumadewi dan Hartati, 2010) ... 40
2.26 Ilustrasi rancangan umum BCI (Yoga, 2013) ... 41
3.1 EEG-SMT Olimex beserta 4 elektroda aktif, 1 elektroda pasif, dan kabel USB; Elektroda Gel Khusus EEG ... 42
3.2 Diagram Blok Tahapan Penelitian ... 43
3.3 Sketsa Video Stimulus Sinyal EEG ... 45
3.4 Perekaman sinyal otak pada seluruh naracoba ... 46
3.5 Pengukuran Kanal elektroda 10-20 (Callies, 2006) ... 47
3.6 Pemasangan elektroda dengan prinsip bipolar (Olimex) ... 48
3.7 Toolbox EEGLAB untuk merubah file EDF menjadi .m ... 49
3.8 Skema pembuatan Filter IIR Butterworth 8-30 Hz ... 51
3.9 Hasil Filter IIR Butterworth Bandpass 8-30 Hz menggunakan toolbox Matlab FDA Tools ... 51
3.11 Arsitektur backpropagation yang dipakai, dengan variasi pada jumlah
neuron di hidden layer ... 57
3.12 Diagram alir trainingbackpropagation (Aldian,2010) ... 58
3.13 Diagram Alir Pengujian JST model backpropagation ... 60
4.1 Sistem perekaman pada program OpenVibe ... 64
4.2 Tampilan sinyal pada Openvibe ... 64
4.3 Hasil sinyal yang diambil dalam satu kali perekaman (a) Kata Tolong (b) Kata Sakit ... 65
4.4 Segmentasi yang mengambil di antara peak kedipan mata ... 67
4.5 Sinyal sebelum dan sesudah di filter pada frekuensi 3-20 Hz ... 69
4.6 Hasil ekstraksi fitur menggunakan wavelet daubechies 4 dengan level dekomposisi 7 ... 70
4.7 Tampilan Jendela Menu Awal ... 84
4.8 Tampilan jendela Program Klasifikasi ... 86
4.9 Jendela Ekstraksi Fitur sinyal... 87
4.10 Jendela Fitur Sinyal ... 88
4.11 Jendela Program Training Jaringan Saraf Tiruan ... 89
4.12 Jendela Hasil Training... 90
4.13 Jendela Pengujian Data Testing ... 91
4.14 Jendela Instruksi Penggunaan Program ... 92
xvii
DAFTAR TABEL
No Judul Tabel Halaman
4.1 Tingkat Akurasi Training Nilai Median ... 72
4.2 Tingkat Akurasi Training Nilai Mean ... 74
4.3 Tingkat Akurasi Training Nilai modus ... 75
4.4 Tingkat Akurasi Training Nilai Range ... 76
4.5 Tingkat Akurasi Training Nilai Standar Deviasi ... 78
4.6 Perbedaan Target dengan Output Hasil Pengujian... 81
DAFTAR LAMPIRAN
No Judul Lampiran Halaman
Lampiran 1 Data Fitur dan Target Klasifikasi dari Data Training ... 101
Lampiran 2 Data Fitur, Target, dan Output Klasifikasi dari Data Testing ... 136
Lampiran 3 Hasil Pemrosesan Sinyal kata Sakit yang diujikan ... 138
Lampiran 4 Hasil Pemrosesan Sinyal kata Tolong yang diujikan ... 158
Lampiran 5 Listing Program Ekstraksi Fitur ... 178
