DETEKSI PENYAKIT EPILEPSI BERDASARKAN DATA EEG MENGGUNAKAN EMPIRICAL MODE DECOMPOSITION DAN INTERVAL TYPE-2 FUZZY LOGIC SYSTEM

TUGAS AKHIR – KI141502

DETEKSI PENYAKIT EPILEPSI BERDASARKAN DATA

EEG MENGGUNAKAN EMPIRICAL MODE

DECOMPOSITION DAN INTERVAL TYPE-2 FUZZY LOGIC SYSTEM

Putri Nur Fitriyani NRP 5113100081

Dosen Pembimbing I

Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D. Dosen Pembimbing II

Dini Adni Navastara, S.Kom., M.Sc.

JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INFORMASI

INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA

iii TUGAS AKHIR – KI141502

DETEKSI PENYAKIT EPILEPSI BERDASARKAN DATA EEG MENGGUNAKAN EMPIRICAL MODE DECOMPOSITION DAN INTERVAL TYPE-2 FUZZY LOGIC SYSTEM

Putri Nur Fitriyani NRP 5113100081

Dosen Pembimbing I

Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D. Dosen Pembimbing II

Dini Adni Navastara, S.Kom., M.Sc.

JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INFORMASI

INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA

iv

v

UNDERGRADUATE THESIS – KI141502

EPILEPSY DISEASE DETECTION BASED ON EEG DATA USING EMPIRICAL MODE DECOMPOSITION DAN INTERVAL TYPE-2 FUZZY LOGIC SYSTEM

Putri Nur Fitriyani NRP 5113100081

First Supervisor

Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D. Second Supervisor

Dini Adni Navastara, S.Kom., M.Sc.

DEPARTMENT OF INFORMATICS

FACULTY OF INFORMATION TECHNOLOGY INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA

vi

vii

LEMBAR PENGESAHAN

DETEKSI PENYAKIT EPILEPSI BERDASARKAN DATA EEG MENGGUNAKAN EMPIRICAL MODE DECOMPOSITION DAN INTERVAL TYPE-2 FUZZY

LOGIC SYSTEM TUGAS AKHIR

Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer

pada

Rumpun Mata Kuliah Komputasi Cerdas dan Visi Jurusan Teknik Informatika

Fakultas Teknologi Informasi Oleh

PUTRI NUR FITRIYANI NRP: 5113 100 081

Disetujui oleh Pembimbing Tugas Akhir

Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D. NIP.194908231976032001

………. (pembimbing 1)

Dini Adni Navastara, S.Kom., M.Sc. NIP. 198510172015042001

………. (pembimbing 2)

SURABAYA JUNI, 2017

viii

ix

DETEKSI PENYAKIT EPILEPSI BERDASARKAN DATA EEG MENGGUNAKAN EMPIRICAL MODE DECOMPOSITION DAN INTERVAL TYPE-2 FUZZY

LOGIC SYSTEM

Nama : Putri Nur Fitriyani

NRP : 5113100081

Jurusan : Teknik Informatika – FTIf ITS

Dosen Pembimbing I : Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D.

Dosen Pembimbing II : Dini Adni Navastara, S.Kom., M.Sc.

Abstrak

Epilepsi merupakan salah satu kelainan pada otak manusia yang tidak dapat disembuhkan. Penyakit ini menimbulkan kejang pada tubuh dan sangat mengganggu aktivitas. Pada tingkat yang parah, epilepsi dapat membahayakan nyawa penderitanya. Oleh sebab itu, epilepsi harus dideteksi secara dini agar penderita segera mendapatkan penanganan yang tepat sehingga keadaannya tidak memburuk. Pada Tugas Akhir ini, deteksi epilepsi dilakukan dengan menggunakan metode Empirical Mode Decomposition dan Interval Type-2 Fuzzy Logic System. Hasil deteksi diklasifikasikan ke dalam dua kelas, yaitu normal dan epilepsi. Data rekaman electroencephalogram (EEG) yang digunakan berasal dari ''Klinik für Epileptologie, Universität Bonn” yang diperoleh secara online yang berjumlah 500 data terdiri dari set A hingga set E.

x

Data yang digunakan untuk pengujian pada percobaan ini sebanyak 200 data yang terdiri dari 100 data EEG untuk manusia sehat dan 100 data EEG untuk manusia penderita epilepsi. Berdasarkan hasil uji coba, rata-rata akurasi terbaik didapatkan sebesar 98.00% dengan menggunakan Intrinsic Mode Fuction pertama, nilai parameter interval pada IT2FLS 1:10, dan nilai K fold cross validation K= 5.

Kata kunci : Epilepsi, Empirical Mode Decomposition, Interval Type-2 Fuzzy Logic System, Klasifikasi, EEG

xi

EPILEPSY DISEASE DETECTION BASED ON EEG DATA USING EMPIRICAL MODE DECOMPOSITION

DAN INTERVAL TYPE-2 FUZZY LOGIC SYSTEM

Student’s Name : Putri Nur Fitriyani

Registration Number : 5113100081

Department : Teknik Informatika – FTIf ITS

Supervisor I

:

Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D.

Supervisor II : Dini Adni Navastara, S.Kom., M.Sc.

Abstract

Epilepsy is one of disorders in human brain that is cannot be healed. This disease causes seizures that bothers patients’ activities. In the worst condition, it endangers patients’ life. Therefore , the epilepsy must be detected early since the beginning so that patients get proper treatments immediately to avoid worse condition.

In this undergraduate thesis, epilepsy detection was built by using two methods; Empirical Mode Decomposition and Interval Type-2 Fuzzy Logic System. The result of detection was classified into 2 classes. They were normaland epileptic seizure. While the electroencephalogram (EEG) recorddata used was takenfrom ''Klinik für Epileptologie, Universität Bonn” website that amounts to 500 data, which consist of set A to set E.

The data used for testing in this experiment were 200 data, consist of 100 EEG data from healthy persons and 100 EEG data from epileptic patients. Our experiment uses first

xii

IMF, IT2FLS interval of 1:10 and cross validation with K=5. Based on our experiment, the method above gives an acurracy of 98%.

Keywords : Epilepsy, Empirical Mode Decomposition, Interval Type-2 Fuzzy Logic System, Classification, EEG

i

KATA PENGANTAR

Alhamdulillahirabbil’alamin, segala puji bagi Allah SWT, yang telah melimpahkan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan Tugas Akhir yang berjudul “DETEKSI PENYAKIT EPILEPSI BERDASARKAN DATA EEG MENGGUNAKAN EMPIRICAL MODE DECOMPOSITION

DAN INTERVAL TYPE-2 FUZZY LOGIC SYSTEM”. Bagi

penulis, pengerjaan Tugas Akhir ini merupakan sebuah pengalaman yang berharga. Selama pengerjaan Tugas Akhir, penulis dapat belajar lebih banyak untuk memperdalam dan meningkatkan apa yang telah didapatkan penulis selama menjalani perkuliahan di Teknik Informatika ITS dan Tugas Akhir ini adalah implementasi dari apa yang telah penulis pelajari. Selesainya Tugas Akhir ini tidak lepas dari bantuan dan dukungan beberapa pihak. Sehingga pada kesempatan ini penulis mengucapkan syukur dan terima kasih kepada:

1. Allah SWT dan Nabi Muhammad SAW.

2. Keluarga tercinta yang telah memberikan dukungan, doa, motivasi, dan perhatian yang luar biasa tanpa henti selama penulis mengerjakan Tugas Akhir ini.

3. Ibu Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D. dan Ibu Dini Adni Navastara, S.Kom., M.Sc. selaku pembimbing I dan II yang telah membimbing dan membantu penulis serta memberikan motivasi dalam menyelesaikan Tugas Akhir ini. 4. Gurat, Fendy dan Saddam yang telah menemani dan

menghibur penulis di saat sedang merasakan kebosanan saat mengerjakan Tugas Akhir ini.

ii

5. Serta semua pihak yang yang telah turut membantu penulis dalam menyelesaikan Tugas Akhir ini.

Penulis menyadari bahwa Tugas Akhir ini masih memiliki banyak kekurangan. Sehingga, penulis mengharapkan kritik dan saran yang membangun dari pembaca untuk perbaikan ke depannya.

iii

DAFTAR ISI

Abstrak ix

Abstract ... xi

KATA PENGANTAR ... i

DAFTAR ISI ...iii

DAFTAR GAMBAR... vii

DAFTAR TABEL ... ix BAB I PENDAHULUAN ... 1 1.1. Latar Belakang ... 1 1.2. Rumusan Permasalahan ... 3 1.3. Batasan Masalah ... 3 1.4. Tujuan ... 3 1.5. Manfaat ... 4 1.6. Metodologi ... 4

BAB II TINJAUAN PUSTAKA ... 7

2.1. Penyakit Epilepsi ... 7

2.2. Electroencephalography (EEG) ... 8

2.3. Empirical Mode Decomposition ... 10

2.4. Interval Type-2 Fuzzy Logic Systems (IT2FLS) ... 13

2.5. K-Fold Cross Validation ... 18

2.6. Metode Evaluasi Kinerja ... 18

BAB III DESAIN SISTEM ... 21

iv

3.2. Desain Data ... 23

3.2.1. Data Masukan ... 23

3.2.2. Data Keluaran ... 24

3.3 Ekstraksi Fitur Sinyal Hasil Empirical Mode Decomposition ... 25

3.4 Klasifikasi dengan Interval Type 2 Fuzzy Logic System 26 3.5 Uji Performa ... 30

BAB IV IMPLEMENTASI SISTEM ... 33

4.1. Lingkungan Implementasi ... 33

4.2. Implementasi Program ... 33

4.2.1. Implementasi Dekomposisi Sinyal dengan Empirical Mode Decomposition ... 34

4.2.2. Implementasi Klasifikasi Dengan Interval Type-2 Fuzzy Logic System ... 35

4.2.3. Impelementasi Desain Antar Muka ... 40

BAB V UJI COBA DAN EVALUASI... 42

5.1. Lingkungan Uji Coba ... 43

5.2. Data Uji Coba ... 43

5.3. Preprocessing Data ... 44

5.4. Skenario Uji Coba ... 48

5.4.1. Skenario Uji Coba Jumlah Fitur ... 48

5.4.2. Skenario Uji Coba Nilai Parameter Interval ... 49 5.4.3. Skenario Uji Coba Jumlah K-Fold Cross

v

5.4.4. Skenario Uji Coba Perbandingan Performa Antara

IT1FLS dengan IT2FLS ... 55

5.5. Evaluasi Umum Skenario Uji Coba... 56

BAB VI PENUTUP ... 59 6.1. Kesimpulan ... 59 6.2. Saran ... 60 DAFTAR PUSTAKA ... 61 LAMPIRAN ... 63 BIODATA PENULIS ... 95

vi

vii

DAFTAR GAMBAR

Gambar 2.1 Ilustrasi pemasangan elektroda pada teknik 10-20 [4]

... 9

Gambar 2.2 Contoh Hasil EMD [3] ... 13

Gambar 2.3 Struktur model Type-1 Fuzzy Logic System [4] ... 14

Gambar 2.4 Ilustrasi membership function IT2FLS [4] ... 15

Gambar 2.5 Struktur model Interval Type-2 Fuzzy Logic System [4] ... 16

Gambar 3.1 Diagram alir rancangan perangkat lunak secara umum ... 22

Gambar 3.2 Contoh data masukan masing-masing data set [3] ... 24

Gambar 3.3 Diagram Alir Proses Dekomposisi Sinyal ... 26

Gambar 3.4 Ilustrasi Membership Function Untuk Kelas 0 dan Kelas 1 ... 27

Gambar 3.5 Diagram Alir Proses Klasifikasi IT2FLS ... 29

Gambar 4.1 Ilustrasi Desain Antar Muka ... 41

Gambar 5.1 Ilustrasi pembagian data testing dan training untuk 5-fold-cross-validation... 44

Gambar 5.2 Hasil Dekomposisi Sinyal Manusia Sehat ... 46

Gambar 5.3 Hasil Dekomposisi Sinyal Manusia Penderita Epilepsi ... 47

viii

ix

DAFTAR TABEL

Tabel 3.1 Kontruksi MF Data Training ... 30

Tabel 3.2 Kontruksi Bagian Premis dari Rule ... 31

Tabel 3.3 Kontruksi Bagian Premis dari Rule ... 31

Tabel 3.4 Keluaran IT2FLS ... 31

Kode Sumber 4.1 Kode program membaca dan mendekomposisi sinyal dengan EMD ... 35

Kode Sumber 4.2 Kode sumber untuk konstruksi membership function ... 37

Kode Sumber 4.3 Kode sumber untuk membagi data menjadi dua kelas ... 37

Kode Sumber 4. 4 Kode sumber untuk penyusunan IT2FLS rule bagian 2 ... 39

Kode Sumber 4.5 Kode sumber untuk pemanggilan fungsi klasifikasi IT2FLS ... 39

Tabel 5.1 Hasil Perhitungan Performa Uji Coba Jumlah Fitur .... 49

Tabel 5.2 Perbandingan Nilai Interval ... 50

Tabel 5.3 Hasil Perhitungan Performa Nilai Interval Untuk Lima Fitur ... 50

Tabel 5.4 Hasil Perhitungan Performa Nilai Interval Untuk Empat Fitur ... 51

Tabel 5.5 Hasil Perhitungan Performa Nilai Interval Untuk Tiga Fitur ... 51

Tabel 5.6 Hasil Perhitungan Performa Nilai Interval Untuk Dua Fitur ... 52

Tabel 5.7 Hasil Perhitungan Performa Nilai Interval Untuk Satu Fitur ... 53

Tabel 5.8 Rekap Hasil Uji Coba Interval Pada Setiap Jumlah Fitur ... 53

x

Tabel 5.9 Hasil Perhitungan Performa Uji Coba Jumlah K-Fold Cross Validation ... 54 Tabel 5.10 Hasil Perhitungan Performa Uji Coba Perbandingan Performa Antara IT1FLS dengan IT2FLS ... 55 Tabel 5.11 Hasil Perbandingan Akurasi ... 57

1

BAB I

PENDAHULUAN

Pada bab ini akan dibahas mengenai latar belakang, rumusan permasalahan, batasan masalah, tujuan, manfaat, metodologi dan sistematika penulisan buku laporan Tugas Akhir ini.

1.1. Latar Belakang

Epilepsi merupakan salah satu kelainan yang terjadi pada otak manusia. Ciri utama yang tampak adalah penderita mengalami kejang dan kehilangan kesadaran. Kejang ini terjadi minimal dua kali secara tiba-tiba tanpa sebab baik ringan maupun berat [1]. Penyebab secara pasti dari kelainan ini belum diketahui, namun sebagian besar dari para penderita memiliki riwayat epilepsi dari keluarga mereka sehingga bisa disebut dengan penyakit akibat genetis. Selain itu epilepsi juga bisa disebabkan oleh penyakit lain yang menyerang otak. Epilepsi bisa terjadi pada manusia di segala umur. Namun, gejalanya sangat terlihat pada anak-anak dan lansia di atas 65 tahun.

Epilepsi secara medis tidak dapat disembuhkan. Obat hanya mampu mengontrol frekuensi terjadinya kejang dan juga tingkat keparahan dari kejang tersebut. Namun perlu diwaspadai, pada tingkat yang parah epilepsi bisa mengakibatkan kematian bagi penderitanya. Selain dari sisi fisik, dampak negatif yang ditimbulkan dari epilepsi bagi penderitanya yaitu psikis dan kehidupan sosial. Secara psikis, penderita epilepsi akan merasa tidak nyaman, gelisah bahkan depresi karena kejang yang terus-menerus dialaminya. Sementara itu, kerugian yang diterima penderita dalam kehidupan sosialnya yaitu adanya diskriminasi. Penderita tidak akan diizinkan mengendarai kendaraan karena dapat membahayakan diri sendiri maupun orang lain apabila secara

tiba-tiba terjadi kejang saat berkendara. Lebih jauh lagi, di beberapa negara, penderita epilepsi dilarang menikah [2]. Untuk meminimalisir terjadinya hal-hal yang merugikan penderita maka epilepsi perlu dideteksi sejak dini dan segera diberikan perawatan yang tepat sehingga penderita bisa hidup layaknya manusia normal.

Teknologi selalu berkembang setiap saat. Tidak dapat dipungkiri, saat ini kehidupan manusia serba dimudahkan dengan adanya teknologi begitu juga dengan dunia kedokteran. Pengaplikasian yang sangat berguna yaitu adanya teknologi untuk mendeteksi penyakit atau kelainan pada tubuh manusia. Salah satu kelainan yang dapat dideteksi dengan teknologi yaitu epilepsi. Sebelumnya, diagnosis dilakukan secara manual yaitu dengan mengamati rekaman sinyal electroencephalogram (EEG) dari otak [3]. Cara konvensional seperti ini membutuhkan waktu yang cukup lama dan kurang efisien. Sehingga dibuatlah pendeteksi otomatis data EEG yang diolah sedemikian rupa. Beberapa penelitian sudah pernah dilakukan dengan menggunakan metode-metode yang berbeda, baik preprocessing maupun klasifikasi, diantaranya menggunakan algoritma Permutation Entropy dan Support Vector Machine. Pada penggunaan Permutation Entropy dan Support Vector Machine menghasilkan rata-rata keakuratan sebesar 84.18% dengan hanya menggunakan 2 kelas saja [4] [5].

Oleh karena itu, pada tugas akhir ini dilakukan pengembangan sistem deteksi penyakit epilepsi berdasarkan data EEG menggunakan Empirical Mode Decomposition dan Interval Type-2 Fuzzy Logic System. Dalam proses pengembangan sistem ini diperlukan beberapa tahapan proses yaitu preproccesing data, normalisasi fitur, dan klasifikasi data. Data yang digunakan sebagai masukan yaitu data rekam EEG otak manusia. Diharapkan nilai akurasi pendeteksian bisa lebih baik dari penelitian yang

3

sudah pernah dilakukan. Hal ini tentu akan membuat deteksi menjadi lebih tepat sehingga penderita epilepsi bisa mendapatkan perawatan yang sesuai.

1.2. Rumusan Permasalahan

Rumusan masalah yang akan dibahas dan diteliti dalam tugas akhir ini adalah:

1. Bagaimana melakukan dekomposisi sinyal menggunakan

Empirical Mode Decomposition?

2. Bagaimana melakukan ekstraksi fitur data sinyal EEG dari hasil dekomposisi?

3. Bagaimana melakukan klasifikasi fitur-fitur data sinyal EEG dengan menggunakan Interval Type-2 Fuzzy Logic System untuk mendeteksi penyakit epilepsi?

4. Bagaimana melakukan uji performa perangkat lunak yang akan dibangun?

1.3. Batasan Masalah

Tugas akhir ini memiliki beberapa batasan terkait perancangan sistem yang meliputi:

1. Dataset yang digunakan adalah data rekam sinyal EEG manusia normal dan epilesi yang diambil dari Klinik fur Epileptologie Universitat Bonn.

2. Model membershipfunction yang digunakan pada metode IT2FLS adalah triangular.

3. Pembangunan perangkat lunak menggunakan Matlab R2014a.

4. Ada dua hasil klasifikasi, yaitu normal dan epilepsi.

1.4. Tujuan

Tujuan dari pembuatan tugas akhir ini adalah untuk mengembangkan sistem deteksi penyakit epilepsi berdasarkan data EEG otak manusia menggunakan Empirical Mode Decomposition

1.5. Manfaat

Manfaat yang diperoleh dari pembuatan tugas akhir ini adalah untuk memudahkan ahli kedokteran dalam proses diagnosis apakah seseorang menderita epilepsi atau tidak. Semakin cepat diketahui maka semakin cepat pula penanganan dan pengobatan yang diberikan sehingga penderita bisa hidup selayaknya manusia normal.

1.6. Metodologi

1. Penyusunan proposal tugas akhir

Proposal tugas akir ini berisi deskripsi pendahuluan dari Tugas Akhir yang akan dibuat. Pendahuluan ini terdiri atas hal yang menjadi latar belakang diajukannya usulan Tugas Akhir, rumusan masalah yang diangkat, batasan masalah untuk Tugas Akhir, dan manfaat dari hasil pembuatan Tugas Akhir. Selain itu dijabarkan pula tinjauan pustaka yang digunakan sebagai referensi pendukung pembuatan Tugas Akhir. Sub bab metodologi berisi penjelasan mengenai tahapan penyusunan Tugas Akhir mulai dari penyusunan hingga penyusunan Tugas Akhir. Terdapat pula sub bab jadwal kegitan yang menjelaskan jadwal pengerjaan Tugas Akhir.

2. Studi literatur

Tugas Akhir ini akan menggunakan literatur utama berupa paper yang berasal dari jurnal internasional bereputasi yaitu sciencedirect dengan judul Application of Empirical Mode Decomposition and Artificial Neural Network For The Classification of Normal and Epileptic EEG Signal dan EEG signal classification for BCI applications by wavelets and interval type-2 fuzzy logic systems. Selain itu akan digunakan sejumlah referensi yang diperlukan dalam pembuatan aplikasi, yaitu mengenai penyakit epilepsi, proses ekstraksi fitur, k-fold cross validation, confusion matrix, dan normalisai.

5

3. Analisis dan desain perangkat lunak

Untuk membangun perangkat lunak pendeteksi epilepsi ini harus melalui beberapa tahap yaitu mendekomposisi data rekam sinyal EEG sehingga data bersih dari sinyal lain. Lalu melakukan ekstraksi fitur dari sinyal yang telah bersih agar data yang berupa sinyal dapat diklasifikasi. Terakhir adalah melakukan klasifikasi untuk mendapatkan model yang tepat. Selanjutnya perangkat lunak bisa digunakan untuk melakukan pendeteksian epilepsi. 4. Implementasi algoritma pada sistem

Perangkat lunak ini akan dibangun dengan menggunakan bahasa pemrograman dan kakas bantu Matlab R2014a dengan fungsi yang sudah tersedia di dalamnya.

5. Pengujian dan evaluasi

Pengujian akurasi sistem yang dihasilkan dari tugas akhir ini menggunakan metode K-fold cross validation. Dataset akan dibagi menjadi K fold, kemudian pada sistem akan dilakukan proses training dan testing sebanyak K kali iterasi. Dalam setiap iterasi ke-i, fold ke-i akan digunakan sebagai testing set, sedangkan (k-1) fold sisanya akan dipakai sebagai training set. Proses ini akan dijalankan sampai semua fold terpakai sebagai

testing set, dan hasil akurasi setiap iterasi akan dicatat, serta dicari rata-ratanya untuk menemukan hasil akurasi rata-rata dari sistem yang dihasilkan dalam tugas akhir ini.

6. Penyusunan Buku Tugas Akhir

Pada tahap ini dilakukan penyusunan laporan yang menjelaskan dasar teori dan metode yang digunakan dalam tugas akhir ini serta hasil dari implementasi aplikasi perangkat lunak yang telah dibuat. Sistematika penulisan buku tugas akhir secara garis besar antara lain:

1. Pendahuluan a. Latar Belakang b. Rumusan Masalah c. Batasan Tugas Akhir d. Tujuan

e. Metodologi

f. Sistematika Penulisan 2. Tinjauan Pustaka

3. Metodologi

4. Desain dan Implementasi 5. Uji Coba dan Evaluasi 6. Penutup

7

BAB II

TINJAUAN PUSTAKA

Dalam bab ini akan dijelaskan mengenai teori-teori yang merupakan dasar dari pembangunan sistem. Selain itu terdapat penjelasan yang menunjang pengerjaan Tugas Akhir ini sehingga dapat memberikan gambaran secara umum sistem yang akan dibangun.

2.1. Penyakit Epilepsi

Epilepsi merupakan salah satu penyakit saraf yang paling umum dan berbahaya. Saat ini, penderita penyakit epilepsi sudah lebih dari 50 juta orang diseluruh dunia. Pengontrolan kejang biasa dilakukan dengan obat antiepilepsi yang berguna untuk menurunkan morbiditas dan resiko kematian akibat penyakit ini. Salah satu aspek yang paling susah disembuhkan dari peyakit epilepsi adalah ketidakpastian terjadinya kejang pada seorang penderita. Menurut penelitian, penurunan kesadaran secara tiba-tiba dapat mengancam nyawa seseorang, terutama jika terjadi pada saat orang tersebut sedang mengemudi, berenang, atau sendirian. Rasa malu karena terjadi kejang yang tidak pasti dapat menyebabkan hilangnya rasa kesejahteraan sosial dari penderita [6].

Serangan penyakit epilepsi diyakini dapat kambuh secara tiba-tiba tanpa adanya gejala yang jelas. Serangan kejang paroksismal berulang dua kali atau lebih tanpa penyebab yang jelas dengan interval serangan lebih dari 24 jam, akibat lepas muatan listrik berlebihan di neuron otak [7]. Sedangkan sindrom epilepsi adalah epilepsi yang ditandai adanya sekumpulan gejala dan tanda klinis yang terjadi bersama-sama, meliputi jenis serangan, etiologi, anatomi, faktor pencetus, umur onset, berat penyakit, dan kronisitas penyakit [8] [9].

Meskipun epilepsi adalah diagnosis klinis, elektroensefalografi (EEG) merupakan pemeriksaan yang sangat

penting untuk konfirmasi diagnosis epilepsi, menentukan klasifikasi epilepsi, melihat fokus epileptogenik, evaluasi hasil terapi, dan menentukan prognosis [10] [11]. Pemeriksaan EEG juga sangat diperlukan untuk menyingkirkan kemungkinan adanya gangguan yang menyerupai epilepsi seperti sinkope, henti nafas sejenak (breath holding speell), migrain dan sebagainya, yang sering membuat epilepsi salah diagnosis/overdiagnosis [12] [13] [14][15].

Menurut penilitian hemodinamik yang dilakukan pada seseorang yang menderita epilepsi menunjukkan terjadinya peningkatan aliran darah yang signifikan beberapa menit sebelum terjadi kejang. Berdasarkan hal tersebut, rekaman EEG dari seseorang penderita dapat digunakan untuk mengidentifikasi perilaku kejang yang mungkin terjadi [3].

2.2. Electroencephalography (EEG)

Electroencephalography pada dasarnya merupakan sebuah metode atau teknik perekaman aktivitas otak. Objek yang direkam adalah hasil aktivitas bioelektrikal neuron-neuron pada lapisan

cortex cerebrum. Hasil rekaman yang didapat melalui metode ini berupa sinyal gelombang otak, yang berada pada range tegangan 5-100 mV [4].

Sinyal EEG ditangkap melalui sensor-sensor pada elektroda yang dapat terpasang baik secara invasif maupun non-invasif. Pemasangan secara invasif memerlukan adanya implan elektroda-elektroda pada bagian-bagian otak yang ingin diamati responnya secara langsung. Metode ini menghasilkan sinyal yang lebih bersih terhadap noise spasial, karena sinyal yang didapat berasal dari bagian otak yang terkait secara langsung. Hanya saja pada praktiknya pemasangan secara sangat jarang dilakukan terkait dengan besarnya usaha dan biaya yang diperlukan, serta masalah-masalah terkait jaminan keamanannya [4].

Sedangkan pada metode pemasangan secara non-invasif,

channel-channel elektroda diletakkan di sekeliling tempurung kepala, sehingga memungkinkan sinyal gelombang otak tetap

9

diperoleh. Kelemahan metode ini ada pada sinyal yang dihasilkan, dimana selalu terdapat inferensi antar hasil perekaman satu channel

dengan channel lainnya. Namun karena kemudahan pengaturan implementasi, serta keamanannya, metode ini lebih dianjurkan dan sering dipakai [4].

Salah satu teknik Electroencephalography yang paling populer sekaligus dijadikan standardisasi secara international adalah The International 10-20 System. Teknik ini memiliki fungsi utama untuk mendeskripsikan atau melakukan pemasangan elektroda-elektroda pada kepala manusia, dalam sebuah penelitian atau eksperimen yang menyangkut BCI maupun EEG. Tujuan adanya standardisasi dengan sistem 10-20 ini adalah agar ada standar yang sama, yang dapat diterapkan pula pada penelitian-penelitian selanjutnya. Hal ini akan memungkinkan subyek serta metode yang digunakan dapat diperbandingkan dengan penelitian serumpun dari waktu ke waktu, terlepas dari perbedaan karakteristik maupun algoritma translasi yang digunakan. Nilai 10-20 pada teknik ini merujuk pada fakta dimana pemasangan elektroda-elektroda dilakukan sedemikian rupa hingga jarak masing-masingnya adalah sekitar 10-20% dari jarak keseluruhan elektroda. Gambar 2.1 menunjukkan ilustrasi implementasi teknik ini [4].

Dalam Gambar 2.1, setiap huruf melambangkan sebuah lokasi khusus pemasangan elektroda pada daerah kepala. Huruf F melambangkan daerah frontal, T melambangkan temporal, C melambangkan central, P untuk daerah parietal, dan O untuk

occipital. Angka genap seperti 2, 4, 6, dan 8 digunakan pada daerah sebelah kanan kepala, sedangkan angka ganjil seperti 1, 3, 5, dan 7 untuk daerah sebelah kiri. Konsonan z, yang berarti zero, merujuk pada elektroda yang terletak di garis tengah. Huruf A yang pada kedua ujung sistem merujuk pada daerah telinga [4].

Salah satu metode yang dianjurkan untuk membantu diagnostik epilepsi adalah merekam aktivitas kelistrikan otak melalui rekaman elektroensepalogram(EEG). Diagnosis terhadap rekaman EEG sering dilakukan domain waktu dengan melihat bentuk gelombang, ketajaman gelombang atau kompleksitas gelombang. Analisis dalam domain frekuensi jarang dilakukan, oleh karena visualisasi dalam domain frekuensi seringkali tidak mudah untuk membedakan penderita epilepsi dengan penderita normal [3].

Pada tugas akhir ini, dataset yang digunakan adalah data sinyal otak manusia (EEG) yang diunduh dari website milik ''Klinik für Epileptologie, Universität Bonn''. Data ini terdiri dari 5 set rekaman EEG (A-E) yang mana setiap set berisi 100 data sinyal otak single-channel masing-masing data berdurasi 23,6 detik dan dengan frekuensi 173.61 Hz serta 4097 nilai [3]. Kelima data set tersebut diambil dari orang-orang yang berbeda dengan kondisi yang berbeda pula. Hasil sinyal EEG yang diperoleh kemudian diproses melalui sistem yang disusun, sehingga dapat menghasilkan keluaran berupa kelas epilepsi yang dimaksud.

2.3. Empirical Mode Decomposition

Proses yang digunakan pada Empirical Mode Decomposition (EMD) disebut sifting process. Konsep dasar dari EMD adalah untuk mengidentifikasi skala waktu yang tepat yang dapat menunjukkan karakteristik fisik sinyal, dan kemudian mengubah sinyal ke mode intrinsik dengan fungsi, yang disebut

11

sebagai Intrinsic Mode Function (IMF) [3]. Dua persyaratan yang harus di penuhi dari IMF antara lain:

1. Jumlah nilai ekstrim dan nilai nol harus sama, apabila terjadi perbedaan maka paling besar bernilai satu [3].

2. Nilai rata-rata dari data berada di antara upper envelope

dan lower envelope [3].

Sebuah sinyal x(t) dapat dinyatakan dalam fungsi IMFs sebagai berikut :

𝑥(𝑡) = ∑𝑀𝑚=1𝑖𝑚𝑓𝑚(𝑡) + 𝑟𝑚(𝑡) (1)

Dimana 𝑀 merupakan jumlah IMFs, 𝑖𝑚𝑓𝑚(𝑡) sebagai fungsi IMF, dan 𝑟𝑚(𝑡) merupakan residu akhir dari sebuah sinyal.

Untuk mendeteksi nilai IMFs dari sebuah sinyal 𝑥(𝑡) dapat dilakukan dengan langkah-langkah sebagai berikut:

1. Inisialisasi 𝑚 = 0 dan 𝑟(𝑡) = 𝑥(𝑡)

2. Mencari nilai lokal terkecil dan lokal terbesar dari sebuah sinyal 𝑥(𝑡).

3. Menghitung upper envelope𝑒𝑢(𝑡) dan lower envelope𝑒𝑙(𝑡) dengan cara menghubungkan setiap nilai terkecil dan terbesar dengan interpolasi cubic spline.

4. Menghitung rata-rata 𝑀𝑛(𝑡), menggunakan rumus berikut ini :

𝑀𝑛(𝑡) =

𝑒𝑙(𝑡)+𝑒𝑢(𝑡)

2 (2) 5. Ekstraksi h(t), menggunakan rumus berikut ini:

Jika ℎ(𝑡) memenuhi persayaratan IMF maka 𝑚 = 𝑚 + 1,

𝑖𝑚𝑓𝑚(𝑡) = ℎ(𝑡) dan dapat dilanjutkan ke langkah berikutnya. Namun, jika nilai ℎ(𝑡) maka ulangi langkah 2 sampai 5.

6. Mendefinisikan nilai 𝑟(𝑡) sebagai berikut:

𝑟(𝑡) = 𝑟(𝑡) − 𝑖𝑚𝑓𝑚(𝑡) (4) Jika 𝑟(𝑡) merupakan fungsi monoton, maka langkah ini sudah selesai. Namun, jika nilai 𝑥(𝑡) = 𝑟(𝑡) maka ulangi langkah 2 sampai 6.

Dari proses dekomposisi sinyal dengan EMD didapatkan data sinyal EEG yang berdimensi besar. Hal ini menyebabkan proses klasifikasi pada data nantinya akan berjalan tidak efektif, karena waktu pemrosesan akan sangat panjang, terkait dengan besarnya dimensi, serta hasil akurasi pun akan rendah akibat adanya percampuran nilai informasi antar fitur. Ektraksi fitur berfungsi untuk mereduksi dimensi yang besar dan tidak efisien pada data yang ada, sehingga menghasilkan fitur hasil ektraksi yang tetap mengandung nilai informasi yang tinggi dari data mentah, namun dengan jumlah dimensi yang lebih kecil dan efektif ketika akan diklasifikasi.

Hasil dekomposisi sinyal dengan EMD yaitu fungsi IMF yang digunakan untuk ekstraksi fitur dari setiap kelas. Proses ektraksi fitur dilakukan dengan menghitung standard deviation

dari setiap fungsi IMF. Contoh hasil dekomposisi sinyal EEG otak manusia dari IMF 1 hingga 4 dan sebuah residu ditunjukkan pada Gambar 2.2 di bawah ini.

13

Gambar 2.2 Contoh Hasil EMD [3]

2.4. Interval Type-2 Fuzzy Logic Systems (IT2FLS)

Klasifikasi merupakan suatu proses mengidentifikasi kelas pada suatu hasil observasi. Dalam konteks yang dibahas pada tugas akhir ini, klasifikasi berhubungan dengan identifikasi penyakit epilepsi pada sebuah trial. Setiap trial terdiri dari sinyal-sinyal EEG single channel elektroda pada jangka waktu tertentu. Metode klasifikasi yang dipakai dalam tugas akhir ini adalah Interval Type-2 Fuzzy Logic System. Pada dasarnya metode ini merupakan pengembangan dari metode Fuzzy Inference System atau yang juga disebut sebagai Type-1 Fuzzy Logic System.

Fuzzy merupakan sebuah keadaan atau sifat yang tidak dapat didiskriminasi secara jelas atau pasti (contoh: agak benar, agak salah; bandingkan dengan: benar, salah). Fuzzylogicsystem

merupakan model mekanisme yang mengadopsi prinsip fuzzy ini, sehingga telah banyak digunakan sebagai classifier karena

kemampuannya menangani data yang bersifat ambigu, nonlinier, maupun mengandung banyak noise [4].

Sebuah fuzzy logic system disebut sebagai Type-1 Fuzzy Logic System (T1FLS) apabila menggunakan type-1 fuzzy set

(T1FS) dalam seluruh implementasinya. T1FLS sebenarnya merupakan bentuk Fuzzy Inference System (FIS) yang umum dikenal dan diaplikasikan saat ini. Struktur proses-proses pada model ini dapat dilihat pada Gambar 2.3 di atas dimana T1FS digunakan pada bagian fuzzyfier [4].

Gambar 2.3 Struktur model Type-1 Fuzzy Logic System [4]

Pada tahap ini membership function dikonstruksi, dimana setiap nilai membershipdegree ini hanya terdiri dari satu dimensi, yang kemudian disebut sebagai T1FS. Karena seluruh proses fuzzifikasi menggunakan T1FS, maka proses inferensi oleh

15

rulebase pun juga terdiri dari T1FS pada bagian premis dan konsekuennya. Demikian pula dengan proses defuzzifikasinya, dimana hasil keluaran dalam bentuk T1FS langsung dikonversi kembali ke dalam bentuk crisp number atau nilai mentah data [4].

Sebuah fuzzylogicsystem yang terdiri dari paling sedikit satu

fuzzy set tipe 2 (T2FS), disebut Type-2 fuzzylogicsystem (T2FLS). T2FLS banyak dikembangkan karena lebih memiliki kebebasan dalam desain implementasinya. Perbedaan utama antara T2FLS dengan T1FLS ada pada penggunaan T2FS pada bagian fuzzyrule

dan pemrosesan keluarannya. Hal ini pula yang menyebabkan kompleksitas komputasi sebuah sistem bertambah, sehingga dikembangkan sebuah model lain dari T2FLS, yang disebut

intervaltype-2 fuzzylogicsystem (IT2FLS) [4].

Gambar 2.4 Ilustrasi membership function IT2FLS [4]

Gambar 2.5 menunjukkan perbedaan antara T1FLS biasa dengan T2FLS, secara khusus IT2FLS. Salah satu perbedaannya adalah IT2FLS lebih menekankan pada penggunaan representasi interval pada membershipfunction-nya, daripada penggunaan fuzzy

set tipe 2 pada T2FLS. Implementasi IT2FLS pada tugas akhir ini sendiri mengaplikasikan IT2 fuzzy set pada bagian membership function dan T1 fuzzy set pada bagian keluaran fuzzyrule. Ilustrasi representasi membership function dalam bentuk IT2FLS ini dapat dilihat pada Gambar 2.4, dimana upper membership function-nya berbentuk trapezoidal, dan lower membership function berbentuk

triangular. Daerah diarsir berwarna abu-abu menunjukkan daerah interval atau footprint of uncertainty (FOU) [4].

Gambar 2.5 Struktur model Interval Type-2 Fuzzy Logic System [4]

Jika diasumsikan terdapat rule sebanyak K dan premis sebanyak p, maka fuzzy rule ke-n dapat digambarkan pada persamaan 9.

𝐑

𝒏

_{: IF 𝑥}

1

is 𝑋̃

1𝑛

and … and 𝑥

𝑝

is 𝑋̃

𝑝𝑛

, THEN 𝑦 𝑖𝑠 𝑌

𝑛

(9)

n = 1, …, K, sedangkan 𝑋̃_𝑖𝑛 adalah IT2FS ke-i, yang didefinisikan dengan lower dan upper bound membership function pada

17

persamaan 10 dan

𝑌

𝑛

= [ 𝑦

𝑛

, 𝑦

𝑛

] yang merupakan interval

keluaran dalam bentuk T1FS.

𝑋̃

_𝑖𝑛

(𝑥

𝑖

) = [𝜇

𝑋̃_𝑖𝑛

(𝑥

𝑖

), 𝜇

_𝑋̃

𝑖𝑛

(𝑥

𝑖

) ]

(10)

Setelah diperoleh lower dan upper bound membership degree

untuk setiap 𝑥𝑖 pada masukan vektor 𝑥 = (𝑥1

, 𝑥

2

, … , 𝑥

𝑝

),

dihitung pula hasil inferensi IT2FLS rule dengan melibatkan interval firingstrengthfuzzyrule 𝐹𝑛

= [𝑓

𝑛

, 𝑓̅

𝑛

], dimana:

𝑓

𝑛

= 𝜇

_𝑋̃

𝑖𝑛

(𝑥

1

) ∗ 𝜇

𝑋̃𝑖𝑛

(𝑥

2

) ∗ … ∗ 𝜇

𝑋̃𝑖𝑛

(𝑥

𝑝

)

(11)

𝑓̅

𝑛

= 𝜇

_𝑋̃

𝑖𝑛

(𝑥

1

) ∗ 𝜇

𝑋̃𝑖𝑛

(𝑥

2

) ∗ … ∗ 𝜇

𝑋̃𝑖𝑛

(𝑥

𝑝

)

(12)

Keluaran final dari model IT2FLS ini didapat dari proses defuzifikasi dengan melakukan perhitungan kombinasi semua keluaran dari rule sebanyak K berdasarkan persamaan (15), dimana

𝑌𝑙 merupakan batas bawah interval keluaran yang dihitung berdasarkan persamaan (13) dan 𝑌𝑟 merupakan batas atas interval keluaran yang dihitung berdasarkan persamaan (14). 𝑌𝑙 dan 𝑌𝑟

diperoleh dari proses type-reducer.

𝑌𝑙 = ∑ 𝑓𝑛𝑦𝑛_{+ ∑}𝑁 _𝑓𝑛 𝑛=𝑘+1 𝑦𝑛 𝑘 𝑛=1 ∑ 𝑓𝑛+ ∑𝑁 𝑓𝑛 𝑛=𝑘+1 𝑘 𝑛=1 𝑌𝑟 = ∑𝑘𝑛=1 𝑓𝑛𝑦𝑛+ ∑𝑁𝑛=𝑘+1 𝑓𝑛𝑦𝑛 ∑ 𝑓𝑛_{+ ∑}𝑁 _𝑓𝑛 𝑛=𝑘+1 𝑘 𝑛=1 (13) (14)

𝑦 =

𝑌𝑙+𝑌𝑟

2 (15)

2.5. K-Fold Cross Validation

K-Fold Cross Validation adalah sebuah metode untuk menguji suatu perangkat lunak dengan sejumlah dataset. Pada K-Fold Cross Validation membagi data menjadi K data set yang bebas [6]. Sejumlah K-1 data digunakan sebagai data latih sedangkan sisanya menjadi data uji. Pengujian ini diulangi sebanyak K kali hingga semua set pernah menjadi data uji dan data latih. Nilai akurasi yang sudah didapat kemudian dihitung rata-ratanya sebagai nilai akurasi akhir.

2.6. Metode Evaluasi Kinerja

Proses klasifikasi yang dilakukan pada tugas akhir ini akan menghasilkan keluaran berupa kelas-kelas yang diidentifikasi pada setiap data yang diuji pada classifierInterval Type-2 Fuzzy Logic System (IT2FLS) yang diimplementasikan. Evaluasi terhadap performa atau kinerja IT2FLS ini dilakukan dengan melakukan penghitungan nilai akurasi yang diperoleh.

Pada penempatan setiap data ke kelas yang diidentifikasi oleh sistem, akan dihitung jumlah proses identifikasi yang benar, yaitu ketika suatu data dengan kelas “0” diklasifikasikan sebagai kelas “0”, dan data kelas “1” diklasifikasi sebagai kelas “1”. Penghitungan pada bagian ini akan mengikuti persamaan 17.

𝐴𝑐𝑐

=

𝑇0+𝑇1

𝑁 (16)

Berdasarkan persamaan 16 di atas, variabel hasil Acc merupakan hasil akurasi klasifikasi yang didapat, T0 merupakan jumlah hasil

19

klasifikasi benar untuk kelas “0”, T1 merupakan hasil klasifikasi benar untuk kelas “1”, dan N merupakan jumlah data yang diuji atau diklasifikasikan.

Pada tugas akhir ini, hasil akurasi klasifikasi yang dilakukan akan dikalkulasi untuk beberapa data testing berbeda. Metode yang digunakan untuk melakukan evaluasi ini adalah K-fold-cross validation.

K-fold cros-validation merupakan metode pengujian atau evaluasi yang digunakan pada tugas akhir ini. Tujuan diimplementasikannya metode ini adalah untuk memperoleh hasil akurasi rata-rata, dari klasifikasi terhadap beberapa testing data berbeda yang terbagi dalam beberapa fold. Proses pengujian beberapa fold yang berbeda ini akan menghasilkan hasil yang diharapkan merepresentasikan performa sistem klasifikasi ini secara keseluruhan.

Pada k-fold cros-validation, pertama-tama keseluruhan dataset yang ada dibagi menjadi sebanyak k fold. Selanjutnya terhadap setiap fold dilakukan proses iterasi dimana fold ke-i akan berperan sebagai data testing, sedangkan k-1fold sisanya menjadi data training. Iterasi pengujian dilakukan sebanyak k kali, sampai semua fold terpakai sebagai training untuk classifier. Pada setiap iterasi dicatat hasil akurasi yang didapatkan, kemudian dicari rata-rata akhir akurasi dari kelima percobaan iterasi yang dilakukan [6].

Hasil akurasi akhir ini menunjukkan tingkat kesesuaian prediksi gerakan motorik yang dilakukan classifier IT2FLS, berdasarkan input dataset EEG yang ada.

21

BAB III

DESAIN SISTEM

Pada bab ini akan dijelaskan mengenai rancangan sistem perangkat lunak yang akan dibuat. Perancangan yang dijelaskan meliputi data dan proses. Data yang dimaksud adalah data yang akan diolah dalam perangkat lunak kemudian digunakan sebagai pembelajaran maupun pengujian sehingga tujuan Tugas Akhir ini bisa tercapai. Proses yaitu tahap-tahap yang ada dalam sistem sebagai pengolah data meliputi Empirical Mode Decompotition

dan Interval Type 2 Fuzzy Logic System.

3.1. Desain Umum Sistem

Rancangan perangkat lunak deteksi penyakit epilepsi dengan menggunakan Empirical Mode Decompotition (EMD) dan Interval Type 2 Fuzzy Logic System (IT2FLS) dimulai dengan melakukan

preprocessing yaitu dekomposisi sinyal dan ekstraksi fitur. Proses dekomposisi sinyal dilakukan dengan menggunakan metode EMD. Setiap data sinyal otak manusia yang menjadi masukan akan menghasilkan beberapa Intrinsik Mode Function (IMF) yang bersifat monoton dan satu nilai residu dari sinyal tersebut. Fungsi IMF yang dihasilkan memiliki nilai amplitudo yang berbeda-beda yang akan berpengaruh pada proses selanjutnya. Pemilihan pengambilan fungsi IMF harus diperhatikan sesuai dengan karakteristik sinyal yang sebenarnya.

Proses ekstraksi fitur dari satu rekaman sinyal otak manusia yang telah terdekomposisi, dilakukan dengan cara mengambil nilai

standard deviation dari setiap fungsi IMF. Keluaran dari tahap di atas adalah data set baru yang siap digunakan untuk data masukan pada tahap selanjutnya yaitu klasifikasi menggunakan IT2FLS. Data tersebut akan dibagi menjadi dua yaitu, data pembelajaran dan data pengujian. Dari proses klasifikasi tersebut akan didapatkan nilai performa sistem yang telah dibuat. Data pembelajaran akan menghasilkan sebuah model klasifikasi yang

akan digunakan untuk proses pengujian performa. Pengujian performa dilakukan dengan menggunakan metode K-Fold Cross Validation seperti yang telah dijelaskan pada bab sebelumnya dengan parameter yang berbeda-beda sesuai dengan skenario. Diagram alir desain umum perangkat lunak ditunjukkan pada Gambar 3.1 berikut ini.

23

3.2. Desain Data

Pada sub bab ini akan dijelaskan mengenai data yang digunakan sebagai masukan perangkat lunak. Data tersebut akan diolah dan dilakukan pengujian sehingga menghasilkan data keluaran yang diharapkan.

3.2.1.Data Masukan

Data masukan adalah data yang digunakan sebagai masukan awal dari sistem. Pada percobaan yang dilakukan untuk perangkat lunak deteksi penyakit epilepsi dengan menggunakan Empirical Mode Decompotition dan Interval Type 2 Fuzzy Logic System

adalah data sinyal otak manusia (EEG) yang dapat diunduh dari website milik ''Klinik für Epileptologie, Universität Bonn''. Data tersebut terdiri dari lima set rekaman EEG yaitu set A, B, C, D, dan E. Dari setiap set berisi 100 data sinyal otak single-channel yang masing-masing data berdurasi 23,6 detik dan dengan menggunakan frekuensi 173.61 Hz serta menghasilkan 4097 nilai. Kelima data set tersebut diambil dari orang yang berbeda dengan kondisi yang berbeda pula. Secara kasat mata, keseluruhan data telah diperiksa ada tidaknya derau pada setiap sinyal yang dihasilkan [3].

Proses perekaman untuk data set A dan set B diambil dari sukarelawan yang sehat namun dengan kondisi yang berbeda. Data set A direkam dengan keadaan mata terbuka sedangkan set B dengan keadaan mata tertutup. Data set C, set D, dan set E merupakan data sinyal otak dari pasien penderita epilepsi. Sama halnya dengan data set A dan set B, perekaman dilakukan dalam kondisi yang berbeda. Data set C diambil dari pasien penderita epilepsi tidak kejang dengan keadaan mata terbuka sedangkan set D diambil dari pasien penderita epilepsi tidak kejang dengan keadaan mata terbuka. Untuk data set E merupakan sinyal otak pasien yang diambil ketika sedang dalam keadaan kejang.

Berdasarkan penjelasan di atas dapat disimpulkan bahwa ada 200 data sinyal otak manusia sehat, 200 data sinyal otak manusia penderita epilepsi tidak kejang, dan 100 data sinyal otak manusia pederita epilepsi kejang [3]. Contoh sinyal dari masing-masing data set mulai A hingga E secara berurutan ditunjukkan pada Gambar 3.2 di bawah ini.

Gambar 3.2 Contoh data masukan masing-masing data set [3] 3.2.2.Data Keluaran

Data masukan akan diproses dengan menggunakan metode

Empirical Mode Decomposition dan Interval Type 2 Fuzzy Logic System (IT2FLS). Pada metode klasifikasi IT2FLS, data akan dibagi menjadi dua yaitu data pembelajaran dan pengujian. Hasil dari proses klasifikasi tersebut adalah nama kelas dan nilai-nilai performa yaitu nilai accuracy.

25

3.3 Ekstraksi Fitur Sinyal Hasil Empirical Mode

Decomposition

Pada tahap ini data masukan yang digunakan adalah data sinyal EEG mentah yang diperoleh dari website. Data tersebut akan dilakukan pemrosesan dengan cara didekomposisi menjadi

Intrinsik Mode Function (IMF) dan satu buah residu. Setiap sinyal EEG dapat terdekomposisi menjadi fungsi IMF dengan jumlah yang berbeda-beda, namun tetap menghasilkan satu buah residu. Untuk alur proses dekomposisi sinyal dengan EMD dapat dilihat pada Gambar 3.3.

Setiap fungsi IMF memiliki nilai amplitudo yang berbeda-beda. Nilai amplitudo akan berbanding terbalik dengan fungsi IMF, semakin besar nilai fungsi IMF maka semakin kecil nilai ampiltudo yang dihasilkan. Berdasarkan studi literatur yang digunakan pada tugas akhir ini disebutkan bahwa fungsi IMF yang memiliki karakteristik menyerupai sinyal asli EEG otak manusia yaitu fungsi

IMF satu hingga lima. Setelah dihasilkan sinyal EEG yang telah terdekomposisi,

maka tahap selanjutnya akan dilakukan proses ekstraksi fitur. Setiap fungsi IMF hasil dekomposisi akan dihitung nilai standard deviation. Sehingga pada setiap satu data sinyal EEG akan menghasilkan lima nilai standard deviation yang dijadikan fitur. Seluruh fitur dalam sebuah dataset dijadikan satu ke dalam matriks penampung. Setiap satu data sinyal EEG yang memiliki lima nilai fitur akan disimpan dalam matriks penampung sebagai satu baris baru. Sehingga, jika satu sinyal awal menghasilkan lima fitur dan satu label kelas, maka akan dihasilkan matriks baru berukuran N x F, dimana N adalah jumlah trial untuk masing-masing kelas, sedangkan F adalah jumlah fitur yang dihasilkan dari proses ekstraksi fitur.

Gambar 3.3 Diagram Alir Proses Dekomposisi Sinyal

3.4 Klasifikasi dengan Interval Type 2 Fuzzy Logic System Interval Type-2 Fuzzy Logic System (IT2FLS) merupakan

classifier yang dipilih pada tugas akhir ini karena kemampuannya dalam menangani ketidakpastian antara batas sebuah kelas dengan kelas lainnya. Ketidakpastian ini terletak pada data sinyal EEG untuk manusia normal dengan penderita epilepsi kejang. Data masukan komponen dari hasil Empirical Mode Decomposition

pada proses ekstraksi fitur akan difuzzifikasi, dengan tujuan mencari keluaran hasil inferensinya berdasarkan fuzzy rule yang dihasilkan. Keluaran yang dihasilkan pada tahap klasifikasi ini adalah dua kelas yaitu manusia sehat atau penderita epilepsi.

Untuk model IT2FLS ini, jumlah rule yang akan dibuat adalah sejumlah trial yang dijadikan sebagai training data,

27

sedangkan jumlah masukan pada bagian premis setiap rule

mengikuti jumlah komponen hasil ekstraksi fitur pada tahap sebelumnya. Bagian konsekuen dari rule akan berisi nilai “0” atau “1” tergantung kelas trial-nya, dimana nilai “0” untuk manusia sehat, dan nilai “1” untuk penderita epilepsi kejang.

Pertama dilakukan proses kontruksi membershipfunction

(mf) untuk setiap rule yang akan mewakili setiap training trial. Pada IT2FLS ini terdapat dua mf, yaitu lower mf dan upper mf. Kedua mf ini merupakan karakteristik utama IT2FLS. Bentuk mf yang akan digunakan adalah trapezoidal. Untuk membership function untuk kelas 0, lower mf diambil dari nilai komponen (fitur) dikurangin nilai standard deviation komponen. Sedangkan

upper mf nya diambil dari nilai komponen (fitur) dikurangin lima kali nilai standard deviation komponen. Ilustrasi membership fumction bentuk trapezoidal terdapat pada Gambar 3.4.

Gambar 3.4 Ilustrasi Membership Function Untuk Kelas 0 dan Kelas 1

Berdasarkan Gambar 3.3, untuk membership function kelas 0, nilai

P2, P3, P6, P7diambil dari nilai komponen (fitur) pada setiap data kelas 0. Nilai P3(lower mf kelas 0) didapatkan dari nilai komponen (fitur) dikurangi nilai standard deviation komponen. Nilai P8 (lower mf kelas 0) didapatkan dari nilai komponen (fitur) ditambah nilai standard deviation komponen. Nilai P1 (upper mf kelas 0) didapatkan dari nilai komponen (fitur) dikurangi 5 kali nilai

standard deviation komponen. Nilai P4 (upper mf kelas 0)

P1 P5 P2 P6 P7 P3 P8 P4 P9 1

didapatkan dari nilai komponen (fitur) ditambah 5 kali nilai

standard deviation komponen.

Sedangkan untuk membership function kelas 1, nilai P2, P3,

P6, P7 diambil dari nilai komponen (fitur) pada setiap data kelas 0. Nilai P3(lower mf kelas 1) didapatkan dari nilai komponen (fitur) dikurangi nilai standard deviation komponen. Nilai P8 (lower mf kelas 1) didapatkan dari nilai komponen (fitur) ditambah nilai

standard deviation komponen. Nilai P1 (upper mf kelas 1) didapatkan dari nilai komponen (fitur) dikurangi 0,5 kali nilai

standard deviation komponen. Nilai P4 (upper mf kelas 1) didapatkan dari nilai komponen (fitur) ditambah 0,5 kali nilai

standard deviation komponen.

Setelah proses ini dilakukan, akan terdapat dua matriks terpisah yaitu matriks membership function untuk kelas 0 (Mf0) dan membership function untuk kelas 1 (Mf1). Masing-masing matriks akan berdimensi N x P, dimana N adalah jumlah trial untuk masing-masing kelas, sedangkan P adalah poin-poin yang diperlukan untuk mf berbentuk trapezoidal yaitu P1, P2, P3, P4, P5,

P6, P7, P8.

Setelah mf untuk setiap komponen pada setiap trial selesai dikonstruksi, maka akan disusun rule yang mewakili setiap trial -nya. Pada setiap rule akan terdapat dua bagian utama, yaitu bagian premis dan bagian konsekuen. Pada bagian premis akan disusun mf setiap komponen menggunakan matriks hasil konstruksi mf sebelumnya. Setiap baris pada matriks premis X, akan terdiri dari poin-poin P yaitu P1, P2, P3, P4, P5, P6, P7, P8, P9 untuk setiap komponen K, sehingga total akan terdapat P x K buah kolom. Panjang baris matriks premis X sendiri akan berjumlah N, yaitu total trial yang dijadikan sebagai training data.

Bagian konsekuen dari rule IT2FLS akan membentuk matriks Y, yang terdiri dari N buah baris. N merupakan jumlah total

trainingtrial atau sama dengan jumlah baris pada matriks X. Setiap baris pada Y akan diberi nilai 0 atau 1 tergantung kelas dari trial

yang berada pada baris yang sama pada matriks premis X. Kedua matriks ini, X dan Y, bersama dengan matriks data testing akan

29

menjadi masukan untuk melakukan klasifikasi dengan IT2FLS. Hasil klasifikasi yang didapat akan disimpan dalam matriks y. Matriks y akan terdiri dari N baris sesuai jumlah trial yang menjadi data testing, dimana masing-masing baris akan berisi nilai dalam rentang 0 hingga 1. Nilai yang kurang dari 0,5 akan dimasukkan sebagai kelas 0 sedangkan nilai di atasnya akan dimasukkan sebagai kelas 1. Garis besar proses-proses pada tahap ini dapat dilihat pada Gambar 3.5.

3.5 Proses Testing Klasifikasi IT2FLS

Data training yang digunakan pada proses testing ini yaitu 15.762, 20.123, 18.373, 16.527. Sedangkan, data testing yang digunakan yaitu 14.132. Dari data training tersebut dilakukan proses kontruksi membership function (MF) dan kontruksi rule.

Pertama, dilakukan proses kotruksi membership function

dengan menggunakan persamaan (10) kemudian di dapatkan hasil seperti pada Tabel 3.1. Untuk hasil kontruksi MF pada seluruh data testing dapat dilihat di lampiran.

Tabel 3.1 Kontruksi MF Data Training

Upper MF Lower MF P1 P2 P3 P4 P5 P6 P7 P8 -9.53924 15.762 15.762 41.06324 10.70175 15.762 15.762 20.82225 -5.17824 20.123 20.123 45.42424 15.06275 20.123 20.123 25.18325 -6.92824 18.373 18.373 43.67424 13.31275 18.373 18.373 23.43325 -8.77424 16.527 16.527 41.82824 11.46675 16.527 16.527 21.58725

Kedua, dilakukan proses kontruksi bagian premis yang diambil dari nilai membership function nya dan konsekuensi yang diambil dari nilai truth label, kemudian disusun menggunakan persamaan (9), dan didapatkan hasil seperti pada Tabel 3.2 dan Tabel 3.3. Untuk hasil kontruksi rule dari seluruh data testing dapat dilihat di lampiran.

Ketiga, proses defuzifikasi dengan melakukan perhitungan kombinasi data testing ke semua keluaran dari rule sebanyak K

berdasarkan persamaan (15), dimana 𝑌𝑙 merupakan batas bawah interval keluaran yang dihitung berdasarkan persamaan (13) dan

𝑌𝑟 merupakan batas atas interval keluaran yang dihitung berdasarkan persamaan (14).

31

Tabel 3.2 Kontruksi Bagian Premis dari Rule

P1 P2 P3 P4 P5 P6 P7 P8 P9

-9.53924 15.762 15.762 41.06324 10.70175 15.762 15.762 20.82225 1 -5.17824 20.123 20.123 45.42424 15.06275 20.123 20.123 25.18325 1 -6.92824 18.373 18.373 43.67424 13.31275 18.373 18.373 23.43325 1 -8.77424 16.527 16.527 41.82824 11.46675 16.527 16.527 21.58725 1

Tabel 3.3 Kontruksi Bagian Konsekuensi dari Rule

𝒚

𝒏

𝒚

𝒏 0 0 0 0 0 0 0 0

Tabel 3.4 Keluaran IT2FLS

Berdasarkan hasil yang didapatkan pada Tabel 3.4, nilai 𝑦 yang kurang dari 0,5 akan dimasukkan sebagai kelas 0 sedangkan nilai

𝑦 di atasnya akan dimasukkan sebagai kelas 1.

3.6 Uji Performa

Pengujian tingkat akurasi classifier pada tugas akhir ini menggunakan k-fold cros-validation, dimana keseluruhan dataset yang ada dibagi menjadi sebanyak k fold, kemudian untuk setiap

fold dilakukan iterasi dimana fold ke-i menjadi data testing, sedangkan (k-1) fold sisanya menjadi data training.

𝑌𝑙 𝑌𝑟 𝑦

Dalam tugas akhir ini jumlah k yang digunakan adalah sebanyak 5 fold, sehingga jumlah keseluruhan dataset awal akan dibagi sebanyak lima bagian dahulu sebelum seluruh rangkaian pemrosesan pada data sinyal dilaksanakan. Selanjutnya terhadap setiap fold dilakukan proses iterasi dimana fold ke-i akan berperan sebagai data testing, sedangkan 4 fold sisanya menjadi data

training.

Iterasi pengujian kemudian dilakukan sebanyak k kali, sampai semua fold terpakai sebagai training untuk classifier. Pada setiap iterasi dicatat hasil akurasi yang didapatkan, kemudian dicari rata-rata akhir akurasi dari kelima percobaan iterasi yang dilakukan. Hasil akurasi akhir ini menunjukkan tingkat kesesuaian prediksi gerakan motorik yang dilakukan classifier IT2FLS, berdasarkan masukan dataset EEG yang ada.

33

BAB IV

IMPLEMENTASI SISTEM

Bab ini membahas tentang implementasi dari sistem klasifikasi sinyal EEG dengan Empirical Mode Decomposition dan

Interval Type-2 Fuzzy Logic System. Pembahasan implementasi ini meliputi deskripsi lingkungan tahap implementasi sistem ini dilakukan, proses-proses pada tahap implementasi yang dikerjakan, beserta penjelasan fungsi-fungsinya dalam bentuk kode program.

4.1. Lingkungan Implementasi

Subbab ini akan menjelaskan mengenai lingkungan implementasi perangkat lunak yang akan dibangun. Spesifikasi perangkat keras yang digunakan dalam implementasi perangkat lunak adalah prosesor berjenis Intel(R) Celeron(R) CPU B820 @ 1.70 GHz, dengan kapasitas memori (RAM) sebesar 2.00 GB.

Sistem operasi yang digunakan adalah Microsoft Windows 10 32 Bit, sedangkan perangkat lunak yang digunakan dalam proses implementasi adalah MATLAB R2014a.

4.2. Implementasi Program

Sub bab implementasi ini menjelaskan tentang pembangunan perangkat lunak secara detail termasuk menampilkan kode program bila diperlukan mulai preprocessing

hingga uji performa. Sebelumnya perlu diketahui bahwa dalam Tugas Akhir ini, data set yang digunakan yaitu set A dan set E rekaman sinyal otak manusia dengan tujuan agar pemrosesan lebih sederhana.

4.2.1.Implementasi Dekomposisi Sinyal dengan Empirical Mode Decomposition

Empirical Mode Decomposition (EMD) adalah proses dekomposisi sinyal yang akan digunakan untuk mencari fitur dari setiap data sinyal EEG. Pada tugas akhir ini metode EMD menggunakan sebuah program open source berbasis Matlab yang diperoleh dari mathwork yang dapat di unduh dari alamat URL https://www.mathworks.com/matlabcentral/fileexchange/21409-empirical-mode-decomposition.

Keluaran dari proses dekomposisi setiap data sinyal EEG berupa fungsi IMF dan sebuah sinyal residu. Hasil dekomposisi setiap sinyal akan tersimpan pada sebuah struct yang berukuran 1

x P, P merupakan jumlah Intrinsik Mode Fuction (IMF) dan satu sinyal residu. Pada setiap P berisi matriks berukurun 1 x T, T

merupakan jumlah data poin untuk setiap

trial

yaitu 4097 nilai.

Proses ekstraksi fitur pada setiap fungsi IMF dilakukan dengan cara menghitung nilai standard deviation. Keluaran proses ekstraksi fitur disimpan dalam sebuah matriks baru yang berukuran

N x F,

N

merupakan jumlah

trial

yaitu sebanyak 200 dan

F

merupakan jumlah fitur yang dihasilkan dari 5 IMF x 1 nilai fitur. Kode program 4.1 di bawah ini adalah kode program ekstraksialldata.m untuk mendekomposisi sinyal dan ekstraksi fitur.

Berdasarkan kode program di bawah, pada baris tiga digunakan untuk memanggil fungsi EMD. Keluaran hasil dekomposisi sinyal disimpan dalam variabel hasilEMD. Kemudian dilakukan perulangan sebanyak lima kali untuk mehitung standard deviation pada setiap fungsi IMF yang akan menjadi fitur dari setiap sinyal. Setalah itu, hasil ekstraksi fitur akan disimpan dalam sebuah file. Penyimpanan secara terpisah ini bertujuan untuk memudahkan untuk proses selanjutnya, yaitu proses klasifikasi.

35 1 for i = 3 : 202 2 % Load data .... 3 hasilEMD = emd(signal(:,i)); 4 5 dim = ndims(hasilEMD); 6 M = cat(dim+1, hasilEMD{:}); 7 8 dev = std(M); 9 10 for j = 1 : 5 11 ekstraksifitur(z,k)=dev(j); 12 end 13 end

Kode Sumber 4.1 Kode program membaca dan mendekomposisi sinyal dengan EMD

4.2.2. Implementasi Klasifikasi Dengan Interval Type-2 Fuzzy Logic System

Setelah didapatkan nilai-nilai komponen setiap trial hasil ekstraksi fitur, IntervalType-2 FuzzyLogicSystem (IT2FLS) akan diterapkan untuk melakukan klasifikasi. Jumlah rule pada IT2FLS sebanyak jumlah trial yang dijadikan sebagai training data dan dibagi menjadi dua bagian yaitu premis dan konsekuen. Untuk membuat bagian premis rule ini diperlukan terlebih dahulu representasi membership function (mf) setiap komponennya. Sesuai sifat dari IT2FLS, setiap mf akan terdiri dari dua jenis mf yaitu lower mf dan upper mf, dengan bentuk yang digunakan adalah triangular. Kode sumber pada Gambar 4.2 berisi fungsi

membership_function.m yang digunakan untuk konstruksi mf setiap komponen pada setiap rule.

Pada kode program Gambar 4.2, masing-masing mf untuk setiap kelas akan membentuk matriks sendiri, dimana lower mf dan

upper mf untuk kelas “0” adalah matriks Mf0, lower mf dan upper

mf untuk kelas “1” adalah matriks Mf1. Setiap baris matriks mf akan terdiri dari poin-poin pada bentuk triangular yang digunakan

sebagai mf. Nilai puncak segitiga setiap mf diperoleh nilai setiap komponen pada setiap trial. Untuk lower mf, poin kaki-kaki segitiga akan didapat dari standard deviation masing-masing komponen pada masing-masing kelas, sedangkan untuk upper mf kelas “0” kaki-kaki segitiganya adalah 4,5 kali lebih lebar dari kaki-kaki lower mf kelas “0” dan untuk upper mf kelas “1” kaki-kaki segitiganya adalah 0,5 kali lebih lebar dari kaki-kaki-kaki-kaki lower mf kelas “0”. Sehingga antara lebar upper mf kelas “0” dan upper mf kelas “1” memiliki perbandingan nilai 1:10 dari nilai standard deviation masing-masing komponen pada setiap kelas.Untuk hasil pembentukan membership function setiap data terdapat di lampiran.

Berdasarkan kode program 4.2 diatas, terdapat fungsi separate_data yang digunakan untuk membagi data menjadi dua kelas. Fungsi tersebut diimplementasikan pada sebuah kode program separate_data.m seperti pada Gambar 4.3. Setelah mf untuk setiap komponen masing-masing trial selesai dibuat, maka bagian premis dan konsekuen rule akan disusun melalui fungsi

generate_rule.m pada Gambar 4.4.

1 function [Mf0,Mf1]=membership_function(data,label,traintrial)

2 [data0,data1] = separate_data(data,label,traintrial);

3 …

4 % cari standard deviation untuk setiap komponen 5 ...

6 % konstruksi model mf untuk kelas “0” 7 for i=1:row0

8 for j=1:col0-1

9 Mf0 = vertcat(Mf0,[data0(i,j)-4.5*stddata(j,1) data0(i,j) data0(i,j) data0(i,j)+4.5*stddata(j,1) data0(i,j)- stddata(j,1) data0(i,j) data0(i,j)

data0(i,j)+stddata(j,1)]);

10 end

11 end

12

37

14 for i=1:row1 15 for j=1:col1-1

16 Mf1 = vertcat(Mf1,[data1(i,j)-0.5*stddata(j,2) data1(i,j) data1(i,j) data1(i,j)+0.5*stddata(j,2) data1(i,j)- stddata(j,2) data1(i,j) data1(i,j)

data1(i,j)+stddata(j,2)]); 17 end

18 end

Kode Sumber 4.2 Kode sumber untuk konstruksi membership function

1 function [data0,data1] = separate_data(data,label,traintrial)

2 ... 3 4 for i=1:traintrial 5 if(label(1,i)==0) 6 if(isempty(data0)) 7 data0(i,:)=horzcat(data(i, :), 0); 8 else 9 data0=vertcat(data0, horzcat(data(i,:), 0)); 10 end 11 12 else 13 if(isempty(data1)) 14 data1(1,:)=horzcat(data(i, :), 1); 15 else 16 data1=vertcat(data1, horzcat(data(i, :), 1)); 17 end 18 end 19 end 20 end

1 function [X,Y]=rule(Mf0,Mf1,label,feature) 2 .... 3 X=[] 4 for z=1:col0 5 temp=[]; 6 i=feature*(z-1)+1; 7 for j=1:feature 8 if(j==1)

9 temp=[Mf0(i+(j-1),1) Mf0(i+(j-1),2) Mf0(i+(j-1),3) Mf0(i+(j-1),4) Mf0(i+(j-1),5) Mf0(i+(j-1),6) Mf0(i+(j-1),7) Mf0(i+(j-1),8) 1];

10 else

11 temp=horzcat(temp,[Mf0(i+(j-1),1) Mf0(i+(j-1),2) Mf0(i+(j-1),3) Mf0(i+(j-1),4) Mf0(i+(j-1),5)

Mf0(i+(j-1),6) Mf0(i+(j-1),7) Mf0(i+(j-1),8) 1]); 12 end 13 end 14 X(z,:)=temp; 15 z=z+1; 16 end 17 18 z=1; 19 for z=1:col1 20 temp=[]; 21 i=feature*(z-1)+1; 22 if(j==1)

23 temp=[Mf1(i+(j-1),1) Mf1(i+(j-1),2) Mf1(i+(j-1),3) Mf1(i+(j-1),4) Mf1(i+(j-1),5) Mf1(i+(j-1),6) Mf1(i+(j-1),7) Mf1(i+(j-1),8) 1];

24 else

25 temp=horzcat(temp,[Mf1(i+(j-1),1) Mf1(i+(j-1),2) Mf1(i+(j-1),3) Mf1(i+(j-1),4) Mf1(i+(j-1),5) Mf1(i+(j-1),6) Mf1(i+(j-1),7) Mf1(i+(j-1),8) 1]); 26 end

27 end

28 X(z+col0,:)=temp; 29 z=z+1;

39 31 32 Y=[]; 33 for i=1:(row0+row1)/feature 34 if(label(i)==0) 35 Y(i,:)=[0 0]; 36 else 37 Y(i,:)=[1 1]; 38 end 39 end 40 end

Kode Sumber 4. 4 Kode sumber untuk penyusunan IT2FLS rule

bagian 2

Bagian premis rule akan membentuk matriks X, sedangkan bagian konsekuennya pada matriks Y. Setiap baris pada matriks X

premis sebuah rule, dan terdiri dari poin-poin pada upper mf dan

lower mf rule tersebut secara berurutan. Untuk hasil pembentukan premis rule dan bagian konsekuensi setiap data terdapat di lampiran.

Jumlah baris pada X total akan sejumlah N trial yang dijadikan sebagai training data. Sedangkan matriks konsekuen Y

akan memiliki baris yang berkorespondensi satu-satu dengan matriks X, dimana setiap baris akan terdiri dari angka 0 atau 1. Angka 0 diberikan apabila trial pada rule tersebut merupakan kelas “0”, demikian pula angka 1 untuk kelas trial “1”.

Pengklasifikasian terhadap matriks data akan dilakukan seperti pada kode sumber Gambar 4.5. Masukan x pada fungsi di atas merupakan matriks data sinyal dengan N baris jumlah testing trial yang akan diklasifikasi.

1 [y{fold}, yl, yr]=IT2FLS(x{fold},X{fold},Y{fold})

Kode Sumber 4.5 Kode sumber untuk pemanggilan fungsi klasifikasi IT2FLS