Fakultas Ilmu Komputer
Universitas Brawijaya 2318
Klasifikasi Arah Gerak Diagonal Mata dan Normalisasi Sinyal Electrooculography dengan Metode Diferensiasi
Muhajir Ikhsanushabri1, Rizal Maulana2, Dahnial Syauqy3
Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1muhisri@student.ub.ac.id, 2rizal_lana@ub.ac.id, 3dahnial87@ub.ac.id
Abstrak
Komunikasi sangat penting bagi orang seperti pasien Amyotrophic Lateral Sclerosis (ALS) yang kehilangan hampir seluruh kemampuan untuk berbicara dan menulis, tetapi tidak dengan menggerakan mata. Saat ini, sudah terdapat beberapa teknik yang dapat membaca pergerakan mata yaitu menggunakan metode pelacakan pergerakan bola mata berbasis video yang memiliki akurasi tinggi namun harga jual yang sangat mahal yaitu menggunakan pemrosesan sinyal dengan input berupa gambar yang disebut sebagai image processing. Pemrosesan sinyal ini membutuhkan alat pendukung yaitu kamera untuk menangkap gambar dengan tingkat akurasi yang tinggi serta dengan mempertimbangkan faktor yang menimbulkan noise. Salah satu faktor tersebut yaitu lighting sehingga dengan metode ini akan sangat membutuhkan biaya yang sangat besar. Maka dari itu, dibutuhkan alternatif yang dapat melakukan pelacakan gerakan mata dengan memanfaatkan bio-sinyal dalam tubuh yaitu sistem pelacakan gerakan mata menggunakan Electrooculogrpahy (EOG) yang diterjemahkan pada sebuah arah gerak mata. Pada penelitian ini berfokus pada normalisasi sinyal dengan metode diferensiasi. Sistem yang dibuat dapat mengklasifikasi arah gerak mata sejumlah 8 arah yang ditampilkan pada 8 buah LED. Berdasarkan hasil pengujian sistem klasifikasi arah gerak mata memiliki hasil akurasi sebesar 100% dan berdasarkan hasil pengujian keseluruhan sistem dengan mengambil 5 orang sampel memiliki nilai rata-rata hasil dari setiap masing-masing subjek yaitu 79,25%.
Kata kunci: electrooculogram, moving average smoothing, normalisasi, diferensiasi, klasifikasi dengan threshold
Abstract
Communication is very important for people like Amyotrophic Lateral Sclerosis (ALS) patients who are not able to speak and write, but not with eye movements. At present, there are already several techniques that can read eye movements using the method based on video that has a high price that using signal calculations with input of images called image processing. This signal requires a camera that supports images with a high degree of accuracy and consideration factors that cause noises. One of these factors is lighting so that this method will require a very large cost. Therefore, an alternative is needed that can make eye movements using bio-signals in the body that issupported by movements using Electrooculography (EOG) that supports the direction of eye movements. This research discusses the signal normalization use Differentiation Method. The system can classify of eye movement 8 directions sen ton 8 LEDs. Based on the results of accuracy for eye movement direction is about 100% and based on the results of average accuracy the whole system by taking 5 samples of people is about 79.25%.
Keywords: electrooculogram, moving average smoothing, normalization, differentiation, classification with threshold
1. PENDAHULUAN
Komunikasi gerakan mata sangat penting bagi orang seperti pasien Amyotrophic Lateral
Sclerosis (ALS) yang telah kehilangan hampir seluruh kemampuan untuk berbicara dan menulis, tetapi tidak dengan gerakan mata (Fang, F. dan Shinozaki, T., 2018). Hal ini
menunjukkan kebutuhan akan teknologi otomatisasi dalam membaca pergerakan mata sangatlah penting bagi penyandang untuk berkomunikasi. Saat ini, sudah terdapat beberapa teknik, salah satunya yaitu metode pelacakan pergerakan bola mata berbasis video yang memiliki akurasi tinggi namun harga jual yang sangat mahal. Metode tersebut menggunakan pemrosesan sinyal dengan input berupa gambar yang disebut sebagai image processing. Pemrosesan sinyal ini membutuhkan alat pendukung yaitu kamera yang mampu menangkap gambar dengan tingkat akurasi yang tinggi serta mampu mempertimbangkan faktor yang dapat menimbulkan gangguan atau noise. Salah satu dari faktor tersebut yaitu lighting atau pencahayaan sehingga dengan menggunakan metode ini akan sangat membutuhkan biaya yang sangat besar. Maka dari itu, dibutuhkan suatu alternatif lain yang dapat melakukan pelacakan gerakan mata dengan memanfaatkan bio-sinyal dalam tubuh yaitu sistem pelacakan
gerakan mata menggunakan
Electrooculogrpahy (EOG) (Bharadwaj, S. dan Kumari, B., 2018).
Electrooculography adalah metode untuk merasakan gerakan mata dan didasarkan pada pencatatan potensi kornea-retina yang timbul dari hiperpolarisasi dan depolarisasi yang ada antara kornea dan retina (Navarro, R.B., et al., 2018). Sinyal yang dihasilkan EOG disebabkan oleh potensi antara kornea dan fundus mata dengan retina (Geddes, L.A. dan Baker, L.E., 1989). Metode ini memiliki tingkat kenyamanan yang cukup tinggi karena memiliki kompleksitas yang sedang, biaya yang rendah dan hanya membutuhkan pendukung berupa komponen listrik (Vicente, A.O., et al., 2014).
Banyak faktor yang sulit untuk menentukan sinyal EOG, salah satunya yaitu dapat berasal dari gangguan biopotensial lain seperti EEG (electroencephalogram) dan EMG (electromyogram). Faktor lain berasal dari penempatan elektroda, kontak elektroda dengan kulit, dan kondisi pencahayaan (Navarro, R.B., et al., 2018).
Untuk meminimalkan kecacatan ini, upaya yang harus dilakukan pada tahap akuisisi sinyal yaitu memastikannya ditangkap dengan gangguan seminimal mungkin. Dalam penelitian ini akan diterapkan penguatan sinyal EOG dengan gain 416 kali dan juga pengaplikasian filter low-pass dengan frekuensi
cut-off pada 5Hz tanpa filter high pass.
Kemudian untuk dapat menerjemahkan sinyal EOG pada sebuah arah gerak mata, peneliti akan melakukan pemrosesan perangkat lunak yang berfokus pada normalisasi sinyal dengan metode diferensiasi. Pada tahap akhir, sistem yang akan dibuat dapat mengklasifikasi arah gerak mata sejumlah 8 arah yang akan ditampilkan pada 8 buah LED.
Metode normalisasi dengan diferensiasi didasari pada perubahan nilai input berdasarkan pada waktu (O’Haver, M., 2019). Sinyal yang didapatkan dari EOG selalu bervariatif pada posisi nol nya atau ketika mata di tengah sehingga penerapan diferensiasi dapat bermanfaat untuk diaplikasikan. Diferensiasi pada pengaplikasiannya sangat rentan terhadap noise, terlebih jika diaplikasikan pada pembacaan biosinyal (O’Haver, M., 2019).
Meskipun noise ini tidak terlalu jelas dalam sinyal asli, itu lebih terlihat pada turunannya.
Maka dari itu, diferensiasi tidak dapat terlepas dari pengaplikasian denoising atau smoothing sinyal.
Pada penelitian sebelumnya, sistem pembacaan sinyal EOG dapat diklasifikasi dalam 4 arah gerak mata (Muchlis, I., et al., 2018). Namun, sistem tersebut tidak mengaplikasikan metode diferensiasi untuk mengidentifikasi posisi mata di tengah pada nilai nol. Kemudian, sistem tersebut diimplementasikan menggunakan exponential filter/smoothing untuk mengurangi noise. Maka dari itu, penelitian ini akan melakukan perhitungan rata-rata dari range tertentu. Salah satu algoritma smoothing yang paling umum yaitu moving average. Algoritma smoothing ini dapat menangani perlambatan trend pada algoritma sebelumnya karena tidak menggunakan perhitungan sinyal sebelumnya (n-1) sebagai variabel penting dalam smoothing.
Penelitian ini mengembangkan klasifikasi arah gerak mata yang sebelumnya dapat mengklasifikasi 4 arah yaitu horizontal kanan kiri dan vertikal atas bawah menjadi 8 arah dengan menambahkan klasifikasi arah diagonal mata. Dengan ini, sistem akan dibuat untuk mengklasifikasi arah gerak mata ke atas, bawah, kanan, kiri, kiri atas, kiri bawah, kanan atas, dan kanan bawah. Penambahan arah gerak diagonal ini dikembangkan dengan harapan memperbanyak jangkauan pengguna dalam
memilih aksi dalam 1 kali kesempatan menggerakkan mata.
2. LANDASAN KEPUSTAKAAN 2.1. Electrooculography
Electrooculography adalah teknik membaca potensi istirahat retina. Dan sinyal yang dihasilkan yaitu electrooculogram.
Perangkat yang menghitung tegangan antara dua elektroda ditempatkan pada wajah subjek sehingga dapat mendeteksi pergerakan mata (Bharadwaj, S. dan Kumari, B., 2018).
2.2. Disposable Electrode
Elektroda merupakan perangkat elektronik yang dapat mencatat dan mengukur biopotensial yang ada di dalam tubuh. Dalam dunia medis, elektroda dikenal dalam beberapa jenis antara lain elektroda suction, metal-plate, floating, fleksibel dan masih banyak lagi (Zainul, A., 2005). Umumnya, elektroda yang banyak dipakai dalam dunia medis ialah dengan menggunakan disposable electrode dimana memiliki keuntungan harga yang terjangkau namun memiliki daya pakai yang tidak cukup lama. Biopotensial elektroda banyak digunakan pada sistem peralatan medis terutama untuk pengukuran potensial dengan alat ECG, EEG, EMG, dan EOG.
2.3. Moving Average
Moving average ialah sebuah teknik perhitungan yang fungsinya untuk memperhalus serangkaian data yang mudah menguap (volatile) dengan menghitung rata-rata dari nilai tetangga (Federal Reserve Bank of Dallas, 2012).
2.4. Diferensiasi
Diferensial numerik dari sinyal digital yaitu memiliki banyak kegunaan dalam pemrosesan sinyal analitis. Turunan pertama dari sinyal adalah laju perubahan y dengan x, yaitu, dy / dx, yang ditafsirkan sebagai kemiringan dari garis singgung terhadap sinyal pada setiap titik.
2.5. Penguat Instrumentasi
Penguat instrumentasi sering digunakan sebagai penguat tegangan yang langsung berasal dari sensor atau transduser. Penguat
instrumentasi merupakan penguat lingkar tertutup dengan masukan diferensial, rasio penolakan modus bersama (CMRR) tinggi yakni lebih dari 100 dB, dan penguatannya dapat diatur dengan Adjustable Variable (potensio) tanpa mempengaruhi harga CMRR.
Penguat instrumentasi yang bermutu tinggi sudah dibuat dalam bentuk IC yang siap jual.
2.6. Filter Orde Kedua (Hardware Filter) Filter adalah suatu rangkaian yang berguna untuk menyaring sinyal dari noise (derau).
Sebuah filter dapat dirancang menggunakan sebuah resistor dan kapasitor. Opamp akan digunakan sebagai penguat tegangan yang dibutuhkan. Sebagian besar desain jenis filter orde kedua yaitu low pass filter, high pass filter, band pass filter, dan band stop filter.
3. METODOLOGI PENELITIAN 3.1. Metode Umum
Metode penelitian yang akan digunakan di dalam penelitian skripsi ini yaitu terdiri dari kebutuhan penelitian dalam bidang kepustakaan, dasar teori pemrosesan serta pengolahan proses apa saja yang akan dilakukan untuk dapat menciptakan sebuah sistem. Adapun langkah-langkah yang dilakukan dalam penelitian ini ditunjukkan pada Gambar 1 dalam bentuk flowchart yang menjelaskan proses dari penelitian skripsi ini.
Gambar 1. Diagram Metode Penelitian
3.2. Subjek atau Partisipan
Subjek penelitian dalam penelitian skripsi
ini merupakan orang yang ditentukan tidak berdasarkan umur ataupun gender. Teknik pengambilan sampel untuk subjek penelitian ini, diambil dengan menggunakan teknik pengambilan sampel yaitu simple random sampling sehingga setiap subjek penelitian memiliki kesempatan yang sama. Menurut Nielsen (2000), hasil pengujian yang baik dapat diperoleh melalui tidak lebih dari 5 orang atau subjek penelitian. Maka dari itu di dalam penelitian ini, jumlah subjek penelitian terdiri atas 5 orang yang diambil secara acak yang mana memiliki kesempatan yang sama.
Adapun subjek penelitian pada penelitian skripsi ini dapat dilihat pada Tabel 1.
Tabel 1. Subjek Penelitian Subjek
Penelitian Nama
S1 Chikam
S2 Sabit
S3 Ibnu
S4 Dwiki
S5 Dimas
4. REKAYASA KEBUTUHAN 4.1. Gambaran Umum Sistem
Sistem secara umum dapat digambarkan sebagai alat pendeteksi arah gerak mata secara realtime. Alat ini bekerja dengan cara menempelkan beberapa elektroda di sekitar wajah dan hasil akuisisi arah gerak mata ditampilkan pada serangkaian LED yang ditempatkan sesuai dengan arah gerak mata.
Sinyal EOG berukuran mikro volt sehingga perlu dilakukan pemrosesan sinyal menggunakan komponen listrik sederhana agar dapat diproses melalui mikrokontroler.
Pemrosesan ini bertujuan untuk pengklasifikasi dua buah sinyal EOG channel vertikal dan horizontal untuk didapatkan kombinasinya menjadi 8 arah gerak mata.
4.2. Karakteristik Pengguna
Sistem ini dapat digunakan untuk semua orang yang ingin mengetahui arah gerak mata secara otomatis. Pengguna dari sistem ini tidak memiliki keterbatasan usia maupun gender.
Pengguna juga diharapkan dapat mendengar dengan baik atau melalui pendamping dikarenakan ada beberapa feedback dari sistem berupa suara dari buzzer yang berfungsi mempermudah pemakaian sistem.
4.3. Lingkungan Operasi
Adapun lingkup operasi dari sistem ini akan dijelaskan sebagai berikut:
1. Disposable Electrode
2. Rangkaian penguat instrumentasi 3. Rangkaian filter low-pass
4. Analog to Digital Converter (ADC) yang terdapat pada mikrokontroler Arduino 5. Pemrosesan perangkat lunak pada Arduino
terdiri dari pemrosesan smoothing sinyal EOG yang dibaca oleh ADC
6. Rangkaian 8 buah LED
4.4. Analisis Kebutuhan Fungsional
Berikut ini adalah kebutuhan fungsional dari sistem akan dijelaskan sebagai berikut:
1. Sistem mampu mengakuisisi beda potensial kornea-retina mata.
2. Sistem mampu menguatkan sinyal EOG untuk dapat dibaca oleh mikrokontroller.
3. Sistem mampu mengeliminasi tegangan noise secara analog.
4. Sistem mampu membaca sinyal EOG pada mikrokontroler secara jelas.
5. Sistem mampu mengklasifikasi sinyal ke dalam 8 arah gerak mata.
6. Sistem mampu menampilkan hasil keluaran berupa antarmuka pengguna.
4.5. Analisis Kebutuhan Non Fungsional Kebutuhan non fungsional pada sistem ini mengacu pada nilai reability dan up-time system. Sistem harus dapat terus beroperasi selama pemakaian dan juga dapat digunakan kembali dalam jangka waktu tertentu.
4.6. Kebutuhan Perangkat Lunak
Perangkat lunak yang diperlukan dalam perancangan dan implementasi adalah Arduino IDE 1.8.9.
4.7. Kebutuhan Perangkat Keras
Perangkat keras yang diperlukan dalam perancangan dan implementasi sebagai berikut:
1. LaptopES
2. OneDot Disposable Electrode
Comment [DS1]: Jika ada library tambahan bisa dituliskan dalam bentuk per pin dan dijelaskan itu library utk apa
3. Operational Amplifier OP07 4. Voltage Converter ICL7660S CPA 5. Resistor dan kapasitor
6. Mikrokontroler Arduino Pro Micro 7. Light Emmiting Diode (LED) 5. PERANCANGAN DAN
IMPLEMENTASI 5.1. Perancangan Sistem
5.1.1. Perancangan Keseluruhan Sistem Perancangan keseluruhan sistem dapat dilihat pada Gambar 2.
Gambar 2. Gambaran Umum Sistem Gambaran umum sistem dari penelitian ini yaitu dari pembacaan sensor elektroda untuk pembacaan electrooculogram. Elektroda sebanyak 5 buah ditempelkan untuk pembacaan EOG. Kemudian nilai yang didapat dari sensor elektroda akan diproses pada rangkaian pengkondisi sinyal agar dapat dibaca oleh mikrokontroler. Kemudian 2 channel sinyal EOG dikirim ke mikrokontroler. Tahap pemrosesan pada mikrokontroler dilakukan untuk mengetahui arah gerak mata yang akan ditampilkan melalui 8 buah LED yang masing- masing ditempatkan sesuai dengan 8 arah gerak mata. Untuk mengetahui arah gerak mata, dilakukan denoising dan normalisasi dengan metode diferensiasi. Hasil sinyal yang telah dinormalisasi kemudian dilakukan klasifikasi untuk menentukan arah gerak mata.
5.1.2. Perancangan Perangkat Keras 5.1.2.1. Peletakan Elektroda
Peletakan elektroda pada wajah dapat dilihat pada Gambar 3.
Gambar 3. Peletakan Elektroda EOG
5.1.2.2. Rangkaian Pengkondisi Sinyal Rangkaian memiliki masukan 2 channel yang masing masing dijadikan sebagai masukan 2 rangkaian penguat sinyal. Selanjutnya sinyal diproses pada rangkaian filter low pass yaitu untuk mengeliminasi noise yang dihasilkan oleh biopotensial lain. Dalam mendapatkan tegangan sumber negatif, juga dirancang pengkonversi tegangan positif ke negatif pada rangkaian pengkondisi sinyal.
a. Rangkaian Pengkonversi Tegangan Pada rancangan rangkaian pengkonversi tegangan dilakukan perancangan untuk mengkonversi tegangan sumber positif 5 volt menjadi negatif 5 volt.
b. Rangkaian Penguat Instrumentasi Penguat instrumentasi dipilih berdasarkan sinyal EOG yang memiliki tegangan positif dan negatif. Rangkaian penguat instrumentasi terdiri atas rangkaian penguat diferensial dan penguat penyangga (buffer). Rangkaian penguat instrumentasi memiliki variabel untuk mengatur berapa kali penguatan yang akan dilakukan pada rangkaian.
c. Rangkaian Filter Low Pass Orde 2 Sinyal biopotensial hasil pembacaan elektroda yang telah dikuatkan oleh penguat operasional perlu dilakukan peredaman sesuai dengan frekuensi biopotensial yang ingin diukur. Sinyal EOG memiliki rentang frekuensi 0.1Hz sampai dengan 5Hz sehingga perlu diredam menggunakan rangkaian filter low pass.
5.1.2.3. Sinyal Masukan dan Keluaran pada Mikrokontroler
Sinyal masukan EOG dari rangkaian pengkondisi sinyal akan dikirimkan ke mikrokontroler melalui pin ADC internal.
Masukan sistem terdiri dari 2 channel sinyal
EOG yaitu vertikal dan horizontal. Kemudian sinyal diterima oleh masing masing pin ADC internal pada mikrokontroler. Setelah diolah pada mikrokontroler didapatkan hasil klasifikasi arah gerak mata yang akan ditampilkan pada serangkaian LED yang disusun dan ditempatkan sesuai dengan arah pergerakan mata. Masing-masing LED dikeluarkan oleh mikrokontroler melalui pin digital. Terdapat juga sebuah buzzer sebagai feedback system untuk membantu pengguna mengetahui kapan sistem bisa menggerakkan mata atau tidak.
Perancangan penempatan LED pada project box sistem dapat dilihat pada Gambar 4.
Gambar 4. Desain Perancangan Penempatan LED
5.1.3. Perancangan Perangkat Lunak Diagram alir dari perancangan perangkat lunak secara keseluruhan dapat dilihat pada Gambar 5.
Gambar 5. Diagram Alir Perancangan Perangkat Lunak
5.1.3.1. Perancangan Metode Moving Average Smoothing
Perancangan metode denoising ini dapat dijelaskan menggunakan diagram alir pada Gambar 6.
5.1.3.2. Perancangan Normalisasi dengan Metode Diferensiasi
Skematik dari perancangan normalisasi yang digunakan dapat dilihat pada Gambar 7.
5.1.3.3. Perancangan Klasifikasi Arah Gerak Mata
Diagram alir pada perancangan klasifikasi arah gerak mata berdasarkan sinyal EOG channel vertikal dan horizontal dengan parameter threshold dan waktu aktuasi dapat dilihat pada Gambar 8 dan Gambar 9.
Gambar 6. Diagram Alir Perancangan Moving Average Smoothing
Gambar 7. Diagram Alir Perancangan Normalisasi dengan Diferensiasi
Gambar 8. Diagram Alir Klasifikasi Arah Mata 1
Gambar 9. Diagram Alir Klasifikasi Arah Mata 2
5.2. Implementasi Sistem
5.2.1. Implementasi Peletakan Elektroda Implementasi peletakan elektroda dapat dilihat pada Gambar 10.
Gambar 10. Implementasi Penempatan 5 Buah Sensor Elektroda
5.2.2. Implementasi Rangkaian Pengkondisi Sinyal
Keseluruhan implementasi RPS ini dicetak dalam 1 papan sirkuit yang memiliki input berupa sinyal EOG dari pembacaan sensor
elektroda dan output berupa sinyal EOG yang telah dilakukan pengkondisian sinyal sesuai aturan pembacaan sinyal analog EOG.
Tampilan tampak depan dan tampak belakang dari PCB dapat dilihat pada Gambar 11 dan Gambar 12.
Gambar 11. Implementasi PCB Tampak Depan
Gambar 12. Implementasi PCB Tampak Belakang
5.2.3. Implementasi Sistem Masukan dan Keluaran pada Mikrokontroler
Implementasi sistem keluaran mikrokontroler berupa rangkaian LED yang disusun sesuai dengan arah gerak mata.
Implementasi sistem masukan dan keluaran ini diimplementasikan dengan PCB dot matrix 6x8 double layer. Tampilan dari tampak depan PCB dan tampak belakang PCB dapat dilihat pada Gambar 13 dan Gambar 14. Tampak depan PCB juga digunakan sebagai antarmuka pengguna.
Gambar 13. Implementasi PCB Keluaran Sistem (Tampak Depan) sebagai antarmuka
Gambar 14. Implementasi PCB Masukan Sistem (Tampak Belakang)
5.2.4. Implementasi Pengemasan Keseluruhan Sistem pada Project Box X3
Tampilan perspektif project box dapat dilihat pada Gambar 15, Gambar 16, dan Gambar 17.
Gambar 15. Implementasi Pengemasan Sistem
Gambar 16. Penempatan LED Sesuai Arah Gerak Mata
Gambar 17. Tampak Depan Project Box
6. PENGUJIAN
6.1. Pengujian Rangkaian Pengkondisi Sinyal EOG
Pada saat melakukan pengujian ke-5, peneliti mendapatkan sinyal EOG channel horizontal berada pada range positif dan terkadang berada pada range negatif. Peneliti mencoba membacanya pada mikrokontroler
untuk merekam tampak grafik yang berada di sekitaran 0 volt (-0.x volt hingga 0.x volt).
Berikut penampakan grafik sinyal EOG pengujian ke-5 yang dapat dilihat pada Gambar 18.
Gambar 18. Sinyal Hasil Pembacaan EOG pada Mikrokontroler Pengujian Ke-5
6.2. Pengujian Denoising Sinyal EOG dengan Hasil Normalisasi
Hasil pengujian pencarian nilai n terbaik untuk denoising sinyal EOG tercatat 3 buah sinyal yaitu sinyal noised (raw), sinyal denoised, dan normalisasinya. Sinyal tercatat pada 2 buah grafik yaitu 1 grafik menunjukkan sinyal noised dan denoised kemudian 1 grafik yang lain menunjukkan sinyal normalized.
Sinyal tersebut didapatkan untuk setiap pengujian nilai n.
6.3. Pengujian Klasifikasi Arah Gerak Mata Hasil pengujian klasifikasi arah gerak mata dapat dilihat pada Tabel 2.
Tabel 2. Hasil Pengujian Klasifikasi Arah Mata
No. Arah Mata Rata-Rata Akurasi
1 Atas 100%
2 Kiri Atas 100%
3 Kiri 100%
4 Kiri Bawah 100%
5 Bawah 100%
6 Kanan Bawah 100%
7 Kanan 100%
8 Kanan Atas 100%
6.3. Pengujian Keseluruhan Sistem
Pengujian keseluruhan sistem dilakukan analisis dengan melihat akurasi per subjek penelitian dan akurasi tiap arah gerak mata pada 5 subjek. Berikut adalah perhitungan rumus yang peneliti gunakan untuk mengukur akurasi dari subjek ke-1:
Kemudian dalam mengukur akurasi tiap arah gerak mata pada arah atas dilakukan dengan rumus berikut:
Dari hasil perhitungan tersebut didapatkan hasil pengujian keseluruhan sistem yang melibatkan 5 subjek penelitian dapat dilihat pada Tabel 3.
Tabel 3. Hasil Pengujian Klasifikasi Arah Mata Subjek Penelitian (persentase) Arah
Mata Subjek Penelitian Akurasi S1 S2 S3 S4 S5
Atas 80 80 70 60 50 68
Kiri
Atas 100 80 80 70 50 76
Kiri 90 100 80 80 60 82
Kiri
Bawah 70 90 40 80 50 66
Bawah 100 100 100 80 70 90 Kanan
Bawah 80 100 100 90 80 90
Kanan 90 90 90 70 60 80
Kanan
Atas 100 100 80 90 40 82 Total 88,75 92,5 80 77,5 57,5 79,25
7. KESIMPULAN
Sensor EOG dirancang dan diimplementasikan dengan 5 buah elektroda yang dihubungkan dengan rangkaian pengkondisi sinyal (RPS). Pada rangkaian pengkondisi sinyal ini dilakukan pemrosesan sinyal EOG secara analog dan penyaringan (filter) low pass. Penguat instrumentasi dengan gain 416 kali dan Low Pass Filter dengan cut- off 5Hz berhasil diimplementasikan sebagai pemroses pembacaan EOG.
Sebelum melakukan klasifikasi dari sinyal pembacaan EOG, sinyal mentah yang diterima dari RPS dilakukan denoising dengan metode Moving Average Smoothing. Didapatkan hasil parameter peredam sinyal pada pengujian yaitu n = 200. Nilai n ini telah teruji dengan baik untuk dilanjutkan proses normalisasi dengan metode diferensiasi.
Penggunaan nilai n=200 (parameter peredam sinyal) telah berhasil membuat sinyal normalisasi EOG tidak fluktuatif dan tetap dapat membaca pergerakan mata yang cepat.
Penggunaan nilai n=5 teruji memiliki hasil sinyal normalisasi yang sangat fluktuatif.
Sedangkan penggunaan nilai n=500 tidak dapat membaca pergerakan mata yang cepat.
Pergerakan mata dianggap valid ketika normalisasinya memiliki sebuah puncak dan sebuah lembah pada masing-masing channel.
Pada pengujian sistem klasifikasi arah gerak mata dilakukan 2 tahap pengujian, yaitu pengujian klasifikasi dengan menganggap tidak memiliki noise dan pengujian klasifikasi dengan menggunakan rangkaian pengkondisi sinyal. Hasil pengujian dengan menganggap sensor tidak memiliki noise mendapatkan hasil akurasi sebesar 100%. Sedangkan hasil pengujian keseluruhan sistem dengan mengambil 5 orang sampel didapatkan rata-rata akurasi 79,25%. Akurasi pada orang ke-1 menunjukkan nilai 88,75%, orang ke-2 92,5%, orang ke-3 80%, orang ke-4 77,5%, dan orang ke-5 yang mengalami akurasi terkecil yaitu 57,5%.
8. DAFTAR PUSTAKA
Barea, R., Boquete, L., Rodriguez-Ascariz, J.
M., Ortega, S. dan Lopez, E. 2011.
Sensory system for implementing a human-computer interface based on electrooculography. Department of Electronics, University of Alcalá, Alcalá de Henares 28871, Madrid, Spain, 11, 310-328. doi:
10.3390/s110100310.
Bharadwaj, S. & Kumari, B. 2018.
Electrooculography Analysis on Device Control by Signal Processing. Central University of Punjab, Bathinda, India.
Fang, F. & Shinozaki, T. 2018.
Electrooculography-based continuous eye-writing recognition system for efficient assistive communication systems. Department of Information and Communication Engineering, School of Engineering, Tokyo Institute of Technology, Yokohama, Kanagawa, Japan.
Federal Reserve Bank of Dallas. Smoothing Data with Moving Averages [Online]
Tersedia di:
<https://www.dallasfed.org/research/ba sics/moving.aspx> [Diakses pada 13 Juni 2020].
Geddes, L. A. & Baker, L. E. 1989. Principles of applied biomedical instrumentation,
3rd edition. Encyclopedia of Medical Devices and Instrumentation, ISBN:
978-0-471-60899-8.
Muchlis I., Maulana R., & Fitriyah H. 2018.
Implementasi pengenalan pergerakan bola mata menggunakan elektroda dengan exponential filter. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. 2(9), p. 3093-3102.
Navarro, B. R.., et al. 2018. EOG-based Wheelchair Control. [Online] Tersedia di: < https://doi.org/10.1016/B978-0- 12-812892-3.00016-9> [Diakses pada 5 Mei 2020].
O'Haver, M. 2019. A Pragmatic* Introduction
to Signal Processing with Applications in Scientific Measurement. Maryland:
Department of Chemistry and Biochemistry.
Vicente, A. O., Pablo, A., & Esteban, J. P., 2014. Eye-tracking capabilieties of low- cost EOG system. Engineering in Medicine and Biology Society (EMBC), 2014 36th Annual International Conference of the IEEE, II(12), pp.
610-613.
Zainul, A. 2005. Biopotensial elektroda di bidang medis. Departemen Fisika Kedokteran Universitas Sumatra Utara, 3(12), pp. 1-4.
