KLASIFIKASI TINGKAT KONSENTRASI MENGGUNAKAN SUPPORT VECTOR MACHINE BERDASARKAN PEMBACAAN SINYAL
ELECTROENCEPHALOGRAPHY
SKRIPSI
GRACE FLORENCE 161402134
PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA MEDAN
2021
KLASIFIKASI TINGKAT KONSENTRASI MENGGUNAKAN SUPPORT VECTOR MACHINE BERDASARKAN PEMBACAAN SINYAL
ELECTROENCEPHALOGRAPHY
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
GRACE FLORENCE 161402134
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2021
iii
PERNYATAAN
KLASIFIKASI TINGKAT KONSENTRASI MENGGUNAKAN SUPPORT VECTOR MACHINE BERDASARKAN PEMBACAAN SINYAL
ELECTROENCEPHALOGRAPHY
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Jakarta, 30 Desember 2021
Grace Florence 161402134
iii
UCAPAN TERIMA KASIH
Segala puji syukur penulis ucapkan kepada Tuhan Yesus Kristus, karena atas kasih karunia dan berkat-Nya penulis dapat 0menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Komput0er Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan Teknologi Inf0ormasi Universitas Sumatera Utara.
Skripsi ini penulis persembahkan kepada keluarga penulis. Ayah Romulus Manurung dan Ibu Marlyn Siagian (+) sebagai orangtua penulis yang selalu memberikan dukungan kepada penulis. Kepada abang penulis Romelyn Frans Yoseph, kakak penulis Clara Anggreani dan Sandhika Serra yang selalu mendukung dan menyemangati penulis dalam keadaan apapun.
Ucapan terima kasih penulis sampaikan kepada:
1. Bapak Dr. Muryanto Amin, S.Sos., M.Si selaku Rektor Universitas Sumatera Utara.
2. Ibu Dr. Maya Silvi Lydia, M.Sc., selaku Dekan Fasilkom-TI Universitas Sumatera Utara.
3. Ibu Sarah Purnamawati, ST., MSc., selaku Ketua Program Studi S1 Teknologi Informasi Universitas Sumatera.
4. Bapak Dedy Arisandi ST., M.Kom., selaku Sekretaris Program Studi S1 Teknologi Informasi Universitas Sumatera.
5. Bapak Seniman, S.Kom., M.Kom., selaku Dosen Pembimbing 1 dan Bapak Baihaqi Siregar, S.Si., MT., selaku Dosen Pembimbing 2 yang telah memberikan dukungan dan motivasi kepada penulis.
6. Sahabat penulis, Harva Isa Berlin Boru Malau S.E yang selalu menjadi support system, penyemangat dan penghibur penulis dalam menyelesaikan skripsi.
7. Sahabat penulis, Agnes Manurung S.Kom, Dina Tya Erawaty S.Kom, dan Timothy Christian Purba S.Kom yang telah membantu penulis selama perkuliahan dan tempat bertukar pikiran dan motivasi penulis.
8. Sahabat seperjuangan, Enike Dewinta Sembiring S.Kom dan Gabriela Dwi Lady Sembiring S.Kom yang selalu bersama dengan penulis selama masa kuliah, tempat berbagi cerita, tawa, dan penyemangat.
9. Sahabat penulis, Masnida Squad (Shere Siregar S.E, Dela Miranda S.E,
Febrianty Natasya S.Hut) yang setia menemani, menghibur dan menjadi rumah kedua bagi penulis.
10. Sahabat penulis, GO Squad (Edi, Apri, Citra, Mega, Sebastian, Amir, Monika, Titin, Melati, Syarah) yang telah memberikan hiburan bagi penulis.
11. Teman-teman Teknologi Informasi Kom B angkatan 2016 yang selama masa kuliah selalu membantu dan mendukung penulis pada setiap mata kuliah selama perkuliahan.
Penulis mengucapkan terimakasih untuk semua yang terlibat, semoga Tuhan memberikan berkat kepada pihak yang terlibat dalam memberi dukungan pada penulis dalam menyelesaikan skripsi ini.
Jakarta, 30 Desember 2021
Penulis
v
ABSTRAK
Konsentrasi adalah kemampuan berpikir dengan memberikan perhatian penuh pada suatu objek. Konsentrasi sangat dibutuhkan karena pikiran dapat dikendalikan dan melatih daya ingat. Namun, banyak manusia yang mengalami gangguan konsentrasi dikarenakan berbagai faktor, seperti stress, kecanduan pada alkohol atau obat-obatan, kondisi metobolisme menurun, tidak cukup tidur, dan multitasking yang membuat otak harus bekerja keras. Oleh karena itu, Konsentrasi dapat diketahui dengan menggunakan sinyal Electroencephalography. Fungsi EEG yaitu untuk merekam aktivitas elektrik pada kulit kepala dengan melalui pengukuran fluktuasi tegangan yang dihasilkan arus ion di dalam neuron otak. Tujuan penelitian ini ialah untuk mempermudah para ahli dalam membaca hasil sinyal EEG untuk mengklasifikasi tingkat konsentrasi . metode yang digunakan yaitu Support Vector Machine untuk mengklasifikasi tingkat konsentrasi. Data EEG pada penelitian ini diambil dari Mendeley, dan Physionet dengan format edf. Pada peneltian ini, data EEG berjumlah 250 data yang dibagi dua bagian, yaitu 200 data sebagai data latih dan 50 data sebagai data uji. Kemudian, data melalui proses pre-processing, featutre extraction, dan classification menggunakan metode Support Vector Machine. Hasil yang diperoleh pada penelitian ini yaitu precision 84%, recall 84%, dan akurasi sebesar 84%.
Kata Kunci : Electroencephalography, Signal Processing, Konsentrasi, Support Vector Machine (SVM).
CLASSIFICATION OF CONCENTRATION LEVEL USING SUPPORT VECTOR MACHINE BASED ON READING
ELECTROENCEPHALOGRAPHY SIGNAL
ABSTRACT
Concentration is the ability to think by giving a full attention to an object.
Concentrations are highly needed because the mind can be controlled and train the memory. However, many humans experience concentration disorders due to various factors, such as stress, addiction to alcohol or drugs, metobolisme conditions decreased, not enough sleep, and multitasking that makes the brain have to work hard. Therefore, Concentration can be known by using Electroencephalography signals. An EEG function is to record electrical activity on the scalp by fluctuating measurement through the measurement of stress fluctuations that generate the ion current within the brain neuron. The purpose of this study is to facilitate experts in reading EEG signal results to classify concentration levels. the method used is Vector Support VectorMNine to class concentration levels. EEG data on this study was taken from Mendeley, and Physionet in the edf format. On this peneltian, data from the EEG data numbered by two parts, namely 200 data as train data and 50 data as test data. Then, the data through the process of pre-processing, featutre extraction, and classification using the VectorMNs method. The results obtained in this study were precision 84%, recall 84%, and accuracy of 84%.
Keywords : Electroencephalography, Signal Processing, Concentration, Support Vector Machine (SVM).
vii
DAFTAR ISI
PERSETUJUAN i
PERNYATAAN ii
UCAPAN TERIMA KASIH iii
ABSTRAK v
ABSTRACT vi
DAFTAR ISI vii
DAFTAR TABEL x
DAFTAR GAMBAR xi
BAB I PENDAHULUAN 1
1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Tujuan Penelitian 3
1.4 Batasan Masalah 3
1.5 Manfaat Penelitian 3
1.6 Metodologi Penelitian 4
1.7 Sistematika Penulisan 5
BAB II LANDASAN TEORI 6
2.1 Konsentrasi 6
2.2 Electroencephalography 8
2.3 Preprocessing 12
2.3.1 High Pass Filter 12
2.4 Ekstraski Fitur 12
2.4.1 PyEEG 12
2.5 Support Veector Machine 13
2.6 Penelitian Terdahulu 15
BAB III ANALISIS DAN PERANCANGAN SISTEM 20
3.1 Data yang digunakan 20
3.2 Arsitektur Umum 22
3.3 Prepocessing 22
3.3.1 High Pass Filter 22
3.4 Feature Extraction 23
3.4.1 PyEEg 23
3.5 Classfication 24
3.5.1 Support Vector Machine 24
3.5.2 Cross Fold Validation 27
3.6. Perancangan Umum 27
3.6.1. Rancangan tampilan halaman awal 27
3.6.2 Rancangan tampilan halaman tambah data 27
3.6.2 Rancangan tampilan halaman prediksi data 28
3.6.2 Rancangan tampilan halaman latih data 29
BAB IV IMPLEMENTASI DAN PEMBAHASAN 30
4.1 Implementasi Sistem 30
4.1.1 Spesifikasi Hardware dan Software 30
4.1.2 Implementasi perancangan Antarmuka1 30
4.1.2.1 Rancangan tampilan halaman awal 30
4.1.2.2 Rancangan tampilan halaman tambah data 31 4.1.2.3 Rancangan tampilan halaman prediksi data 32 4.1.2.4 Rancangan tampilan halaman latih data 32
4.1.3 Implementasi Data 33
ix
4.2 Prosedur Operasional 34
4.3 Pengujian Sistem 40
4.4 Analisis dan Akurasi 43
BAB V KESIMPULAN DAN SARAN 46
5.1 Kesimpulan 46
5.2 Saran 46
DAFTAR PUSTAKA 48
DAFTAR TABEL
Tabel 2.1 Jenis Gelombang Otak 10
Tabel 2.2. Penelitian Terdahulu 19
Tabel 3.1 Jumlah Data Sinyal EEG 22
Tabel 3.2 Contoh Data Training 25
Tabel 3.3 Hasil Perhitungan Kernel 26
Tabel 3.4 Matrix Hessian 26
Tabel 3.5 Hasil Perhitungan Nilai Error 26
Tabel 3.6 Contoh Data Testing 27
Tabel 3.7 Hasil Perhitungan Kernel 27
Tabel 4.1 Hasil Pengujian Proses Klasifikasi Pada Data Uji 41
xi
DAFTAR GAMBAR
Gambar 2.1. Pola Sinyal EEG 9
Gambar 2.2. Sistem 10-20 11
Gambar 2.3. Penempatan Elektroda 11
Gambar 2.4. High Pass Filter 12
Gambar 2.5. Hyperplane Terbaik 15
Gambar 3.1. Contoh Data Sinyal EEG 21
Gambar 3.2. Arsitektur Umum 23
Gambar 3.3. Sinyal EEG Sebelum dan Sesudah High Pass Filter 23
Gambar 3.4 Rancangan Tampilan Halaman Awal 28
Gambar 3.5 Rancangan Tampilan Tambah Data 29
Gambar 3.6 Rancangan Tampilan Prediksi Data 29
Gambar 3.7 Rancangan Tampilan latih Data 30
Gambar 4.1 Tampilan Halaman Awal Aplikasi 31
Gambar 4.2 Tampilan Halaman Tambah Data 31
Gambar 4.3 Tampilan Halaman Latih data 32
Gambar 4.4 Tampilan Halaman Prediksi Data 33
Gambar 4.5 Data Sinyal EEG Kategori Konsentrasi Rendah 33 Gambar 4.6 Data Sinyal EEG Kategori Konsentrasi Tinggi 34
Gambar 4.7 Tampilan Halaman Awal 34
Gambar 4.8 Tampilan Halaman Browse Data Sinyal EEG 35
Gambar 4.9 Keterangan Data Sinyal EEG 35
Gambar 4.10 Tampilan Keterangan Pada Text Box 36
Gambar 4.11 Tampilan Hasil Visualisasi EEG 36
Gambar 4.12 Tampilan Latih Data 37
Gambar 4.13 Tampilan Pelatihan Data 37
Gambar 4.14 Tampilan Browse File 38
Gambar 4.15 Text Box, Frekuensi Minimal dan maksimal, Proses Data 38
Gambar 4.16 PSD, EEG, Hasil Filter 39
Gambar 4.17 Hasil Prediksi Data EEG 39
Gambar 4.17 Hasil Implementasi Data Uji Sinyal EEG 44
PENDAHULUAN
1.1. Latar Belakang
Konsentrasi adalah kemampuan berpikir untuk memberikan perhatian penuh pada suatu objek. Konsentrasi merupakan salah satu aspek psikologis yang sulit diketahui oleh orang lain selain diri individu. Hal ini terjadi karena aktivitas seseorang yang terlihat belum tentu sejalan dengan apa yang individu tersebut pikirkan
(
Aunurrahman, 2014).
Konsentrasi mudah sekali hilang karena individu tersebut merasa jenuh, lingkungan yang dialami individu tidak kondusif, kesehatan individu yang sedang tidak baik, dan kurangnya motivasi diri.
Kondisi pikiran seseorang ketika berpikir dapat diketahui dengan menggunakan sinyal Electroencephalography. Sinyal EEG dapat diketahui melalui kondisi pikiran sekalipun tidak melakukan suatu gerakan fisik apapun. Sinyal EEG digunakan untuk memberikan informasi fungsi otak. Sinyal EEG tidak dapat dilihat dalam pengamatan langsung karena memilki ukuran gelombang elektrik yang kecil. Perekaman sinyal EEG menghasilkan informasi aktivitas listrik dalam otak. EEG dapat memberikan kemudahan dalam perekaman sinyal dikarenakan dapat mengetahui kondisi pikiran seseorang seperti konsentrasi (Karmila, et al. 2016).
Berbagai penelitian mengenai sinyal Electroencephalography telah dilakukan seperti Liu et al (2017) yang melakukan penelitian dengan judul “Real-Time Movie- Induced Discrete Emotion Recognition from EEG Signals” pada penelitiannya yaitu membangun database 16 klip film emosional yang dipilih lebih dari seribu kutipan film yang dilakukan secara real-time untuk mengidentifikasi keadaan emosional seseorang
2
melalui analisis gelombang otak. Akurasi yang diperoleh mencapai 92,26% untuk emosi dan klasifikasi tiga emosi positif (sukacita, hiburan, kelembutan) dengan akurasi 86,43% dan empat emosi negatif (marah, jijik, takut, sedih) dengan akurasi 65,09%.
Penelitian selanjutnya dilakukan oleh Saha et al (2017) dengan penelitian “EEG Analysis for Cognitive Failure Detection in Driving Using Type-2 Fuzzy Classifiers”
Pada penelitian ini, mendeteksi kegagalan online cognitive dalam berkendara menggunakan sinyal EEG dengan klasifikasi waspada dan tidak waspada. Metode yang digunakan adalah type-2 Fuzzy dimana menetapkan neural classifier untuk menghilangkan ketidakpastian dalam klasifikasi motor planning. Akurasi yang diperoleh 88%.
Selanjutnya, Chiang et al (2017) yang melakukan penelitian berjudul “Wavelet- based EEG Processing for Epilepsy Detection using Fuzzy Entropy and Associative Petri Net”. Pada penelitian ini, diagnosis pasien epilepsi menggunakan Discrete Wavelet Transform untuk menganalisis sinyal EEG, dan meminimalkan entropi menggunakan Fuzzy untuk karakteristik masing-masing gelombang otak dan klasifikasi yang digunakan yaitu Associative Petri Net. Akurasi yang diperoleh mencapai 98,6%.
Selain itu, ada juga penelitian yang dilakukan oleh Krishna et al (2018) dengan berjudul “Emotion Classification Using EEG Signals Based on Tunable-Q Wavelet Transform”. Penelitian ini melakukan klasifikasi empat emosi dasar (bahagia, takut, sedih, dan rileks) berbasis Tunable-Q Wavelet Transform dengan menguraikan sinyal EEG ke dalam fitur ekstraksi time-domain. Fitur yang diekstraksi digunakan sebagai input ke Extreme Learning Machine Classifier untuk klasifikasi perasaan bahagia, takut, sedih, dan rileks. Akurasi yang diperoleh dari penelitian ini mencapai 87,1%.
Penelitian selanjutnya dilakukan oleh Cheong et al (2015) dengan berjudul
“Feature Etraction of EEG Signal Using Wavelet Transform for Autism Classification”.
Penelitian ini menggunakan Discrete Wavelet Transform untuk menganalisis sinyal EEG pada pasien autisme dengan melatih jaringan saraf Multilayer Perceptron (MLP) untuk mengklasifikasikan sinyal menjadi tiga tingkat keparahan terhadap autisme (ringan, sedang dan berat). Akurasi yang diperoleh mencapai 92,3%.
Berdasarkan latar belakang dan penelitian diatas, penulis mengajukan penelitian yang berjudul “KLASIFIKASI TINGKAT KONSENTRASI MENGGUNAKAN SUPPORT VECTOR MACHINE BERDASARKAN PEMBACAAN SINYAL ELECTROENCEPHALOGRAPHY“ dengan harapan dapat menghasilkan sistem yang
dapat mengklasifikasikan konsentrasi manusia dengan gelombang otak melalui sinyal EEG dengan akurat.
1.2. Rumusan Masalah
Konsentrasi sangat dibutuhkan pada setiap manusia ketika sedang melakukan suatu aktivitas. Banyak faktor yang mempengaruhi hilangnya konsentrasi manusia, seperti kondisi metobolisme menurun, mengkomsumsi obat dengan berbagai jenis, tidak cukup tidur, dan multitasking. Maka dari itu, diperlukan sistem yang dapat membaca sinyal gelombang otak dengan mengklasifikasi tingkat konsentrasi.
1.3. Tujuan Penelitian
Tujuan dari penelitian ini yaitu mengklasifikasikan konsentrasi melalui pembacaan sinyal Electroencephalography menggunakan metode Support Vector Machine.
1.4. Batasan Masalah
Penulis membuat batasan masalah untuk mencegah adanya penyimpangan permasalahan, antara lain:
1. Data yang digunakan tidak melakukan pengujian terhadap manusia yang menderita gangguan atau kerusakan terhadap otak.
2. Sinyal EEG yang digunakan adalah sinyal dengan format edf.
3. Penelitian ini menggunakan data dari Mendeley, Physiobank ATM.
4. Klasifikasi yang dihasilkan berupa konsentrasi tinggi dan konsentrasi rendah.
1.5. Manfaat Penelitian
Manfaat dari penelitian ini adalah :
1. Mempermudah dokter dan para ahli dalam membaca hasil sinyal EEG untuk mengklasifikasi tingkat konsentrasi.
2. Mengetahui hasil klasifikasi sinyal Electroencephalography dengan memanfaatkan metode Support Vector Machine.
4
1.6. Metodologi Penelitian
Beberapa tahapan yang akan dilakukan pada penelitian ini adalah sebagai berikut:
1. Studi Literatur
Tahap ini dilakukan dengan mempelajari dan mengumpulkan bahan referensi yang berkaitan dengan EEG, otak, signal processing, dan Support Vector Machine yang diperoleh dari berbagai sumber referensi untuk metode pembelajaran yang berkaitan dengan topik penelitian.
2. Analisis Permasalahan
Analisis permasalahan dilakukan sebelumnya untuk mendapatkan metode yang tepat untuk klasifikasi konsentrasi menggunakan metode Support Vector Machine.
3. Perancangan Sistem
Tahap ini dilakukan proses merancang arsitektur pengaplikasian sistem termasuk pengumpulan data, perancangan algoritma, dan metode-metode yang digunakan dalam penelitan.
4. Implementasi
Pada tahap ini dilakukan proses implementasi perancangan sistem ke dalam program menggunakan bahasa pemrograman Python.
5. Pengujian
Pada tahap ini dilakukan pengujian terhadap hasil yang didapatkan melalui implementasi algoritma Support Vector Machine dalam gelombang sinyal Electroencephalography pada tingkat konsentrasi bahwa hasil pengujian dilakukan sesuai yang telah dirancangkan.
6. Dokumentasi dan Penyusunan Laporan
Tahap ini merupakan hasil dari klasifikasi tingkat konsentrasi menggunakan metode SVM terhadap gelombang EEG didokumentasikan dan disusun dalam laporan agar mudah dipahami dan bisa dijadikan rujukan penelitan selanjutnya.
1.7. Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari lima bagian utama sebagai berikut:
BAB 1. PENDAHULUAN
Bab ini berisi latar belakang pemilihan judul skripsi “Klasifikasi Tingkat Konsentrasi Menggunakan Support Vector Machine Berdasarkan Pembacaan Sinyal Electroencephalography”, rumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian, metodologi penelitian dan sistematika penulisan.
BAB 2. LANDASAN TEORI
Pada bab ini berisi berbagai landasan teori yang digunakan untuk memahami permasalahan yang dibahas pada penelitian ini. Pada bab ini dijelaskan mengenai konsentrasi, Electroencephalography, dan metode Support Vector Machine.
BAB 3. ANALISIS DAN PERANCANGAN SISTEM
Bab ini membahas analisis permasalahan penelitian dan penjelasan tentang rancangan struktur program dalam menerapkan metode SVM dalam klasifikasi konsentrasi.
BAB 4. IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini berisi penjelasan implementasi sistem dari rancangan yang telah disusun pada Bab 3. Bab ini juga memaparkan hasil pengujian sistem yang telah dibangun.
BAB 5: KESIMPULAN DAN SARAN
Pada bab ini akan dijabarkan beberapa kesimpulan dari perancangan sistem serta saran untuk pengembangan penelitian lebih lanjut.
BAB 2
LANDASAN TEORI
2.1. Konsentrasi
Otak adalah suatu organ terpenting dalam tubuh manusia yang merupakan pengendali tubuh atau pusat dari sistem saraf. Volume otak berkisar 1.350 cc dan mempunyai 100 juta sel saraf (Sania Marcellina, 2015). Otak tersusun dari kumpulan neuron. Neuron mengirimkan sinyal dengan menyebarkan ke bagian-bagian tubuh secara terencana, aliran listrik yang dihasilkan menimbulkan gelombang kegiatan neuron yang terkoordinasi, dimana gelombang tersebut sedang mengubah bentuk otak dan membentuk sirkuit otak menjadi pola-pola yang tersusun.
Konsentrasi berkaitan dengan kemampuan kinerja otak, apabila kinerja otak dapat bekerja dengan maksimal maka mampu meningkatkan konsentrasi, begitu juga sebaliknya apabila terjadi gangguan pada bagian otak maka akan terjadi penurunan tingkat konsentrasi. Konsentrasi dapat diaktifkan oleh sensasi di dalam tubuh, untuk dapat mengaktifkannya diperlukan keadaan yang rileks dan suasana yang menyenangkan. (Prihastuti, 2012).
Konsentrasi adalah keadaan pikiran yang diaktifkan oleh sensasi di dalam tubuh dimana keadaan tersebut merupakan keadaan yang rileks dan suasana yang menyenangkan, karena dalam keadaan tegang seseorang tidak akan dapat menggunakan otak dengan maksimal (Dennison, 2018).
Odom dan Guzman (Nihayah, 2002) berpendapat bahwa dalam konsentrasi terdapat beberapa aspek yang harus diperhatikan, yaitu :
1. Pemusatan perhatian. Perhatian tiap individu dapat dipertahankan dengan bertambahnya usia yang dimilikinya, misalnya sesuatu yang sederhana lebih menyenangkan daripada sesuatu yang lebih kompleks.
2. Penyesuaian diri. Individu yang lebih fleksibel dapat memodifikasi dirinya sesuai kebutuhan dan diperlukan penyaringan informasi yang relevan agar dapat memberikan suatu keadaan yang “incidental learning”.
3. Berencana. Diperlukan strategi untuk mengarahkan perhatian dengan suatu perencanaan yang terorganisir yang dapat menyaring informasi yang lebih efisiensi.
4. Adaptasi. Dengan bertambahnya usia, seseorang dapat mengolah informasi yang lebih kompleks dan mampu memusatkan fokus perhatiannya dengan informasi yang ada.
Gangguan konsentrasi yang dapat menyebabkan kehilangan konsentrasi diantaranya sebagai berikut:
1. Mengalami perubahan perasaan yang cepat, sehingga sangat sulit untuk menguasai isi hatinya.
2. Selalu merasa khawatir akan hidupnya dapat mengganggu konsentrasi sehingga gelisah dan merasa takut.
3. Kesehatan yang sedang tidak baik dapat mengganggu seseorang berkonsentrasi dalam suatu kegiatan yang dilakukannya.
4. Tidak cukup tidur dapat menganggu konsentrasi, dan kesulitan mengingat kejadian yang terjadi sebelumnya.
5. Ketika seseorang merasa jenuh dalam belajar. Beban pelajaran yang harus dikuasai banyak, dan jadwal kegiatan belajar yang padat membuat seseorang merasa jenuh sehingga dapat mengganggu konsentrasi saat belajar.
Menurut Flanagan (2005) ada beberapa cara untuk meningkatkan konsentrasi, yaitu:
1. Memberikan kerangka waktu yang jelas agar mengetahui berapa lama tugas tersebut terselesaikan.
2. Tidak terlalu cepat berganti tugas satu ke tugas yang lain.
3. Hindari gangguan dalam ruangan yang dapat memecahkan konsentrasi.
8
4. Memberikan motivasi diri agar dapat kembali perhatiannya terhadap tugas yang dikerjakan.
5. Mendahulukan pekerjaan yang mudah daripada pekerjaan yang sulit yang dapat memakan waktu yang lama.
6. Menetapkan tujuan dan memberi apresiasi diri agar terus fokus dalam pekerjaannya.
Menurut Veenstra (dalam Sari, 2006) ada beberapa faktor yang dapat mempengaruhi konsentrasi belajar, yaitu:
1. Faktor usia. Kemampuan konsentrasi berkembang sesuai usia tiap individu.
2. Fisik. Kondisi neurogical system mempengaruhi dalam menyeleksi informasi dalam konsentrasi. Setiap individu memiliki kemampuan saraf otak yang berbeda dalam menyeleksi sejumlah informasi sehingga dapat mempengaruhi kemampuan dalam memusatkan perhatian.
3. Faktor pengetahuan dan pengalaman. Pengetahuan dan pengalaman turut berperan dalam konsentrasi pada objek yang belum dikenali polanya sehingga memudahkan individu dalam memusatkan pikirannya.
2.2. Electroencephalography
Richard Canton menemukan aktivitas elektris pada otak manusia sehingga perkembangan EEG (electroencephalography) menjadi sangat pesat. Tahun 1900 menempatkan EEG menjadi bagian yang tidak terpisahkan dari analisis kesehatan yang berkaitan dengan otak. Keberhasilan dari analisis sinyal EEG adalah pada ekstraksi ciri dan metode yang digunakan untuk mengolah menjadi sistem yang dibutuhkan. Salah satu penyebab sulitnya ekstraksi ciri pada sinyal EEG adalah ketika respons sinyal EEG terhadap beberapa kondisi yang ditentukan memiliki perbedaan yang tidak terlalu signifikan (Atmaji & Perwira, 2017).
Electroencephalography adalah metode untuk merekam aktivitas elektrik pada kulit kepala dengan melalui pengukuran fluktuasi tegangan yang dihasilkan arus ion di dalam neuron otak. Pengukuran sinyal electroencephalography dilakukan dengan cara meletakkan berbagai elektroda pada scalp (Mahendra, et al. 2016).
Electroencephalography (EEG) yaitu instrumentasi yang menangkap aktivitas
listrik pada otak. Beberapa dokter menggunakan EEG sebagai alat untuk mendiagnosa suatu penyakit seperti kejiwaan dan otak. Pengamatan pada sinyal EEG sangat sulit dikarenakan amplitudo pada sinyal EEG sangat rendah dan juga pola yang sangat kompleks (Nursubhan Nawir, 2011).
Sinyal EEG digunakan medis untuk mengukur aktivitas otak dengan cara menempatkan tiap elektroda pada kulit kepala. Prosedur ketika menggunakan EEG tidak mengharuskan seseorang untuk mencukur rambutnya dan proses yang dialami tidaklah menyakitkan (Raymundo Cassani, 2014).
Sinyal EEG dapat diperoleh dengan alat seperti Emotiv. Sinyal EEG yang diterima oleh komputer kemudian dilakukan membagi sinyal dengan amplitudo keseluruhan. Pola sinyal pada EEG ialah alpha, thetha, delta, beta dapat dilihat pada Gambar 2.1 (Wijayanto, et al. 2016).
Gambar 2.1. Pola Sinyal dari EEG
Otak manusia terdiri dari miliaran sel otak yang disebut neuron, kemudian neuron memancarkan gelombang listrik yang disebut gelombang otak. Gelombang otak dapat diukur melalui Electroencephalography (EEG). Setiap manusia memiliki gelombang otak yang konsisten. Hal tersebut dapat dilihat pada komposisi jenis gelombang pada saat tertentu. Komposisi gelombang otak menentukan tingkat kesadaran seseorang. Pola gelombang otak dapat mempengaruhi mental seseorang, seperti sedang bersedih atau bergembira, stres, cemas , bersemangat, dan energi, semua itu terjadi karena gelombang otak yang dikeluarkan oleh sel-sel saraf di otak. Jenis gelombang otak dapat dilihat pada Tabel 2.1.
10
Tabel 2.1. Jenis Gelombang Otak
Sinyal Electroencephalography dapat diperoleh dengan meletakan elektroda pada kulit kepala dengan urutan peletakan elektroda berdasarkan standar sistem 10 – 20 International Federation of Societies of Electroencephalogram. Penempatan elektroda terbagi menjadi empat bagian, yaitu Frontal (F) merupakan pengontrolan dan perencanaan gerakan, Parietal (P) yaitu menerima informasi mengenai indera peraba, Oksipital (O) yaitu menerima informasi rangsangan visual dan arti dari tulisan, dan Temporal (T) yaitu menerima informasi sensorik dari telinga dan berkaitan dengan memori jangka panjang. Sinyal Electroencephalography pada Standar sistem 10 - 20
Beta (β) 13 – 30 Hz
Waspada, Konsentrasi.
Pada kondisi Beta, otak akan mudah melakukan analisis dan penyusunan informasi, dan menghasilkan solusi serta ide baru.
Alpha (α) 8 – 13 Hz
Relaksasi, Visualisasi.
Pada kondisi Alpha, otak akan mudah melakukan
perenungan.
Thetha (θ) 4 – 8 Hz
Relaksasi mendalam, Peningkatan Memori.
Pada kondisi Thetha, gelombang ini akan muncul ketika sedang bermimpi saat tidur ringan.
Delta (δ) 0.5 – 4 Hz
Tidur Sangat Nyenyak.
Pada kondisi Delta,
gelombang akan melambat dikarenakan terjadi tidur dengan kondisi yang sangat dalam.
dapat dilihat pada Gambar 2.2 (Permana, et al. 2017).
Gambar 2.2. Sistem 10 – 20
Mengukur gelombang otak dengan menempelkan elektroda yang merupakan sensor untuk mengukur gelombang otak pada titik-titik tertentu di kulit kepala. Titik- titik tersebut biasanya mewakili satu fungsi pikiran. Misalnya pad a titik Fp1 berperan sebagai pusat konsentrasi. Penentuan titik-titik ini merupakan standar international dalam dunia Neurotherapy. Penjelasan penempatan elektroda dapat dilihat pada Gambar 2.3.
Gambar 2.3. Penempatan Elektroda
12
2.3. Preprocessing 2.3.1. High pass filter
High Pass Filter atau disebut juga dengan Filter Lolos Atas merupakan filter sinyal yang bekerja dengan cara meloloskan sinyal frekuensi yang tinggi dan menolak sinyal frekuensi rendah. Frekuensi tinggi yang diinginkan disebut passband, dan frekuensi rendah disebut stopband. Adapun gambaran High Pass Filter atau disebut filter lolos atas dapat dilihat pada Gambar 2.4.
Gambar 2.4. High Pass Filter
2.4. Ekstraksi Fitur
Ekstraksi fitur adalah proses feature (pengambilan ciri) dari sebuah objek lalu proses tersebut didapatkan karakteristik atau nilai tersebut. Tujuan dari ekstraksi fitur adalah untuk mencari daerah feature pada objek.
2.4.1. PyEEG
PyEEG adalah sebuah modul Python untuk mengekstraksi fitur EEG. PyEEG menggunakan fungsi Python standard dan struktur data Numpy. Fungsi ekstraksi fitur pada PyEEG yaitu mengembalikan nilai fitur tersebut. Ekstraksi fitur yang di dukung oleh PyEEG adalah sebagai berikut :
1. Higuchi Fractal Dimension
Dalam fitur ini Higuchi Fractal Dimension (HFD) untuk menghitung deret waktu X, adalah parameter dari HFD adalah Kmax.
𝐿(𝑚, 𝑘) = ∑ |𝑥𝑚+𝑖𝑘− 𝑥𝑚+(𝑖−1)𝑘|(𝑁−1)
[(𝑁−𝑚)/𝑘]
𝑖=2
[𝑁−𝑚
𝑘 ]𝑘
Metode untuk kemiringan garis yaitu,
𝐿(𝑘) = [∑𝑘𝑖=1𝐿(𝑖, 𝑘)]/𝑘 (2.1)
(2.2)
Dimana,
L(m,k) = panjang setiap deret waktu L(k) = panjang rata-rata
2. Singular Value Decomposition Entropy
Dalam fitur Singular Value Decomposition (SVD Entropy) untuk deret waktu X, Tau, and embedding dimension dE (default), dan M untuk nilai singular spectrum.
𝐻𝑆𝑉𝐷= − ∑𝑀𝑖=1𝜎𝑖𝑙𝑜𝑔2𝜎𝑖 3. Fisher Information
Fisher Information adalah normalized singular spectrum atau spektrum tunggal yang di normarlisasi dan fitur berskala.
𝐼 = ∑ (𝜎𝑖+1−𝜎𝑖)2
𝜎𝑖
𝑀−1𝑖=1
4. Detrended Fluctuation Analysis
Fitur ini adalah untuk menganalisis Fluktuasi Detrensi (DFA).
𝐹(𝑛) = √(1/𝑁) ∑𝑁𝑘=1[𝑦(𝑘) − 𝑦𝑛(𝑘)]2 Dimana,
F(n) = kemiringan garis y(k) − yn(k) = detrending
2.5. Support Vector Machine
Support Vector Machine (SVM) merupakan supervised learning yang digunakan untuk klasifikasi, regresi dan outliers detection. Model SVM dapat dikategorikan sebagai linear dan non-linear. SVM dapat disebut linear jika dalam memisahkan kelas, data dapat dibagi secara linear seperti hyperplane atau garis lurus, namun jika data dapat tidak dapat dibagi secara linear dan dapat diubah menjadi space yang dimana data dapat diubah menjadi linear maka disebut non-linear SVM.
Ada beberapa keuntungan dalam klasifikasi SVM, yaitu yang pertama ialah versatile. Fungsi keputusan dapat menentukan fungsi kernel yang berbeda. Kemudian (2.3)
(2.4)
(2.5)
14
yang kedua ialah efiesien dalam menggunakan memori dimana dalam fungsi keputusan menggunakan subset training points. Namun, ada beberapa kekurangan dalam menggunakan klasifikasi SVM, yaitu jika jumlah fitur jauh lebih banyak daripada jumlah sampel, over-fitting dalam memilih fungsi Kernel dan regularisasi yang sangat penting. Lalu yang berikutnya ialah SVM tidak secara langsung memberikan perkiraan probabilitas, ini dihitung menggunakan five-fold cross-validation.
Menurut Ritonga & Purwaningsih (2018) dalam memisahkan linear Support Vector Machine dengan mencari hyperplane dengan pemetaan nonlinier ke dimensi yang lebih tinggi, data dari dua kelas dapat dipisahkan dengan hyperplane. Hyperplane yang terletak diantara dua set obyek dari dua kelas merupakan hyperplane terbaik.
Hyperplane pemisah terbaik dapat ditemukan dengan mencari titik optimum dan mengukur margin hyperplane. Margin adalah jarak class terdekat antara hyperplane dengan pattern. Kemudian, Pattern yang paling dekat disebut sebagai support vector.
Hyperplane terbaik dapat dilihat pada gambar Gambar 2.5.
(a) (b)
Gambar 2.5 Hyperplane terbaik (Nugroho, 2003)
Pattern yang disimbolkan dengan kotak berwarna merah disebut class -1, sedangkan pattern lingkaran berwarna kuning disebut class +1. Klasifikasi dapat ditemukan dengan hyperplane yang memisahkan antara kedua kelompok tersebut.
Discrimination boundaries ditunjukkan pada gambar 2.5a. Sedangkan untuk hyperplane yang terbaik ditunjukkan pada gambar 2.5b, dimana terletak di antara kedua class, sedangkan titik yang berada dalam lingkaran yang berwarna merah dan kuning hitam adalah support vector. (Nugroho, 2003)
Karakteristik pada SVM yang pertama ialah memiliki prinsip linear classifier.
Kemudian yang kedua ialah menggunakan Structural Risk Minimization. Setelah itu, yang ketiga ialah melakukan pattern recognition dengan memasukkan transformasi data
ke ruang yang berdimensi lebih tinggi, dan pada ruang vector yang baru tersebut dilakukan pengoptimalan. Keempat, SVM memiliki prinsip kerja yang dapat menangani klasifikasi dua class.
Data masukan 𝑥𝑖 ∈ ℜ𝑑 dan class dinotasikan 𝑦𝑖 ∈ {−1, +1} untuk 𝑖 = 1,2,3, … , 𝑛 dimana n adalah banyaknya data. Fungsi hyperplane dibuat dengan persamaan (2.6) dimana 𝑤 adalah vektor normal hyperplane tersebut, dan 𝑏 adalah bias.
𝑤 . 𝑥 + 𝑏 = 0
Memaksimalkan nilai jarak antara hyperplane dan titik terdekatnya dapat dikenal dengan Margin yang dirumuskan (2.7)
1
||𝑊||2
Fungsi kernel bertujuan untuk memetakan data yang bersifat non-linear menjadi data dengan dimensi yang lebih tinggi. Kernel memberikan kemudahan karena dalam proses pembelajaran Support Vector Machine, untuk menentukan support vector, cukup mengetahui fungsi kernel yang dipakai, dan tidak perlu mengetahui wujud dari fungsi non-linear. Kernel yang digunakan pada penelitian ini ialah kernel RBF dengan persamaan (2.8) sebagai berikut:
𝐾(𝑥𝑖, 𝑥) = exp(−𝛾|𝑥𝑖− 𝑥|2) , 𝛾 > 0
2.6. Penelitian Terdahulu
Beberapa penelitian yang sudah melakukan penelitian mengenai sinyal EEG seperti, Liu et al (2017) melakukan penelitian terhadap emosional secara individual dengan membangun database 16 klip film emosional yang dipilih lebih dari seribu film kutipan, dan membangun 8 kategori emosional. Alat yang digunakan untuk merekam data EEG saat menonton film pada penelitian ini menggunakan Emotiv EPOC yang merupakan headset EEG nirkabel 14-elektroda dengan laju 128 Hz. Untuk mengenali emosi yang berbeda secara real-time dengan menggunakan short-time Fourier transform (STFT), kemudian Linear Discriminant Analysis (LDA) untuk pemilihan fitur yang memproyeksikan data dimensi tinggi dengan label ke dalam ruang dimensi rendah dengan kelas pemisahan untuk memaksimalkan kriteria Fisher separation. Klasifikasi delapan emosi berbeda; tiga emosi positif (kegembiraan, kesenangan dan kelembutan), (2.6)
(2.7)
(2.8)
16
empat emosi negatif (marah, sedih, takut, dan jijik) dan netralitas menggunakan Support Vector Machine (SVM) dengan implementasi menggunakan Matlab. Akurasi yang diperoleh adalah untuk emosi positif dengan akurasi 86,43%, emosi negative 65,09%.
Saha et al (2017) melakukan penelitian dengan mendeteksi kegagalan online cognitive dalam mengemudi dengan decoding sinyal Electroencephalography (EEG) yang diperoleh selama visual alertness, motor planning dan fase motor-execution dari pengemudi. Motor planning dilakukan oleh pengemudi menggunakan parietal signals yang diproses dalam empat kelas yaitu : braking, acceleration, steering control, dan tidak ada operasional. Kewaspadaan pengemudi dideteksi dengan klasifikasi praproses sinyal EEG yang diperoleh dari prefrontal dan frontal lobes menjadi dua kelas yaitu Waspada dan tidak waspada. Penelitian ini dilakukan untuk mengungkapkan bahwa kelebihan classifier neuro-fuzzy yang diusulkan yaitu teknik tradisional dengan adanya gangguan eksternal kepada pengemudi. Sebuah Analisis mengungkapkan bahwa pada kecepatan mengemudi 64 km / jam, waktu tunggu adalah lebih dari 600 ms, yang menawarkan jarak aman 10,66 m. Akurasi yang diperoleh yaitu 88%.
Chiang et al (2017) melakukan penelitian terhadap diagnosis epilepsy yang dibangun di dua tahap. Pertama, dataset DiscreteWavelet Transform (DWT) dan fitur penting di ekstraksi. Tahap kedua adalah diagnosis epilepsi,menggunakan Minimize Entropy Principle Aproach (MEPA) untuk menghasilkan fungsi dan aturan keanggotaan fuzzy, dan mengintegrasikan Associative Petri Net (APN) untuk klasifikasi. Penelitian ini, menjalankan DiscreteWavelet Transform pada 500 sampel
menggunakan perangkat lunak Matlab. Peneliti melakukan penelitian dengan menggabungkan MEPA dan APN untuk melakukan diagnosis epilepsi, dan dapat secara efektif dan akurat menentukan apakah pasien menderita epilepsi. Akurasi yang diperoleh 98,6%.
Krishna et al (2018) melakukan penelitian menggunakan metode Tunable-Q Wavelet Transform (TQWT) untuk mengklasifikasikan emosi menggunakan single- channel dengan merekam data. TQWT menguraikan sinyal EEG menjadi beberapa bagian dan fitur time-domain yang di ekstraksi dari beberapa proses sinyal. Fitur-fitur ini di input ke Extreme Learning Machine (ELM) classifier untuk klasifikasi emosi.
Jumlah neuron yang tersembunyi dari ELM classifier diatur secara empiris untuk akurasi klasifikasi yang tertinggi. Penelitian ini menyimpulkan bahwa fitur berbasis TQWT yang diusulkan untuk audio–video yang dihasilkan membangkitkan sinyal EEG
memberikan hasil klasifikasi dengan akurasi tertinggi bila dibandingkan dengan metode lainnya. Akurasi yang diperoleh 87,1%.
Cheong et al (2015) melakukan penelitian menggunakan data sensorik dari 30 anak autis berusia antara 3 hingga 10 tahun dengan Sinyal EEG. Di antara anak-anak ini, 5 dari mereka memiliki autisme ringan, 11 memiliki autisme sedang dan 14 memiliki autisme parah. Semuanya melakukan tugas indera perasa, yang melibatkan stimulasi tiga rasa, yaitu manis, asam dan asin. Stimulasi ketiga selera tersebut dilakukan dengan larutan gula, larutan cuka dan garam larutan. Sementara data sedang dibaca, mata dari peserta uji coba ditutup kecuali selama visual untuk mencegah visual artefak. Di antara rangsangan rasa yang berbeda, subjeknya adalah diberikan air putih untuk membilas sisa rangsangan rasa. Penelitian ini menggunakan Multilayer Perceptron (MLP) untuk pelatihan jaringan saraf dan ekstraksi fitur menggunakan Discrete Wavelet Transform (DWT). Akurasi yang diperoleh menghasilkan 92,3%. Rincian mengenai penelitian tedahulu dapa diliihat pada Tabel 2.2.
Tabel 2.2. Penelitian Terdahulu
No Peneliti Judul Tahu
n
Keterangan
1 Lung Chuin Cheong
Rubita Sudirman
Siti Suraya Hussin
Feature Etraction of EEG Signal Using Wavelet Transform for Autism Classification
2015 ARP N
Keterangan :
menggunakan data sensorik dari 30 anak autis
yang melibatkan stimulasi tiga rasa.
Metode :
Multilayer Perceptron
Discrete Wavelet Transform
Akurasi : 92,3%.
18
2 Yong-Jin Liu
Minjing Yu
Guozhen Zhao
Jinjing Song
Yan Ge Yuanchun Shi
Real-Time Movie-Induced Discrete Emotion Recognition from EEG Signals
2017 IEEE
Keterangan :
Penelitian ini menggunakan alat Emotiv EPOC yang merupakan Headset EEG untuk mengenali emosi saat menonton film secara real time.
Metode :
Short-Time Fourier Transform
Linear Discriminant Analysis
Support Vector Machine Akurasi : 65,09%
3 Anuradha Saha
Amit Konar
Atulya K.
Nagar
EEG Analysis for Cognitive Failure Detection in Driving Using Type-2 Fuzzy Classifiers
2017 IEEE
Keterangan :
Penelitian ini mendeteksi kegagalan kognitif dalam mengemudi.
Metode :
GType-2 Fuzzy
Discrete Wavelet Transform
Akurasi : 88%
4 Hsiu-Sen Chiang
Mu-Yen Chen
Yu-Jhih Huang
Wavelet-based EEG Processing for Epilepsy Detection using Fuzzy Entropy and Associative Petri Net
2017 IEEE
Keterangan :
Penelitian ini mendiagnosis epilepsi menggunakan perangkat lunak Matlab.
Metode :
DiscreteWavelet Transform
Minimize Entropy Principle Aproach
Associative Petri Net Akurasi : 98,6%
5 Anala Hari Krishna
Aravapalli Bhavya Sri
Kurakula Yuva Venkata Sai Priyanka
Sachin Taran
Varun Bajaj
Emotion Classification Using EEG Signals Based on Tunable-Q Wavelet Transform
2018 IET Scien ce, Meas ure- ment
&
Techn olo-gy
Keterangan : Penelitian ini
mengklasifikasikan emosi menggunakan single-channel dengan merekam data.
Metode :
Tunable-Q Wavelet Transform
Extreme Learning Machine
Akurasi : 87,1%
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
3.1. Data yang digunakan
Data yang digunakan berupa dataset sinyal Electroencephalography (EEG) yang diperoleh dari database Mendeley dan Physionet dengan format edf. Physionet dan Mendeley menyediakan rekaman beberapa sinyal termasuk Electroencephalography (EEG) yang dihasilkan dari kerja otak. Contoh data sinyal EEG konsentrasi rendah Gambar 3.1A, dan konsentrasi tinggi Gambar 3.1B.
Gambar 3.1A. Contoh data sinyal EEG pada konsentrasi rendah
Gambar 3.1B. Contoh data sinyal EEG pada konsentrasi tinggi
Ada 2 jenis EEG data yang diolah pada penelitian ini, yaitu konsentrasi rendah dan konsentrasi tinggi.
Jumlah data yang digunakan sebayak 250 data yang kemudian dibagi menjadi dua bagian, yaitu 200 data sebagai data latih dan 50 data sebagai data uji yang dapat dilihat pada Tabel 3.1.
Tabel 3.1. Jumlah Data Latih dan Data Uji
Dataset Data Pelatihan Data Pengujian Jumlah Dataset Konsentrasi
Rendah
100 25 125
Konsentrasi Tinggi
100 25 125
Jumlah Seluruh Data
200 50 250
Data uji yang dilakukan untuk melakukan pengujian algoritma machine learning terhadap performa yang telah dilatih. Sedangkan, Data latih dilakukan untuk melatih algoritma yang diberikan sehingga informasi pada data tersebut dapat dipahami.
22
3.2. Arsitektur Umum
Ada beberapa tahapan dari metode dalam penelitian ini. Tahap pertama yaitu Pre- processing, dimana frekuensi pada EEG di filtering menggunakan High Pass Filter.
Tahap kedua yaitu feature extraction menggunakan PyEEG, lalu masuk ke tahap klasifikasi menggunakan metode Support Vecetor Machine. Setelah melalui semua tahap tersebut maka output yang dihasilkan berupa tingkat konsentrasi dalam tinggi dan rendah. Adapun tahap-tahap tersebut dapat dilihat dalam pada Gambar 3.2.
Gambar 3.2. Arsitektur Umum 3.3. Pre-processing
Pada tahap preprocessing ini, data sinyal EEG diproses untuk menghilangkan sinyal yang tidak dibutuhkan yang dapat mengganggu proses data sehinngga dapat menghasilkan data yang dibutuhkan.
3.3.1. High pass filter
Pada tahap ini, dilakukan proses filtering sinyal pada sinyal EEG. Proses tersebut yaitu filter yang meloloskan frekuensi tinggi serta menolak frekuensi rendah. Hasil yang diperoleh pada proses ini yaitu memisahkan sinyal Alpha, Theta, Delta, dan Gamma.
Sinyal EEG sebelum dan sesudah high pass filter dapat dilihat pada Gambar 3.3.
Gambar 3.3 Sinyal EEG sebelum High pass filter (kiri), sinyal EEG setelah High
pass filter (kanan)
Tahap dalam penerapan High pass filter pada penelitian ini yaitu filtering sinyal EEG dengan High Pass Filter yang telah dijelaskan pada bab 2. Proses pada sinyal EEG tersebut dibagi menjadi empat bagian yaitu Theta, Alpha, Beta, Delta. Frekuensi yang dimiliki pada ke empat sinyal tersebut ialah yang pertama Theta memiliki 4Hz – 8Hz.
Kedua, sinyal Alpha memiliki 8Hz – 13Hz. Ketiga, sinyal Beta dengan frekuensi yang dimiliki ialah 13Hz – 30Hz. Keempat, sinyal Delta dengan frekuensi 1Hz – 3Hz.
3.4. Feature Extraction
Penelitian ini melakukan ekstraksi fitur pada sinyal EEG setelah proses filtering. Proses ekstraksi fitur menggunakan PyEEG.
3.4.1. PyEEg
Pada tahap sebelumnya yaitu filtering, proses tersebut telah dipisahkan empat sinyal menjadi Alpha, Gamma, Theta, dan Beta. Fitur yang digunakan pada tahap ini ialah Singular Value Decomposition (SVD Entropy), Higuchi Fractal Dimension (HFD), Fisher Information, Detrended Fluctuation Analysis (DFA).
Langkah – langkah dalam penerapan PyEEG dalam penelitian ini adalah :
24
- Langkah pertama yaitu memanggil sinyal Alpha, Theta, Beta, dan Delta. Sinyal tersebut dipanggil berdasarkan pola sinyal EEG.
- Langkah kedua yaitu memasukkan Higuchi Fractal Dimension berdasarkan sinyal yang sudah di tentukan sebelumnya. Tahap ini menggunakan persamaan 2.5.
- Langkah ketiga yaitu menerapkan sinyal EEG dengan SVD Entropy dan Fisher Information. Tahap ini merupakan proses untuk mnegetahui berapa vektor yang dibutuhkan pada data dengan menggunakan persamaan 2.9 dan persamaan 2.10.
- Langkah keempat yaitu sinyal EEG di implementasikan kepada fitur DFA.
Tujuan dari fitur ini adalah untuk analisis waktu yang terlihat panjang.
3.5. Classification
3.5.1. Support vector machine
Pemodelan dalam SVM yaitu untuk menemukan garis pemisah terbaik yang disebut hyperplane dengan memaksimumkan jarak antar kelas yang digunakan untuk klasifikasi class dengan dimensi yang tinggi. Kernel yang digunakan pada penelitian ini ialah kernel RBF
.
Pertama, inisiasi awal akan diberikan nilai α, C, epsilon, gamma dan lamda (α = 0.5, C =1, epsilon = 0.001, gamma = 0.5 dan lamda = 1). Contoh data training dapat dilihat pada Tabel 3.2.
Tabel 3.2. Tabel Contoh Data Training
No P1 P2 L
A1 6.3 3.7 -1
A2 6.4 3 1
A3 6.6 3.2 1
A4 6.7 3.4 -1
Label positif diberi label 1 dan label negatif diberi nilai -1. Pada P1, P2, A1, ..., A4 merupakan variabel. Hasil pada tabel contoh data training merupakan hasil dari fitur ekstraksi yang sudah dilakukan sebelumnya. Pada penelitian ini menggunakan kernel RBF. Rumus kernel RBF sebagai berikut:
𝐾(𝑥𝑖, 𝑥) = exp(−𝛾|𝑥𝑖− 𝑥|2) , 𝛾 > 0
Tabel 3.3 Hasil Perhitungan Kernel
P1 P2
A1 1.005 1.277
A2 1.02 1.02
A3 1.005 1.02
A4 1.08 1.046
Selanjutnya, menghitung nilai matriks hessian dengan persamaan berikut : 𝐷𝑖𝑗= 𝑦𝑖𝑦𝑗(𝑘(𝑥, 𝑥𝑖) + 𝜆2)
𝐷𝑖𝑗 = (−1)(−1)((1.08) + 0.52) 𝐷𝑖𝑗 = 1.33
Tabel 3.4 Matriks Hessian
P1 P2
A1 1.255 1.527
A2 -1.27 1.27
A3 -1.255 1.27
A4 -1.33 1.296
26
Menghitung nilai error dengan rumus sebagai berikut : 𝐸𝑖= ∑ 𝛼𝑖𝐷𝑖𝑗
𝑛
𝑗=1
𝐸𝑖 = ((0.5 ∙ (−1.27). ) + (0.5 ∙ 1.27)) = 0
Tabel 3.5 . Hasi Perhitungan Nilai error Ei
E1 1.391
E2 0
E3 0.0075
E4 -0.017
Perhitungan diatas merupakan contoh bagaimana cara kerja SVM dengan kernel RBF.
Selanjutnya, melakukan pengujian terhadapat contoh data testing.
Tabel 3.6. Contoh Data Testing
P1 P2
X1 6.2 3.3
Melakukan perhitungan dengan menggunakan persamaan fungsi kernel RBF.
Tabel 3.7 Hasil Perhitungan Kernel
P1 P2
1 1.82
Setelah itu melakukan perhitungan dengan untuk keputusan:
𝑓(𝑥) = ∑ 𝑎𝑖𝑦𝑖𝐾(𝑥, 𝑥𝑖) + 𝑏
𝑚
𝑖=1
Klasifikasi = sign(-f(x))
f(x) = ((1.648) + (2.14)) = 3.788
Klasifikasi = sign(-3.788) merupakan termasuk dalam kelas negatif.
3.5.2. Cross fold validation
Metode k-fold cross validation merupakan cara membagi data dengan membagi dataset secara terstruktur menjadi k himpunan bagian. Nilai K pada penelitian ini menggunakan nilai 5 atau disebut juga dengan 5-fold.
3.6. Perancangan Sistem
Pada tahap ini menjelaskan tentang rancangan antarmuka pada sistem aplikasi klasifikasi tingkat konsentrasi yang bertujuan untuk memudahkan pengguna dalam menggunakan aplikasi.
3.6.1. Rancangan tampilan halaman awal
Tampilan ini merupakan tampilan pertama saat pengguna membuka aplikasi. pada tampilan ini terdapat informasi mengenai penelitian penulis seperti nama, nim, judul, dan lain-lain. Kemudian terdapat fitur tambah data, latih data, dan prediksi data. Dapat dilihat pada Gambar 3.4
Gambar 3.4. Rancangan tampilan halaman awal
3.6.2. Rancangan tampilan halaman tambah data
Proses penambahan data berupa sinyal EEG akan dilakukan pada proses ini. Tahap
28
pertama dalam proses ini yaitu memasukkan data dengan browse folder dan pada browse file untuk menampilkan sinyal EEG. Pada tahap ini proses preprocessing dapat langsung dilakukan.
Gambar 3.5. Rancangan tampilan halaman tambah data
3.6.3. Rancangan tampilan halaman prediksi data
Pada proses ini dilakukan uji pada data. Tahap pertama yaitu masukkan data yang akan diuji. Kemudian mengatur frekuensi yang diinginkan, setelah itu proses data dan prediksi data untuk mengetahui hasil tingkat konsentrasi.
Gambar 3.6. Rancangan tampilan halaman prediksi data
3.6.4. Rancangan tampilan halaman latih data
Pada tampilan ini dilakukan proses latih data. Algoritma yang digunakan pada proses ini ialah Support Vector Machine. Hasil akurasi pada tingkat konsentrasi ditampilkan pada halaman ini.
Gambar 3.7. Rancangan tampilan halaman latih data
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini menjelaskan tentang penerapan Support Vector Machine terhadap analisis dan perancangan sistem serta hasil uji sistem yang telah dirancang.
4.1. Implementasi Sistem
Tahap ini merupakan implementasi pada sistem klasifikasi tingkat konsentrasi pada sinyal EEG dengan menggunakan Support Vector Machnie sehingga memerlukan perangkat keras dan perangkat pendukung yaitu :
4.1.1. Spesifikasi hardware dan software
Adapun spesifikasi hardware dan software yang digunakan dalam membangun sistem ini yaitu:
1. Processor 1,4 GHz Quad-Core Intel Core i5 2. Memory (RAM): 4.00 GB
3. Sistem operasi : Windows 10 64-bit 4. Python Version 3.6.3
4.1.2. Implementasi perancangan antarmuka
Adapun perancangan antarmuka aplikasi yang telah dianalisis sebelumnya dalam bab 3 adalah sebagai berikut:
1. Tampilan halaman awal aplikasi
Tampilan halaman awal merupakan tampilan yang pertama kali terlihat saat aplikasi dijalankan. Pada halaman ini terdapat tambah data, latih data, dan prediksi data serta
button exit. Halaman in juga memberikan informasi mengenai judul penelitian, nama, nim, logo fakultas, dan institusi penulis dapat dilihat pada Gambar 4.1.
Gambar 4.1 Tampilan halaman awal aplikasi 2. Tampilan halaman tambah data
Tampilan halaman data merupakan halaman untuk menambahkan data dan data tersebut akan disimpan kedalam database aplikasi. Halaman ini berisi browse file dan browse folder, pengaturan frekuensi, proses data yang akan di tampilkan dalam box yang kemudian ketika memilih tambah data maka data tersimpan dalam database. Tampilan halaman data dapat dilihat pada Gambar 4.2.
Gambar 4.2 T Tampilan halaman tambah data
32
3. Tampilan halaman latih data
Pada halaman ini applikasi akan menampilkan pelatihan pada data klasifikasi tingkat konsentrasi. Halaman ini berisi pengaturan parameter, dan hasil pelatihan data.
Tampilan halaman latih data dapat dilihat pada Gambar 4.3.
Gambar 4.3 Tampilan halaman latih data 4. Tampilan halaman prediksi data
Pada halaman ini merupakan tampilan halaman prediksi data. Proses pada halaman ini adalah hasil dari pengujian data menggunakan metode Support Vector Machine. Pada halaman ini terdapat beberapa bagian yaitu browse file untuk memasukkan data yang akan di prediksi, pengaturan frekuensi, proses data yang akan ditampilkan dalam box, dan prediksi data untuk melihat hasil rendah atau tinggi konsentrasi tersebut. Proses prediksi data dapat dilihat pada gambar 4.4.
Gambar 4.4. Tampilan halaman prediksi data
5. Implementasi data
Data yang digunakan merupakan sinyal EEG yang diperoleh dari Mendeley dan Physiobank ATM dengan dua jenis klasifikasi yaitu rendah dan tinggi konsentrasi.
Beberapa contoh data konsentrasi rendah terdapat pada gambar 4.5 dan konsentrasi tinggi pada Gambar 4.5.
Gambar 4.5. Data sinyal EEG kategori konsentrasi rendah
34
Gambar 4.6. Data sinyal EEG kategori konsentrasi tinggi
4.2. Prosedur Operasional
Tampilan sistem yang dibangun terdiri dari tambah data latih, latih data, prediksi data, dan exit. Pada gambar 4.7 merupakan halaman utama yang berisi informasi penelitian dan penulis, dan terdapat navigasi menuju ke halaman berikutnya.
Gambar 4.7. Tampilan halaman utama
Halaman tambah data akan muncul jika pengguna memilih tambah data pada halaman awal. Pengguna dapat memilih dengan menekan button browse file atau browse folder untuk memasukkan data EEG ke sistem untuk di proses. Dapat dilihat pada Gambar 4.8.
Gambar 4.8 Tampilan browse folder sinyal EEG
Pada gambar 4.8 diatas merupakan tampilan apabila pengguna memilih browse folder.
Kemudian jika pengguna sudah memasukkan data ke sistem maka keterangan data tersebut akan muncul dalam text box yang terletak dibawah masukkan data sinyal EEG.
Keterangan data sinyal EEG dapat dilihat pada Gambar 4.9.
Gambar 4.9. Keterangan data sinyal EEG
Setelah itu maka pengguna dapat memilih tambah data untuk memproses data EEG untuk disimpan kedalam database sistem. Proses data tidak dapat digunakan apabila
36
pengguna memilih browse file. Jika pengguna mencoba untuk memilih proses data maka akan muncul keterangan tidak dapat di proses pada text box sebelah kanan.
Keterangan tersebut dapat dilihat pada Gambar 4.10.
Gambar 4.10. Tampilan keterangan pada text box
Apabila pengguna memilih button browse file maka button proses data dapat digunakan untuk menampilkan siniyal EEG. Sebelum proses data dilakukan, pengguna dapat mengatur frekuensi minimal dan maksimal sinyal EEG. Visualisasi sinyal EEG dapat dilihat pada box power spectral density, hasil filter, dan hasil EEG. Visualisasi sinyal Eeg dapat dilihat pada Gambar 4.11.
Gambar 4.11 Tampilan hasil visualisasi EEG
Pada halaman latih data merupakan halaman untuk proses pengujian data untuk dataset uji secara keseluruhan. menggunakan algoritma support vector machine. Hasil yang diperoleh dari proses ini ialah proses klasifikasi data oleh algoritma SVM dan akurasi dari proses klasifikasi. Apabila penguna memilih button latih data pada halaman tampilan awal maka tampilan tersebut akan muncul sperti pada Gambar 4.12.
Gambar 4.12. Tampilan latih data
Tampilan halaman latih data terdapat pengaturan parameter yang terdiri penalty, kernel, dan error tol. Kemudian, pengguna dapat melihat hasil pelatihan data dan akurasi.pada gambar 4.13.
Gambar 4.13. Tampilan hasil pelatihan data
38
Kembali ke halaman utama, kemudian pengguna dapat memilih button prediksi data.
Pada halaman prediksi data merupakan halaman untuk menguji data dimana data yang diperoleh berasal dari browse file. Data tersebut akan di prediksi satu per satu. Tampilan memilih data yang akan di proses dapat dilihat pada Gambar 4.14.
Gambar 4.14. Tampilan browse file
Setelah pengguna memilih data yang akan di proses, maka keterangan data tersebut akan ditampilkan pada text box masukkan gambar. Kemudian pengguna dapat mengatur minimal dan maximal frekuensi. Lalu, pengguna dapat memilih button proses data untuk melihat hasil visualisasi EEG. Keterangan tersebut dapat dilihat pada gambar 4.15.
Gambar 4.15. text box, frequensi minimal dan maximal, proses data
Gambar 4.16 merupakan tampilan visualisasi EEG dimana terdapat Power Spectral
Denisty, hasil EEG, dan hasil filter.
Gambar 4.15. Power Spectral Denisty, hasil EEG, dan hasil filter
Pengguna dapat memilih button prediksi data untuk melihat hasil prediksi bahwa konsentrasirendah atau tinggi pada data tersebut. Hasil prediksi dapat dilihat pada Gambar 4.16.
Gambar 4.16. Hasil prediksi data EEG
40
4.3. Pengujian Sistem
Tahap ini merupakan pengujian sistem untuk melihat hasil dari proses preprocessing, fitur ekstraksi sampai klasifikasi menggunakan metode Support Veector Mschine.
Dalam mengklasifikasikan sinyal EEG dikategorikan menjadi dua bagian yaitu konsentrasi tinggi dan konsentrasi rendah. Pengujian sistem pada proses klasifikasi menggunakan Support Vector Machine, dimana implementasi pada proses klasifikasi telah dijelaskan pada bab 3. Data yang digunakan 250 data EEG dengan 200 data latih dan 50 data uji. Hasil Data pengujian dapat dilihat pada Tabel 4.1.
Tabel 4.1 Hasil pengujian proses klasifikasi pada data uji
No Data EEG Actual
Output
Desired Output
Status
1 Konsentrasi
Rendah
Konsentrasi Rendah
Berhasil
2 Konsentrasi
Rendah
Konsentrasi Rendah
Berhasil
3 Konsentrasi
Rendah
Konsentrasi Rendah
Berhasil
4 Konsentrasi
Rendah
Konsentrasi Rendah
Berhasil
5 Konsentrasi
Rendah
Konsentrasi Rendah
Berhasil
Tabel 4.1 Hasil pengujian proses klasifikasi pada data uji (lanjutan)
No Data EEG Actual
Output
Desired Output
Status
6 Konsentrasi
Rendah
Konsentrasi Rendah
Berhasil
7 Konsentrasi
Rendah
Konsentrasi Tinggi
Gagal
8 Konsentrasi
Rendah
Konsentrasi Rendah
Berhasil
9 Konsentrasi
Rendah
Konsentrasi Rendah
Berhasil
10 Konsentrasi
Rendah
Konsentrasi Tinggi
Gagal
11 Konsentrasi
Tinggi
Konsentrasi Tinggi
Berhasil
12 Konsentrasi
Tinggi
Konsentrasi Tinggi
Berhasil
42
Tabel 4.1 Hasil pekngujian proses klasifikasi pada data uji (lanjutan)
No Data EEG Actual
Output
Desired Output
Status
13 Konsentrasi
Tinggi
Konsentrasi Tinggi
Berhasil
14 Konsentrasi
Tinggi
Konsentrasi Tinggi
Berhasil
15 Konsentrasi
Tinggi
Konsentrasi Tinggi
Berhasil
16 Konsentrasi
Tinggi
Konsentrasi Tinggi
Berhasil
17 Konsentrasi
Tinggi
Konsentrasi Tinggi
Berhasil
18 Konsentrasi
Tinggi
Konsentrasi Tinggi
Berhasil
Tabel 4.1 Hasil pengujian proses klasifikasi pada data uji (lanjutan)
No Data EEG Actual
Output
Desired Output
Status
19 Konsentrasi
Tinggi
Konsentrasi Tinggi
Berhasil
20 Konsentrasi
Tinggi
Konsentrasi Tinggi
Berhasil
Berdasarkan pengujian klasifikasi pada data testing sinyal EEG pada Tabel 4.1 menggunakan Support Vector Machine diperoleh nilai akurasi mencapai 84%
berdasarkan implementasi menggunakan metode machine learning yaitu confusion matrix.
4.4. Analisis dan Akurasi
Berdasarkan data hasil uji yang dilakukan pada sistem klasifikasi tingkat konsentrasi menggunakan metode Support Vector Machine berdasarkan pembacaan sinyal EEG diperoleh nilai akurasi sebesar 84%. Nilai akurasi diperoleh dari Persamaan 4.1.
𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃 + 𝑇𝑁
𝑇𝑃 + 𝐹𝑃 + 𝐹𝑁 + 𝑇𝑁 x 100%
= 42
50 X 100 %
= 84 %
Pengujian menggunakan Support Vector Machine menghasilkan akurasi sebesar 84%
dengan menggunakan metode machine learning yang berupa confusion matrix. Hasil implementasi confusion matrix data uji sinyal EEG pada dapat dilihat pada Gambar 4.17.
44
Gambar 4.17 Hasil implementasi confusion matrix data uji sinyal EEG
Dari Gambar 4.17, Indeks ke-0 merupakan data testing kelas konsentrasi rendah, indeks ke-1 merupakan data testing kelas konsentrasi tinggi.
Precision adalah rasio prediksi benar positif dengan total prediksi positif. TP adalah true positive. FP adalah False Positive. Macro Averaged adalah metode untuk menjumlahkan nilai true positive, false positives, dan false negatives untuk mendapatkan hasil. Weighted Averaged adalah Jumlah nilai kelas setelah dikalikan dengan masing-masing tiap kelas. Perhitungan TP, FP, Precision, Macro Averaged Precision dan Weighted Averaged Precision dapat dilihat pada Tabel 4.3.
Tabel 4. 1. Nilai TP, FP, Precision, Macro Averaged Precision dan Weighted Averaged Precision
Rendah Tinggi
TP 17 25
FP 0 8
Precision 𝑇𝑃
𝑇𝑃+𝐹𝑃= 17
17+0 = 1,00 𝑇𝑃
𝑇𝑃+𝐹𝑃= 25
25+8 = 0,76 Macro
Averaged
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛𝑏+𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛𝑙+𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛𝑛
2 =1,00+0,76
2 = 0,88 Weighted
Averaged
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛𝑏×𝑁𝑏+𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛𝑛×𝑁𝑛
𝐽𝑢𝑚𝑙𝑎ℎ 𝐷𝑎𝑡𝑎 =1,00×25+0,76×25
50 = 0,88
