EMOSI merupakan salah satu fitur penting dan kompleks

Download (0)

Full text

(1)

Klasifikasi Emosi Berdasarkan Gelombang Otak

Sinyal EEG Menggunakan Metode k-Nearest

Neighbour

Imania Puspita Sari

1

, Dr. Diah Puspito W, ST., M.Sc.

1

and Dr. Ir. Yoyon Kusnendar S, M.Sc.

1

1

Departmen Teknik Komputer, Fakultas Teknologi Elektro, Institut Teknologi Sepuluh Nopember

Email : imania.puspita.sari13@mhs.te.its.ac.id, diah@te.its.ac.id, yoyonkusnendar@ee.its.ac.id

Abstrak—Penelitian mengenai pengenalan emosi pada manusia beberapa diantaranya menggunakan ekspresi wajah, suara, dan sinyal EEG sebagai datanya. Pada penelitian kali ini digunakan sinyal EEG. Electroencephalography atau EEG merupakan suatu teknik pencitraan medis yang mampu mencatat hasil pereka-man aktivitas listrik di kulit kepala pereka-manusia. Data berupa sinyal EEG didapatkan dari DEAP Dataset yang terdiri dari rekaman gelombang otak 32 orang responden. Selama proses perekaman, setiap responden distimulus dengan beberapa video musik dan diminta melakukan sebuah self assessment terhadap tingkat valence dan arousal. Sinyal EEG yang digunakan diambil dari empat channel yaitu F8, T7, F3, dan C4. Sinyal terse-but kemudian didekomposisi menjadi lima kelompok frekuensi berbeda (alpha, beta, gamma, delta, theta) dan ditransformasikan menggunakan Continous Wavelet Transform fungsi sym8. Proses klasifikasi dilakukan menggunakan metode k-Nearest Neighbour dan dilakukan pengujian untuk mengetahui kinerjanya. Dengan mengubah beberapa parameter seperti nilai k, frekuensi, serta channel, maka didapatkan nilai f-measure tertinggi sebesar 0,82 ketika melibatkan frekuensi delta dan 0,78 ketika melibatkan seluruh frekuensi tanpa frekuensi theta.

Keywords—Emosi; EEG; Wavelet Transform; K-Nearest Neigh-bour

Abstrak—Some research on human emotion recognition using facial expressions, voices, and EEG signals as the data. In this research, EEG signal are used. Electroencephalography or EEG is a medical imaging technique which is able to record the electrical activity in the human scalp. The data in the form of EEG signals obtained from DEAP Dataset which is consist of recordings of brain waves 32 people respondents. During the recording process, each of the respondents stimulated with some musicvideos and asked to do a self assessment against the level of arousal and valence. EEG signals that are used are taken from the four channel T7, F8, F3, and C4. Then, the signal is decomposed into five groups of different frequencies (alpha, beta, gamma, delta, theta) and transformed using Continous Wavelet Transform function sym8. The process of classification is performed using k-Nearest Neighbour and do testing to know its performance. By changing some parameters such as the value of k, the frequency, and channel, then the f-measure is obtained the highest value in 0.82 when involving delta frequencies and 0.78 when involves the entire frequency without frequency theta.

Keywords—Emotion; EEG, Wavelet Transform, K-Nearest Neighbour

I. PENDAHULUAN

E

MOSI merupakan salah satu fitur penting dan kompleks yang dimiliki oleh manusia [1]. Keberadaan emosi ini juga penting terkait dengan hubungan antara manusia dan mesin. Tanpa adanya kemampuan mengolah emosi, mesin atau komputer akan kesulitan bahkan tidak bisa berkomu-nikasi dengan manusia secara alami. Seperti yang kita ketahui bahwa keberadaan mesin kini dapat membantu kerja manusia sehingga lebih mudah, namun hal tersebut tentunya tidak akan tercapai ketika mesin tidak dapat memahami bahasa dan maksud manusia, dalam hal ini yang dimaksud adalah emosi. Beberapa tahun terakhir, penelitian pada bidang Human Computer Interaction (HCI) sedang fokus pada penguatan fungsi mesin dalam mengenali dan memahami emosi manusia. Sebagian besar diantaranya menggunakan pengenalan wajah, namun adapula yang menggunakan sinyal gelombang otak atau Electroencephalograph (EEG) ketika responden diperden-garkan musik atau sebuah video [2].

Electroencephalography (EEG) merupakan teknik penci-traan medis yang memungkinkan untuk membaca aktivitas listrik di kulit kepala yang dihasilkan oleh struktur otak. Elec-troencephalogram adalah alat untuk merekam aktivitas listrik dari otak dengan menggunakan pena yang menulis di atas gulungan kertas. Tes ini mampu menunjukkan tanda penyakit alzheimerdan epilepsy. Sumber lain menjelaskan bahwa EEG adalah sebuah pemeriksaan penunjang yang berbentuk reka-man gelombang elektrik sel saraf yang berada di otak yang memiliki tujuan untuk mengetahui adanya gangguan fisiologi fungsi otak [3]. Para peneliti meyakini bahwa keadaan otak ikut berubah seiring dengan perubahan yang terjadi pada perasaan seseorang sehingga EEG ini cocok untuk melakukan perekaman adanya perubahan gelombang otak yang berbeda-beda sesuai dengan perasaan atau emosi[4]. EEG memi-liki beberapa kelebihan sehingga dipilih untuk mempelajari emosi manusia. Beberapa kelebihannya yaitu high-speed, non-invasive dan tidak menimbulkan rasa sakit pada subjek. Hal tersebut penting untuk mendapatkan emosi asli dari subjek [3]. Namun perlu diperhatikan adanya beberapa noise diluar objek pengukuran yang mungkin muncul seperti halnya faktor kelelahan tubuh atapun faktor eksternal lainnya [4].

(2)

dalam lima frekuensi berbeda yaitu delta, theta, alpha, beta, dan Gamma. Rentang frekuensi tersebut menunjukkan adanya perbedaan kondisi fisik pada seseorang [5], akan tetapi pemba-gian frekuensi tersebut belum cukup untuk mengenali emosi seseorang. Sebab, dalam sebuah rekaman sinyal EEG terda-pat beberapa frekuensi berbeda yang membentuk pola ter-tentu. Dengan mengalami proses ekstraksi fitur menggunakan Continous Wavelet Transform (CWT) dan metode pengelom-pokan kNN (k-Nearest Neighbour), diharapkan dapat menge-nali keadaan emosi seseorang.

II. DESAINSISTEM DANIMPLEMENTASI

Tujuan dari penelitian ini yaitu dapat mengenali dan mengk-lasifikasi emosi manusia ke dalam 2 kelompok emosi yaitu emosi senang dan tidak senang. Dengan menggunakan sinyal EEG, berikut ini adalah alur metodologi yang dilalui untuk mencapai tujuan tersebut di atas.

Gambar 1: Diagram Alur Metodologi Pengklasifikasian Emosi pada Sinyal EEG

1) Pengumpulan Data

Sinyal EEG yang dijadikan input atau masukan untuk proses klasifikasi didapatkan dari DEAP Dataset [6]. Sinyal tersebut merupakan sinyal preprocessed data, sudah dihilangkan noise dan artefact nya serta sudah melalui proses downsample sehingga frekuensi sam-plingnya menjadi 128 Hz. Kemudian sinyal-sinyal terse-but dipilih sesuai dengan kriteria atau parameter yang sudah ditentukan yakni dengan melihat nilai valence dan arousalnya serta memilih channel tertentu.

2) Preprocessing Data

Setelah semua data yang memenuhui kriteria dan parameter dikumpulkan, sinyal-sinyal tersebut akan di dekomposisi ke dalam lima kelompok frekuensi gelom-bak otak yakni delta, theta, alpha, beta dan gamma. Setelah didekomposisi, sinyal tersebut ditransformasikan dengan menggunakan metode wavelet transform.

Wavelet adalah sebuah bentuk gelombang dengan durasi terbatas yang memiliki nilai rerata nol [7] . Jika Fourier Transform mengubah sinyal berdomain waktu menjadi domain frekuensi, maka Wavelet Transform mengubah sinyal berdomain waktu menjadi berdomain skala-waktu. Sedangkan Continous Wavelet Transform adalah jumlah keseluruhan sinyal yang telah dikalikan dengan fungsi wavelet yang berskala atau dapat dilihat pada persamaan 1.

C(s,τ ) =

Z ∞

−∞

f (t)ψ(s,τ ) (1)

Setelah didekomposisi dan ditransformasikan den-gan fungsi CWT, maka didapatkan nilai koefisian CWT untuk setiap kelompok frekuensi. Langkah berikutnya adalah menghitung nilai entropy dari setiap koefisien tersebut.

3) Klasifikasi Data

Proses klasifikasi data menggunakan metode K-Nearest Neighbour. k-K-Nearest Neighbour adalah algo-ritma supervised learning yang sederhana dan banyak digunakan untuk melakukan proses klasifikasi pada sinyal dan gambar [4]. Pengambilan keputusan pada kNN dilakukan berdasarkan nilai mayoritas sejum-lah k-titik terdekat dengan data yang akan fikasikan. Dengan kata lain, suatu data uji akan diklasi-fikasikan berdasarkan data training sejumlah titik yang diinginkan. Menentukan jarak antar titik terdekat dihi-tung berdasarkan jarak Euclidian dengan perhidihi-tungan sebagai berikut [8]: di = v u u t p X i=1 (x2i− x1i)2 (2)

dengan x1i sebagai data training, x2i sebagai data

test-ing, p sebagai dimensi data dan d adalah jarak atau Euclidian.

(3)

Gambar 2: Flowchart Algoritma k-Nearest Neighbour

Ketepatan algoritma kNN, salah satunya dipengaruhi oleh ada tidaknya fitur-fitur yang tidak relevan atau terlalu berpengaruh nilainya selama proses klasifikasi. Beberapa penelitian yang menggunakan kNN melakukan percobaan hingga berkali-kali dengan beberapa skenario pengurangan fitur hingga didapatkan fitur-fitur yang berpengaruh terhadap nilai klasifikasi.

III. PENGUJIAN

Untuk mengetahui bagaimana performansi suatu metode, maka diperlukan suatu proses pengujian. Pada tugas akhir ini, proses pengujian data menggunakan perhitungan F-measure yang persamaannya dapat dilihat pada persamaan 3.

F = 2 × precision × recall

precision + recall (3)

Pengujian yang dilakukan terdiri dari tiga skenario pengu-jian dengan data dan parameter yang berbeda-beda. Skenario pengujian yang dilakukan adalah:

A. Pengujian Jumlah Channel

Total keseluruhan data yang digunakan berasal dari 4 chan-nel yakni channel F8, T7, F3 dan C4. Pengujian pertama ini melibatkan seluruh channel dan menggunakan nilai rata-rata f-measure. Diambil nilai rata-rata-rata-rata F-measure karena pada setiap channel menggunakan setidaknya 11 tipe parameter

yang berbeda, yaitu perhitungan F-measure ketika menggu-nakan kelima frekuensi, ketika menggumenggu-nakan per frekuensi, dan ketika dikurangkan satu frekuensi untuk perfrekuensinya. Gambar menunjukkan perbedaan performansi nilai rata-rata F-measuredi setiap channel untuk semua nilai K.

Gambar 3: Perbandingan nilai F-measure untuk setiap nilai K Dengan melihat visualisasi data pada gambar , setiap titik-titik data saling terhubung menjadi suatu garis, dan setiap garis mewakili setiap channel. Garis berwarna biru menyatakan nilai F-measureuntuk keempat channel yakni F8, T7, F3, dan C4. Jika dibandingkan dengan 4 single channel lainnya, dapat dilihat bahwa grafik untuk keempat channel menunjukkan konsistensi nilai data dan nilainya relatif lebih tinggi dibanding dengan keempat channel lainnya, nilai maksimum f-measure pada pengujian ini yakni sebesar 0,63. Dengan melihat grafik tersebut dapat disimpulkan bahwa penambahan jumlah chan-nel berpengaruh terhadap kenaikan nilai f-measure. Semakin banyak channel yang digunakan maka nilai f-measure juga semakin tinggi.

B. Pengujian Frekuensi

Selain melakukan proses pengujian terhadap pengaruh jum-lah channel, juga dilakukan pengujia terhadap frekuensi. Pada tahap pengujian frekuensi ini, proses pengujian akan dibagi ke dalam dua jenis yakni pengujian frekuensi tunggal dengan kelima frekuensi dan pengujian dengan pengurangan satu frekuensi dari kelima frekuensi.

1) Pengujian terhadap Frekuensi Tunggal

Pada pengujian ini, akan nilai f-measure pada setiap frekuensi akan dibandingkan dengan nilai f-measure pada kelima frekuensi untuk melihat channel atau frekuensi manakah yang berpengaruh terhadap nilai f-measure.

Jika dilihat pada gambar , terlihat bahwa nilai f-measure berada di posisi tinggi atau nilai yang relatif lebhh tinggi pada saat menggunakan kelima frekuensi secara bersamaan dan pada saat hanya menggunakan frekuensi Delta. Grafik untuk frekuensi Delta mencapai maksi-mum dengan nilai f-measure sebesar 0,82. Sedangkan

(4)

Gambar 4: Perbandingan nilai F-measure untuk setiap frekuensi

untuk frekuensi lainnya kisaran nilainya masih berada di bawah nilai frekuensi Delta. Melihat sebaran nilai ini, dapat disimpulkan bahwa Frekuensi Delta merupakan Frekuensi yang memiliki pengaruh besar dalam naiknya atau tinggi nya nilai f-measure.

2) Pengujian terhadap Pengurangan Frekuensi Jika pada poin sebelumnya yang diujikan adalah satu per satu frekuensi, maka pada poin ini yang diujikan yakni dengan mengurangkan satu frekuensi. Pengujian ini di-lakukan untuk mengetahui frekuensi-frekuensi mana sa-jakah yang mungkin tidak atau kurang berpengaruh ter-hadap nilai F-measure khususnya dalam proses pengk-lasifikasian emosi senang dan tidak.

Gambar 5: Perbandingan nilai F-measure untuk setiap frekuensi

Gambar menunjukkan nilai untuk kelompok frekuensi tanpa Theta memiliki nilai yang relatif lebih tinggi bila dibandingkan dengan kelompok frekuensi lainnya yakni dengan nilai maksimum f-measure sebesar 0,78. Selain itu, disusul dengan kelompok frekuensi tanpa Beta. Dengan ini dapat disimpulkan bahwa frekuensi Theta merupakan frekuensi yang paling kurang berpengaruh

terhadap nilai f-measure.

C. Pengujian Jumlah K

Setelah melakukan proses pengujian terhadap jumlah chan-neldan variasi penggunaan frekuensi, di tahap pengujian yang ketiga ini yang akan diuji adalah pengaruh perubahan nilai K.

Gambar 6: Perbandingan nilai F-measure untuk setiap nilai K Grafik tersebut menggunakan kelompok frekuensi tanpa Theta dan frekuensi Delta, karena pada pengujian sebelumnya kelompok ini memiliki sebaran nilai f-measure yang lebih tinggi dari kelompok lainnya. Untuk frekuensi delta yang direpresentasikan menggunakan warna jingga, dapat dilihat bahwa grafiknya mengalami kenaikan nilai. Nilai f-measure cenderung meningkat dan semakin tinggi ketika nilai k nya semakin besar dan nilai f-measurenya maksimal pada titik k = 17 dengan angka 0.82 dari skala 0 hingga 1. Sedangkan pada frekuensi tanpa theta, nilai f-measure cenderung menurun dan semakin kecil ketika nilai k nya semakin besar, dan nilai f-measurenya maksimal hanya pada titik k = 5 yakni dengan nilai 0, 78 dari skala 0 hingga 1 .

IV. KESIMPULAN

Dalam tugas akhir ini, proses klasifikasi emosi dari sinyal otak gelombang EEG dilakukan dengan melakukan pengumpulan data dari DEAP Dataset kemudian data yang ada dilakukan ekstraksi fitur berupa nilai entropy dan dik-lasifikasikan dengan metode kNN. Dari tahapan metodologi tersebut hingga proses pengujian, maka didapatkan kesimpulan sebagai berikut :

1) Nilai rata-rata F-Measure cenderung stabil pada angka yang tinggi ketika melibatkan banyak channel bila dibandingkan dengan nilai f-measure untuk single chan-nel seperti yang dapat dilihat pada gambar III-A. 2) Pada pengujian terhadap frekuensi, didapatkan hasil

a) frekuensi delta merupakan frekuensi yang paling berpengaruh dalam penelitian ini yakni dengan nilai f-measure sebesar 0, 82 dari skala 0 hingga 1, seperti yang dapat dilihat pada gambar 4.

(5)

b) frekuensi theta merupakan frekuensi yang paling kurang berpengaruh dalam penelitian ini yakni dengan nilai f-measure untuk tanpa frekuensi theta sebesar 0, 78 dari skala 0 hingga 1, seperti yang dapat dilihat pada gambar 2.

3) Pada pengujian nilai k didapatkan hasil (lihat gambar 6) a) Ketika melibatkan kelompok frekuensi yang banyak, nilai f-measure menurun seiring kenaikan nilai k. Nilai f-measure tertinggi sebesar 0, 78 pada nilai k = 5 yakni ketika pengujian menggunakan seluruh frekuensi tanpa frekuensi theta.

b) Ketika melibatkan satu frekuensi, nilai f-measure meningkat seiring kenaikan nilai k. Nilai f-feasure tertinggi sebesar 0, 82 pada nilai k = 17 yakni ketika pengujian hanya menggunakan frekuensi delta.

DAFTARPUSTAKA

[1] S. G. Aydin, T. Kaya, and H. Guler, “Wavelet-based study of va-lence–arousal model of emotions on eeg signals with labview,” Brain Informatics, vol. 3, pp. 109–117, Jan 2016.

[2] S. Koelstra, C. Muhl, M. Soleymani, J. S. Lee, A. Yazdani, T. Ebrahimi, T. Pun, A. Nijholt, and I. Patras, “Deap: A database for emotion analysis ;using physiological signals,” IEEE Transactions on Affective Computing, vol. 3, pp. 18–31, Jan 2012.

[3] M. Teplan, “Fundamental of eeg measurement,” IEEE Measurement Science Review, vol. 2, pp. 1–11, 2002.

[4] M. Murugappan, “Human emotion classification using wavelet transform and knn,” in 2011 International Conference on Pattern Analysis and Intelligence Robotics, vol. 1, pp. 148–153, June 2011.

[5] S. Saeid and C. J.A., EEG Signal Processing. John Wiley Sons, Ltd, 2007.

[6] I. Patras, “Deapdataset : a dataset for emotion analysis using eeg, physiological and video signals,” Januari 2012.

[7] Baharuddin and R. Anggraini, “Transmisi citra medis pada kanal wire-less,” Teknika UNAND, vol. 2, April 2008.

[8] S. R. Yohanes, L. A. S.M, and S. S. R.U.A, “Simulasi sistem pengacak sinyal dengan metode fft,” e-journal Teknik Elektro dan Komputer, 2014.

Figure

Gambar 1: Diagram Alur Metodologi Pengklasifikasian Emosi pada Sinyal EEG

Gambar 1:

Diagram Alur Metodologi Pengklasifikasian Emosi pada Sinyal EEG p.2
Gambar menunjukkan perbedaan performansi nilai rata-rata F- F-measure di setiap channel untuk semua nilai K.

Gambar menunjukkan

perbedaan performansi nilai rata-rata F- F-measure di setiap channel untuk semua nilai K. p.3
Gambar 2: Flowchart Algoritma k-Nearest Neighbour

Gambar 2:

Flowchart Algoritma k-Nearest Neighbour p.3
Gambar 4: Perbandingan nilai F-measure untuk setiap frekuensi

Gambar 4:

Perbandingan nilai F-measure untuk setiap frekuensi p.4
Gambar 5: Perbandingan nilai F-measure untuk setiap frekuensi

Gambar 5:

Perbandingan nilai F-measure untuk setiap frekuensi p.4
Gambar menunjukkan nilai untuk kelompok frekuensi tanpa Theta memiliki nilai yang relatif lebih tinggi bila dibandingkan dengan kelompok frekuensi lainnya yakni dengan nilai maksimum f-measure sebesar 0,78

Gambar menunjukkan

nilai untuk kelompok frekuensi tanpa Theta memiliki nilai yang relatif lebih tinggi bila dibandingkan dengan kelompok frekuensi lainnya yakni dengan nilai maksimum f-measure sebesar 0,78 p.4

References

Scan QR code by 1PDF app
for download now

Install 1PDF app in