Analisa Sinyal EEG untuk Menentukan Sifat Manusia
Menggunakan Backpropagation
Ahmad Reza Musthafa, Tri Harsono, Setiawardhana
Politeknik Elektronika Negeri Surabaya
Kampus PENS, Jalan Raya ITS Sukolilo, Surabaya 60111 Tel: (031) 594 7280; Fax: (031) 594 6114
Email:rezaaltraz@yahoo.com, trison@eepis-its.edu, setia@eepis-its.edu
Abstrak
Mengetahui sifat seseorang merupakan salah satu disiplin ilmu dalam bidang psikologi. Banyak cara yang dapat digunakan untuk mengetahui sifat seseorang yaitu dengan melakukan pendekatan-pendekatan ilmu psikologi baik dari neurobiologis, perilaku, kognitif, psikoanalisa, dan fenomenologi[6]. Dalam penelitian ini akan melakukan pendekatan baru untuk mengetahui sifat seseorang dengan analisa sinyal Electroencephalograph (EEG). Sifat-sifat tersebut diantaranya yaitu melankolis, plegmatis, koleris, dan sanguinis[7].
Sistem ini memiliki komponen utama yaitu kuesioner psikologi yang mengimplementasikan teori Galen. Pengguna yang akan digunakan sebagai sampel diharuskan mengisi data kuesioner psikologi untuk mengetahui sifat yang dimilikinya. Hasil kuesioner tersebut, digunakan sebagai acuan penyimpanan data EEG pengguna. Sinyal EEG pada periode tertentu diproses menggunakan Fast Fourier Transform (FFT) dan Power Spectral Density (PSD). Sehingga dapat digunakan sebagai pola referensi untuk proses training backpropagation.
Hasil dari penelititan ini yaitu menghasilkan suatu sistem yang mampu mengetahui sifat seseorang dengan waktu 3 menit yang memiliki keberhasilan sebesar 71,4%.
Kata kunci: backpropagation, sinyal EEG, sifat manusia, fast fourier transform, PSD
1. Pendahuluan
Mengetahui sifat seseorang merupakan salah satu disiplin ilmu dalam bidang psikologi. Banyak cara yang dapat digunakan untuk mengetahui sifat seseorang yaitu dengan melakukan pendekatan ilmu psikologi baik dari neurobiologis, perilaku, kognitif, psikoanalisa, dan fenomenologi.
Di luar pendekatan tersebut, peneliti melalui penelitian ini membuat sebuah pendekatan baru untuk
mengetahui sifat seseorang, yaitu dengan melakukan analisa terhadap sinyal EEG manusia. Penelitian ini memanfaatkan device EEG berupa Emotiv EEG Neuroheadset yang 14 channel elektroda.
Sistem pada penelitian ini memanfaatkan metode backpropagation untuk melakukan pemrosesan pola masukan, yang sebelumnya dilakukan pemrosesan terhadap data sinyal EEG dengan menggunakan Fast Fourier Transform (FFT) dan Power Spectral Density (PSD). Pemrosesan menggunakan FFT bertujuan untuk menyederhanakan banyaknya data masukan yang diperoleh, sedangkan pemrosesan menggunakan PSD bertujuan untuk meng-ekstraksi sinyal hasil pemrosesan FFT ke dalam bentuk spektrum yang spesifik.
Hasil dari penelitian ini yaitu menghasilkan sistem analisis sinyal EEG untuk dapat mengetahui sifat manusia hanya dengan waktu 3 menit, sehingga
diharapkan mampu digunakan sebagai pendekatan baru dalam ilmu psikologi, khususnya dalam mengetahui sifat manusia.
2. Dasar Teori
3.1. Electroencephalograph (EEG)
Pengukuran sinyal EEG dilakukan dengan cara meletakkan elektroda-elektroda pada kulit kepala dengan mengikuti standar peletakan elektrode yang telah ditentukan[1].
Lokasi pemasangan elektrode menurut standart internasional sebanyak 10-20 elektroda. Pada penelitian ini menggunakan device EEG dengan 14 elektroda.
2.2. Fast Fourier Transform (FFT)
FFT merupakan algoritma yang efisien untuk menghitung DFT, sehingga dapat menurunkan jumlah perhitungan DFT. Transformasi Fourier didefinisikan sebagai sebuah persamaan kontinyu dalam range tertentu sebagai gabungan dari beberapa persamaan sinus[4]. Transformasi fourier dapat dihitung dengan formula sebagai berikut:
∑
∑
………..………...(1)
2.3. Power Spectral Density (PSD)
Power Spectral Density (PSD) adalah fungsi real positif dari variabel frekuensi terkait dengan proses stokastik stasioner, atau fungsi deterministik waktu, yang memiliki dimensi daya per hertz (Hz), atau energi per hertz.
PSD Welch dapat dihitung dengan formula sebagai berikut:
(
)
∑∑ ……….…...(2)
2.4. Backpropagation
Pelatihan suatu jaringan syaraf tiruan dengan algoritma backpropagation meliputi dua tahap yaitu perambatan maju dan perambatan mundur.
Berikut merupakan proses pelatihan backpropagation :
Langkah 0 :
Inisialisasi bobot. (sebaiknya diatur pada nilai acak yang kecil),
Langkah 1 :
Jika kondisi tidak tercapai, lakukan langkah 2-9,
Langkah 2 :
Untuk setiap pasangan pelatihan, lakukan langkah 3-8,
Perambatan Maju : Langkah 3 :
Tiap unit masukan (xi, i = 1,…, n) menerima sinyal xi dan menghantarkan sinyal ini ke semua unit lapisan di atasnya (unit tersembunyi),
Langkah 4 :
Setiap unit tersembunyi (xi, i = 1,…, p) jumlahkan bobot sinyal masukannya,
∑ ………..……...(3)
voj = bias pada unit tersembunyi j aplikasikan fungsi aktivasinya untuk menghitung sinyal keluarannya, zj = f (z_inj), dan kirimkan sinyal ini keseluruh unit pada lapisan diatasnya (unit keluaran).
Langkah 5 :
Tiap unit keluaran (yk, k = 1,…, m) jumlahkan bobot sinyal masukannya,
∑ ………...…...(4)
wok = bias pada unit keluaran k dan aplikasikan fungsi aktivasinya untuk menghitung sinyal keluarannya, yk = f (y_ink).
Perambatan Mundur : Langkah 6 :
Tiap unit keluaran (yk , k = 1,…, m) menerima pola target yang saling berhubungan pada masukan pola pelatihan, hitung kesalahan informasinya,
………...………...(5)
hitung koreksi bobotnya (digunakan untuk memperbaharui wjk nantinya),
………..………….……..………...(6)
hitung koreksi biasnya (digunakan untuk memperbaharui wok nantinya), dan kirimkan δk ke unit-unit pada lapisan dibawahnya,
Langkah 7 :
Setiap unit lapisan tersembunyi (zj, j = 1,…, p) jumlahkan hasil perubahan masukannya (dari unit-unit lapisan diatasnya),
∑ …….………...………...(7)
kalikan dengan turunan fungsi aktivasinya untuk menghitung informasi kesalahannya,
……….…………...………...(8)
hitung koreksi bobotnya (digunakan untuk memperbaharui voj nanti),
Langkah 8 :
Tiap unit keluaran (yk, k = 1,…, m) update bias dan bobotnya (j = 0,…, p) :
…………..…...(9)
Tiap unit lapisan tersembunyi (zj, j = 1,…, p) update bias dan bobotnya (I = 0,…,n) :
…………...…...(10)
Langkah 9 :
3. Metodologi
3.1. Tahap Pengambilan data
Pada tahap ini dilakukan pemberian angket kepada user. Angket tersebut berupa kuesioner psikologi berbasis android dan bertujuan untuk mengetahui sifat pengguna melalui beberapa pendekatan sebelum dilakukan pengambilan data sinyal EEG. Isi kuesioner tersebut diperoleh dari buku personality plus[12] yang telah memanfaat teori galen dalam menentukan karakter seseorang. Berikut merupakan merimekanisme pengambilan data kuesioner.
Mulai
Memilih seseorang untuk dijadikan
sample referensi
Meminta orang tersebut untuk mengisi kuesioner
Kesioner akan menyimpulkan sifat dari orang tersebut Sifat akan digunakan
sebagai tujuan penyimpanan data
pada proses selanjutnya Selesai
Gambar 2. Mekanisme pengambilan data kuesioner
3.2. Tahap Pemrosesan EEG dan Penyimpanan Pola
Pada pengujian ini didasarkan pada teknik pemrosesan menggunakan Fast Fourier Transform (FFT) untuk memperkecil range data yang diperoleh dan Power Spectral Density (PSD) untuk memperbesar spektra daya. Berikut ini merupakan flowchart dari proses tersebut.
Mulai
Enable Capture
index <= 127
EEG[index] = data_EEG
Index++
Moving Average
Sub data dengan panjang = 256
per sub
maksimal = Subdata. getLength();
index sub < maksimal
FFT (sub[index sub]);
Ambil frekuensi range 4-13Hz
PSD * log (data(4-13Hz));
Normalisasi Susun data pada
440< point >360 tersebut menjadi
pattern
Simpan ke database MySQL
Selesai
Gambar 3. Flowchart pemrosesan EEG
Gambar 4. Ilustrasi proses
Dari proses tersebut akan dihasilkan suatu pola dengan panjang 80 poin data. Pola tersebut akan digunakan untuk proses training backpropagation. Pada gambar 5 ditunjukkan bentuk pola dari setiap kategori sifat manusia dari data referensi yang telah diperoleh sebelumnya.
Gambar 5. Pola sifat yang diperoleh dari pemrosesan EEG
Gambar 5 menunjukkan bahwa pola dari sifat melankolis memiliki kecenderungan memliki dua puncak dengan amplitudo yang tinggi. Pada puncak pertama memiliki amplitudo yang lebih kecil dari puncak kedua. Pola tersebut berkebalikan dengan pola dari sifat koleris. Pola plegmatis memiliki pola yang hampir sama dengan melankolis, namun pada puncak pertama sangat kecil apabila dibandingkan dengan puncak pertama pola melankolis. Pada pola sanguinis kecenderungan memiliki amplitudo tertinggi pada poin terakhir.
3.3. Tahap Analisa Pola dengan Backpropagation Tahap analisis sinyal EEG dapat disebut dengan proses mapping, yaitu merupakan proses analisa sinyal EEG dari pengguna yang baru dengan cara
1 1529435771
Melankolis
1 17334965
Koleris
1 1529435771
Plegmatis
1 1529435771
Sanguinis
Reduksi noise Sinyal EEG + noise
membandingkan output proses perambatan maju (forward) metode backpropagation dengan output target yang terdapat di dalam database. Berikut merupakan desain arsitektur metode backpropagation pada sistem ini.
I0
Gambar 6. Rancangan Arsitektur Algoritma Metode
Backpropagation
Berikut ini merupakan flowchart pada tahap analisa pola dengan Backpropagation.
Gambar 7. Flowchart pemrosesan EEG dan Proses Mapping Backpropagation
4. Pengujian
Pada pengujian ini akan dilakukan pengambilan data EEG dari pengguna secara acak yang belum diketahui sifatnya. Sistem akan menganalisa dan menyimpulkan sifat dari pengguna tersebut. Hasil sifat dari sistem tersebut akan dibandingkan dengan hasil sifat dari kuesioner psikologi. Pada gambar 8 merupakan
tampilan hasil sifat pengguna dengan menggunakan sistem ini, ”AT-iNEC”.
Gambar 8. Aplikasi AT-iNEC menyimpulkan, sifat pengguna adalah Melankolis
Pada gambar 8 merupakan hasil dari kategori sifat yang telah disimpulkan oleh sistem “AT-iNEC”, dan sifat tesebut telah terbukti kebenarannya, yaitu dengan menguji pengguna yang memiliki sifat melankolis (berdasarkan kuesioner) dengan menggunakan sistem “AT-iNEC”. Dan telah terbukti bahwa sistem “AT-iNEC” dapat membuktikan keberhasilan dalam proses pengolahan dan analisa sinyal EEG untuk menentukan sifat pengguna tersebut.
Berikut ini merupakan grafik perbandingan kebenaran dari sistem ”AT-iNEC” dengan pengambilan data pengguna secara acak, aplikasi memanfaatkan
analisa berdasarkan spektrum sinyal teta.
Gambar 9. Grafik keberhasilan sistem
Berdasarkan perbandingan hasil antara kuesioner psikologi dengan sistem ”AT-iNEC” pada gambar 9, terdapat 10 dari 14 sifat orang yang berhasil diidentifikasi dengan benar. Sehingga prosentase keberhasilan sistem yaitu sebesar 71,4%.
5. Kesimpulan
Dengan uji coba terhadap beberapa sample secara acak dan perbandingan terhadap hasil kuesioner psikologi, prosentase keberhasilan sistem yaitu sebesar 71,4%. Hal tersebut dikarenakan pengaruh kondisi lingkungan pengambilan data yang diharuskan dalam
71.43%
keadaan tenang. Analisa sinyal EEG terbaik dalam penelitian ini yaitu analisa berdasarkan spektrum sinyal teta pada saat pasien sedang menutup mata, dikarenakan pola yang dihasilkan memiliki karakteristik yang lebih spesifik antara sifat manusia yang satu dengan yang lain.
Referensi
[1] [Setiyawan, Tri Budhi. 2005. Tugas Akhir: Rancang Bangun Eelctroencephalograph Berbasis Mikrokontroller. Surabaya. PENS-ITS
[2] G. Chanel, J. Kronegg, D. Grandjean, and T. Pun. Emotion assessment: Arousal evaluation using EEG's and peripheral physiological signals. Technical Report 05.02, Computer Vision Group, Computing Science Center, University of Geneva, 2005.
[3] K.H. Kim, S.W. Bang, and S.R. Kim. Emotion recognition system using short-term monitoring of physiological signals. Medical and Biological Engineering and Computing, 42:419{427, 2004. [4] Mochamad, Arifin, Kontrol Mobile Robot Berbasis
Sinyal EEG : Pemrosesan Sinyal EEG sebagai Aktuator, Proyek Akhir Politeknik Elektronika Negeri Surabaya, 2007.
[5] Hindarto, Moch. Hariadi, Mauridgi Hery Purnomo. “Identifikasi Sinyal Elektrode Enchepalo Graph untuk Menggerakkan Kursor Menggunakan Teknik Sampling dan Jaringan Syaraf Tiruan”. Jurusan Teknik Elektro ITS 2011.
[6] Wikipedia, Psikologi.
http://id.wikipedia.org/wiki/Psikologi. Diakses pada tanggal 22 Juni 2012.
[7] Feriz Kurniawan. 4 Sifat manusia(Plegmatis,
Melankolis, Sanguinis,
Koleris) .http://ferizkurniawan.com. Diakses pada tanggal 12 Juni 2012.
[8] Franklin Pierce Wright ,” EMOCHAT: EMOTIONAL INSTANT MESSAGING WITH THE EPOC HEADSET ”, Master Thesis Faculty of the Graduate School of the University of Maryland, 2010.
[9] Ekman, P., & Oster, H. (1979). Facial Expressions of Emotion. Annual Review of Psychology, 30(1), 527-554.
[10] Rector AL, Nowlan WA, the GALEN Consortium. The GALEN ProjecComp. Meth. and Prog. in Biomedicine, 1994:75-78.
[11] Aggarwal J. C. 92001) Basic ideas in Educational Psychology, Shipra Publisher, N. Delhi
[12] Littauer, Florence. 1992. Personality Plus. New York.
[13] Adipranata, Rudy dan Resmana, Pengenalan Suara Manusa dengan Metode LPC dan Jaringan Syaraf Tiruan Propagasi Balik, Universitas Kristen Petra, Surabaya, 1999.
[14] J. R. Wolpaw, N. Birbaumer, D. J. McFarland, G. Pfurtscheller, and T. M. Vaughan, Braincomputer interfaces for communication and control, Clinical Neurophysiology, 113(6):767{791), 2002.
[15] Siuly and Li, Yan and Wen, Peng, Classification of EEG signals using sampling techniques and least square support vector machines. In: 4th International Conference on Rough Set and Knowledge Technology (RSKT2009), 14-16 Jul 2009.
