TESIS - KS142501
Perbandingan Algoritma Praproses Data Dalam
Pencarian Hasil Terbaik Algoritma Adaptive
Common Spatial Pattern
AHMAD SYAFIQ KAMIL 5215201011
DOSEN PEMBIMBING
Dr.Eng. Febriliyan Samopa, S.Kom., M.Kom.
NIP: 197302191998021001
PROGRAM MAGISTER
JURUSAN SISTEM INFORMASI
FAKULTAS TEKNOLOGI INFORMASI DAN KOMUNIKASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA 2018
ii TESIS - KS142501
Comparison of Data Preprocess Algorithms to
Find The Best Result for Adaptive Common
Spatial Pattern Algorithms
AHMAD SYAFIQ KAMIL 5215201011
SUPERVISOR
Dr.Eng. Febriliyan Samopa, S.Kom., M.Kom. NIP: 197302191998021001
POSTGRADUATE PROGRAM
DEPARTMENT OF INFORMATION SYSTEM
FACULTY OF INFORMATION TECHNOLOGY AND COMMUNICATION INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA 2018
v
vi
Perbandingan Algoritma Praproses Data Dalam Pencarian Hasil
Terbaik Algoritma Adaptive Common Spatial Pattern
Nama mahasiswa: Ahmad Syafiq Kamil
NRP : 52152010011
Pembimbing : Dr.Eng. Febriliyan Samopa, S.Kom., M.Kom.
ABSTRAK
Aktifitas otak dapat digambarkan dengan adanya gelombang otak. Aktivitas otak dapat diamati menggunakan alat rekam khusus yang dapat ditemui di rumah sakit dan laboratorium. Brain Computer Interface (BCI) adalah sebuah interface yang menyediakan alat untuk otak berkomunikasi tanpa menggunakan otot. Terdapat beberapa penelitian terkait dengan BCI, pada penelitian ini berfokus pada metode adaptive common spatial pattern (ACSP). ACSP adalah metode pengembangan dari metode Common Spatial Pattern dimana metode ini dapat digunakan untuk mengklasifikasikan beberapa subjek. metode ini memiliki kekurangan dimana metode ini akan menghasilkan hasil yang baik ketika masukan yang diterima dari tahap praproses data baik dan akan menjadi tidak reliabel jika data yang menjadi masukan memiliki derau sinyal yang buruk. Pada penelitian ini membandingkan beberapa metode yang ada pada tahap praproses data. Hasil penelitian ini adalah metode Bandpass adalah metode terbaik yang dapat dijadikan masukan untuk penelitian ACSP. Penelitian ini juga meneliti mengenai peningkatan hasil akurasi dengan mengubah parameter dari metode terbaik tersebut. Dengan mengubah parameter pemotongan sinyal maka didapatkan jarak pemotongan sinyal terbaik untuk motor imagery pada metode bandpass filtering berada pada jarak 9 Hz – 28 Hz.
Kata Kunci : antar muka otak-komputer, adaptive common spatial pattern,
vii
viii
Comparison of Data Preprocess Algorithms In Search Results
Best Adaptive Common Spatial Pattern Algorithms
Name : Ahmad Syafiq Kamil
NRP : 52152010011
Supervisor : Dr.Eng. Febriliyan Samopa, S.Kom., M.Kom.
ABSTRACT
Brain activity can be described in the presence of brain waves. Brain activity can be observed using specialized recording devices that can be found in hospitals and laboratories. Brain Computer Interface (BCI) is an interface that provides a tool for the brain to communicate without the use of muscles. There are several studies related to BCI, in this study focusing on adaptive common spatial pattern (ACSP) method. ACSP is a method of development of the Common Spatial Pattern method where this method can be used to classify multiple subjects. this method has a drawback where this method will produce good results when the input received from the data pretreat stage is good and will become unreliable if the input data has bad signal noise. In this study comparing several methods that exist in the data preprocessing phase. The result of this research is Bandpass method is the best method that can be used as input for ACSP research. This study also examines the improvement of accuracy results by altering the parameters of the best method. By changing the signal-cutting parameters, the best distance-cutting distance for the motor imagery in the bandpass filtering method is at a distance of 9 Hz - 28 Hz. Kata Kunci : Brain Computer Interface,, adaptive common spatial pattern,
x
KATA PENGANTAR
Alhamdulillah, segala puji syukur kepada Allah SWT yang telah memberi kesempatan serta kemudahan bagi penulis sehingga penulis dapat menyelesaikan tesis dengan baik dan tepat pada waktunya. Tesis yang berjudul “Perbandingan Algoritma Praproses Data Dalam Pencarian Hasil Terbaik Algoritma Adaptive Common Spatial Pattern”. Tesis ini disusun untuk memenuhi salah satu syarat menyelesaikan pendidikan pascasarjana di Departemen Sistem Informasi, Fakultas Teknologi Informasi dan Komunikasi, Institut Teknologi Sepuluh Nopember. Penyusunan tesis ini tidak lepas dari bantuan berbagai pihak. Oleh karena itu, penulis menyampaikan terima kasih kepada:
1. Orang tua penulis (Abi Mashudi dan Umi Robiah) yang telah mendoakan dan senantiasa mendukung penulis.
2. Adek adek penullis (M. Reza Wardana, Zidna Mazidah dan Erda Afifah) yang selalu mendukung penulis.
3. Bapak Dr.Eng. Febriliyan Samopa, S.Kom., M.Kom selaku Dosen Pembimbing yang telah meluangkan waktu, tenaga dan pikiran, serta memberikan ilmu, dukungan, dan kesabaran selama membimbing penulis dari awal hingga tesis ini selesai.
4. Bapak Prof.Ir. Arif Djuanaidy, M.Sc, Ph.D, bapak Dr. Ir. Aris Tjahyanto, M.Kom dan ibu Nur Aini Rakhmawati S.Kom, M.Sc.Eng selaku Dosen Penguji yang telah bersedia menguji dan memberikan masukan untuk penelitian ini.
5. Lab IKTI yang telah membantu penulis dalam menyiapkan komputer untuk penelitian.
6. Prof Slamin yang telah dengan mempersilahkan penulis untuk meminjam server di jurusan Sistem Informasi Universitas Jember
7. Teman-teman keluarga besar S2 SI Angkatan 2015 yang telah menemani suka, duka serta dukungannya selama menempuh pendidikan pascasarjana.
xi
8. Teman teman lulusan Sistem Informasi Universitas Jember khususnya erik, fitri, qilba dan hawwin yang juga menempuh pendidikan magister bersama penulis
9. Semua pihak yang tidak dapat disebutkan satu-persatu.
Akhir kata, penulis mengucapkan terimakasih dengan segala hormat dan kerendahan hati. Penulis berharap semoga tesis ini dapat memberikan manfaat bagi perkembangan ilmu pengetahuan untuk semua pihak. Apabila pada tesis ini terdapat kata-kata yang kurang berkenan di hati para pembaca sekalian, maka penulis memohon maaf yang sebesar-besarnya. Tesis ini juga masih jauh dari kata sempurna, sehingga penulis sangat terbuka terkait masukan dan kritik dari pembaca. Pembaca dapat mengirimkan masukan dan saran melalui email [email protected]
xii
DAFTAR ISI
LEMBAR PENGESAHAN ... Error! Bookmark not defined.
ABSTRAK ... vi
ABSTRACT ... viii
KATA PENGANTAR ... x
LEMBAR PENGESAHAN ... xi
DAFTAR ISI ... xii
DAFTAR TABEL ... xvi
DAFTAR GAMBAR ... xx
BAB 1 ... 1
1.1 Latar Belakang Masalah ... 1
1.2 Perumusan Masalah ... 5 1.3 Tujuan Penelitian ... 6 1.4 Manfaat Penelitian ... 6 1.5 Batasan Penelitian ... 6 BAB 2 ... 9 2.1 Penelitian Terdahulu ... 9 2.2 Gelombang Otak ... 11
2.3 Brain Computer Interface ... 13
2.4 Common Spatial Pattern ... 14
2.5 Adaptive Common Spatial Pattern ... 16
2.5.1. Feature variance-based ... 17
2.5.2. Kullback-Leibler distance ... 18
2.5.3. Frobenius Norm ... 19
2.5.4. Implemetasi ACSP. ... 19
2.6 Time-Varying Autoregressions ... 20
2.7 Stationary Subspace Analysis ... 22
2.8 Filter Digital ... 23
2.9 Support Vector Machine ... 27
1.10. Evaluasi Metode ... 29
BAB 3 ... 33
3.1. Studi Literatur ... 33
3.2. Pemilihan Data ... 34
xiii
3.3.1. Time Varying Autoregression ... 37
3.3.2. Stationay Subspace Analysis ... 38
3.3.3. Bandpass Filtering ... 38
3.4. Ekstraksi Fitur ... 39
3.5. Klasifikasi Data ... 39
3.6. Uji Coba dan Analisis Hasil ... 40
3.6.1. Uji Coba ... 40
3.6.2. Analisis Hasil Uji Coba ... 43
3.7. Rencana Penelitian ... 44
BAB 4 ... 47
4.1. Lingkungan Uji Coba ... 47
4.2. Praproses Data ... 47
4.2.1. Time-Varying Autoregressive (TVAR) ... 48
4.2.2. Stationary Subspace Analysis (SSA) ... 51
4.2.3. Bandpass Filtering ... 52
4.3. Ekstrasi Fitur ... 54
4.3.1. Intra subjek ... 54
4.3.2. Inter subjek ... 57
4.4. Klasifikasi ... 60
4.4.1. Hasil Klasifikasi Normal ... 60
4.4.2. Hasil Klasifikasi Dengan Data Parameter yang Diubah ... 66
4.5. Pembahasan ... 77
BAB 5 ... 81
5.1. Perbandingan Menggunakan Data Normal ... 81
5.1.1. Intra Subjek ... 81
5.1.2. Inter Subjek Tipe 1 ... 83
5.1.3. Inter Subjek Tipe 2 ... 85
5.2. Perbandingan Menggunakan Data Dengan Parameter Yang Diubah .... 87
5.2.1. TVAR ... 88
5.2.2. SSA ... 93
5.2.3. Bandpass ... 102
xiv
BAB 6 ... 115
Daftar Pustaka ... 117
LAMPIRAN ... 119
A. Sumber kode ACSP Intra-subjek ... 119
B. Sumber Kode ACSP Inter-subjek 1 ... 122
C. Sumber Kode ACSP Inter-subjek 2 ... 125
D. Confusion Matrix dan Kurva ROC dari Hasil klasifikasi Tanpa Menggunakan Praproses ... 129
E. Confusion Matrix dan Kurva ROC dari Hasil klasifikasi Menggunakan TVAR ... 135
F. Confusion Matrix dan Kurva ROC dari Hasil klasifikasi Menggunakan SSA 140 G. Confusion Matrix dan Kurva ROC dari Hasil klasifikasi Menggunakan Bandpass Filtering. ... 147
xv
xvi
DAFTAR TABEL
Tabel 2.1 Kumpulan Rumus Perhitungan Evaluasi Klasifikasi ... 30
Tabel 3.1 Spesifikasi Dataset ... 35
Tabel 3.2 Jumlah percobaan pada dataset IVa ... 36
Tabel 3.3 Perbandingan Data Mentah Dan Data Yang Telah Diproses Dengan Bandpasss ... 39
Tabel 3.4 Tabel Akurasi Hasil Percobaan ... 41
Tabel 3.5 Tabel Presisi Hasil Percobaan ... 42
Tabel 3.6 Tabel Recall Hasil Percobaan ... 42
Tabel 3.7 Tabel Rencana Penelitian ... 44
Tabel 4.1 Spesifikasi Perangkat Keras ... 47
Tabel 4.2 Spesifikasi Perangkat Lunak ... 47
Tabel 4.3 Tabel akurasi Hasil Klasifikasi Intra Subjek tanpa Menggunakan Praproses ... 60
Tabel 4.4 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 1 tanpa Menggunakan Praproses ... 61
Tabel 4.5 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 2 tanpa Menggunakan Praproses ... 61
Tabel 4.6 Tabel akurasi Hasil Klasifikasi Intra Subjek tanpa Menggunakan TVAR ... 62
Tabel 4.7 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 1 menggunakan TVAR ... 62
Tabel 4.8 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 2 menggunakan TVAR ... 63
Tabel 4.9 Tabel akurasi Hasil Klasifikasi Intra Subjek dengan metode SSA ... 63
Tabel 4.10 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 1 dengan metode SSA ... 64
Tabel 4.11 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 2 dengan metode SSA ... 64
Tabel 4.12 Tabel akurasi Hasil Klasifikasi Intra Subjek dengan metode bandpass ... 65
Tabel 4.13 Tabel akurasi Hasil Klasifikasi inter Subjek tipe 1 dengan metode bandpass ... 65
Tabel 4.14 Tabel akurasi Hasil Klasifikasi inter Subjek tipe 2 dengan metode bandpass ... 66
Tabel 4.15 Tabel akurasi Hasil Klasifikasi Intra Subjek Menggunakan TVAR .... 67
Tabel 4.16 Tabel hasil akurasi rangkaian sinyal dengan order 88 hingga 92 ... 67
Tabel 4.17 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 1 menggunakan TVAR dengan order 90 ... 68
xvii
Tabel 4.18 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 2 menggunakan TVAR dengan order 90 ... 68 Tabel 4.19 Tabel akurasi Hasil Klasifikasi Intra Subjek dengan metode SSA ... 69 Tabel 4.20 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 1 dengan metode SSA ... 70 Tabel 4.21 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 2 dengan metode SSA ... 70 Tabel 4.22 Tabel Percobaan 1 Hasil Klasifikasi Intra Subjek dengan metode bandpass dengan membesarkan jangkauan pemotongan data pada dua sisi ... 72 Tabel 4.23 Tabel Percobaan 2 Hasil Klasifikasi Intra Subjek dengan metode bandpass dengan mengecilkan jangkauan pemotongan data pada dua sisi ... 73 Tabel 4.24 Tabel Percobaan 3 Klasifikasi Intra Subjek dengan metode bandpass dengan membesarkan jangkauan pemotongan data pada satu sisi ... 74 Tabel 4.25 Tabel Percobaan 4 Klasifikasi Intra Subjek dengan metode bandpass dengan membesarkan jangkauan pemotongan data pada satu sisi ... 75 Tabel 4.26 Tabel akurasi Hasil Klasifikasi inter Subjek tipe 1 dengan metode bandpass ... 76 Tabel 4.27 Tabel akurasi Hasil Klasifikasi inter Subjek tipe 2 dengan metode bandpass ... 76 Tabel 5.1 Hasil klasifikasi sebelum dioptimasi ... 112 Tabel 5.2 Hasil klasifikasi sesudah dioptimasi ... 112 Tabel D.1 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Intra Subjek dengan data AA ... 129 Tabel D.2 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Intra Subjek dengan data AL ... 129 Tabel D.3 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Intra Subjek dengan data AV ... 130 Tabel D.4 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Intra Subjek dengan data AW ... 130 Tabel D.5 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Intra Subjek dengan data AY ... 131 Tabel D.6 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk inter Subjek tipe 1 dengan data ... 132 Tabel D.7 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Inter Subjek tipe 2 dengan data AA ... 132 Tabel D.8 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Inter Subjek tipe 2 dengan data AL ... 133 Tabel D.9 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Inter Subjek tipe 2 dengan data AV ... 133 Tabel D.10 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Inter Subjek tipe 2 dengan data AW ... 134
xviii
Tabel D.11 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Inter Subjek tipe 2 dengan data AY ... 134 Tabel E.1 Tabel ROC dari klasifikasi menggunakan TVAR untuk intra Subjek dengan data AA ... 135 Tabel E.2 Tabel ROC dari klasifikasi menggunakan TVAR untuk intra Subjek dengan data AL ... 135 Tabel E.3 Tabel ROC dari klasifikasi menggunakan TVAR untuk intra Subjek dengan data AV ... 136 Tabel E.4 Tabel ROC dari klasifikasi menggunakan TVAR untuk intra Subjek dengan data AW ... 136 Tabel E.5 Tabel ROC dari klasifikasi menggunakan TVAR untuk intra Subjek dengan data AY ... 137 Tabel E.6 Tabel ROC dari klasifikasi menggunakan TVAR untuk Inter Subjek tipe 1 dengan data ... 137 Tabel E.7 Tabel ROC dari klasifikasi menggunakan TVAR untuk inter subjek tipe 2 dengan data AA ... 138 Tabel E.8 Tabel ROC dari klasifikasi menggunakan TVAR untuk inter subjek tipe 2 dengan data AL ... 139 Tabel E.9 Tabel ROC dari klasifikasi menggunakan TVAR untuk inter subjek tipe 2 dengan data AV ... 139 Tabel E.10 Tabel ROC dari klasifikasi menggunakan TVAR untuk inter subjek tipe 2 dengan data AW ... 140 Tabel E.11 Tabel ROC dari klasifikasi menggunakan TVAR untuk inter subjek tipe 2 dengan data AY ... 140 Tabel F.1 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek dengan data AA ... 141 Tabel F.2 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek dengan data AL ... 141 Tabel F.3 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek dengan data AV ... 142 Tabel F.4 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek dengan data AW ... 142 Tabel F.5 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek dengan data AY ... 143 Tabel F.6 Tabel ROC dari klasifikasi menggunakan SSA untuk inter subjek tipe 1 dengan data ... 143 Tabel F.7 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek tipe 2 dengan data AA ... 144 Tabel F.8 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek tipe 2 dengan data AL ... 144
xix
Tabel F.9 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek tipe 2 dengan data AV ... 145 Tabel F.10 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek tipe 2 dengan data AW ... 146 Tabel F.11 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek tipe 2 dengan data AW ... 146 Tabel G.1 Tabel ROC dari klasifikasi menggunakan Bandpass untuk intra subjek dengan data AA ... 147 Tabel G.2 Tabel ROC dari klasifikasi menggunakan Bandpass untuk intra subjek dengan data AL ... 147 Tabel G.3 Tabel ROC dari klasifikasi menggunakan Bandpass untuk intra subjek dengan data AV ... 148 Tabel G.4 Tabel ROC dari klasifikasi menggunakan Bandpass untuk intra subjek dengan data AW ... 148 Tabel G.5 Tabel ROC dari klasifikasi menggunakan Bandpass untuk intra subjek dengan data AY ... 149 Tabel G.6 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek tipe 1dengan data ... 150 Tabel G.7 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek tipe 2 dengan data AA ... 150 Tabel G.8 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek tipe 2 dengan data AL ... 151 Tabel G.9 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek tipe 2 dengan data AV ... 151 Tabel G.10 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek tipe 2 dengan data AW ... 152 Tabel G.11 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek tipe 2 dengan data AY ... 152
xx
DAFTAR GAMBAR
Gambar 2.1 BCI Non Invasive (Graimann et al., 2010) ... 13
Gambar 2.2 BCI Invasive (Abdulkader et al., 2015) ... 14
Gambar 2.3 Sistem BCI ... 14
Gambar 2.4 Diagram blok dari spectral inversion. (a) adalah sinyal input dimana x[n] diaplikasikan pada 2 sistem secara paralel, memiliki respon impuls yaitu h[n] dan δ[n]. (b) menunjukkan sistem yang memiliki respon impuls yaitu δ[n]-h[n]. ini berarti respon frekuensi dari h[n]. ... 25
Gambar 2.5 Merancang sebuah filter bandpass (a) filter bandpass dapat dibentuk dengan mengalirkan filter lowpass dan filter highpass. tahap tersebut dapat dikurangi menjadi satu tahap yang setara dengan kerumitan dari filter lowpass dan filter highpass ... 25
Gambar 2.6 filter bandpass ideal (Gunawan and Filbert Himan Juwono, 2012). .. 26
Gambar 2.7 Margin Maksimum untuk Dua Kelas yang telah Diklasifikasi ... 28
Gambar 2.8 Margin Minimum dan Maksimun ... 29
Gambar 2.9 Confusion Matrix dengan total tupel positif dan negative (Han and Kamber, 2011) ... 30
Gambar 2.10 Kurva ROC ... 31
Gambar 3.1 Alur Penelitian. ... 34
Gambar 3.2 dataset IVa. gambar a menunjukkan data dari subjek aa. gambar b menunjukkan data dari subjek al. gambar c menunjukkan data dari subjek av. gambar menunjukkan data dari subjek aw. gambar e menunjukkan data dari subjek ay. ... 36
Gambar 3.3 Data Dummy eeg400 ... 37
Gambar 3.4 Data dummy untuk metode SSA ... 37
Gambar 3.5 Diagram plot pada matlab dengan data eeg400. A menunjukkan data eeg400 yang belum diproses. B menunjukkan data eeg400 yang telah diproses menggunakan metode TVAR ... 38
Gambar 3.6 Data Hasil SSA. a Sumber non Statis. b Sumber Statis ... 38
Gambar 3.7 Sinyal Hasil Filter dan Sinyal Belum Terfilter ... 39
Gambar 3.8 Tahapan Evaluasi dan Analisis Hasil ... 41
Gambar 3.9 Tahapan Pengolahan Data ... 45
Gambar 4.1 gambar data subjek aa pada baris ke 1 ... 48
Gambar 4.2 diagram blok dekomposisi sinyal menggunakan TVAR. ... 48
Gambar 4.3 Sumber kode praproses data menggunakan TVAR. ... 49
Gambar 4.4 plot hasil dekomposisi pada variabel decomp kolom 1 sinyal aw .... 49
Gambar 4.5 sumber kode untuk menyusun seluruh komponen yang telah didekomposisi menjadi sebuah vektor sinyal. ... 50
Gambar 4.6 hasil sinyal yang telah disusun menjadi sebuah vektor. ... 50
xxi
Gambar 4.8 Sumber Kode SSA ... 51 Gambar 4.9 hasil pengolahan SSA ... 52 Gambar 4.10 Gambar Hasil SSA pada subjek aa pada baris ke 1 ... 52 Gambar 4.11 kode sumber dari filter bandpass ... 53 Gambar 4.12 hasil bandpass setiap subjek ... 53 Gambar 4.13 Gambar Sinyal Hasil Bandpass pada Subjek aa baris ke 1 ... 54 Gambar 4.14 baris kode untuk memisahkan data ... 55 Gambar 4.15 sumber kode CSP ... 55 Gambar 4.16 fitur hasil CSP ... 56 Gambar 4.17 sumber kode ACSP iA ... 56 Gambar 4.18 sumber kode ACSP iB ... 57 Gambar 4.19 Sumber kode ACSP iC ... 57 Gambar 4.20 sumber kode untuk memisahkan data sesuai dengan percobaan ... 58 Gambar 4.21 memisah data sesuai dengan kelasnya ... 58 Gambar 4.22 Sumber Kode Perhitungan CSP ... 59 Gambar 4.23 Proses Menghitung Fitur ACSP ... 59 Gambar 4.24 Gambar alur percobaan pada bandpass filtering ... 76 Gambar 5.1 Hasil perbandingan CSP pada tiap metode ... 81 Gambar 5.2 Hasil perbandingan ACSP Ia pada tiap metode ... 82 Gambar 5.3 Hasil perbandingan ACSP Ib pada tiap metode ... 82 Gambar 5.4 Hasil perbandingan ACSP Ib pada tiap metode ... 83 Gambar 5.5 Hasil perbandingan CSP pada tiap metode ... 83 Gambar 5.6 Hasil perbandingan ACSP Ia pada tiap metode ... 84 Gambar 5.7 Hasil perbandingan ACSP Ib pada tiap metode ... 84 Gambar 5.8 Hasil perbandingan ACSP Ic pada tiap metode ... 85 Gambar 5.9 Hasil perbandingan CSP pada tiap metode ... 86 Gambar 5.10 Hasil perbandingan ACSP Ia pada tiap metode ... 86 Gambar 5.11 Hasil perbandingan ACSP Ib pada tiap metode ... 87 Gambar 5.12 Hasil perbandingan ACSP Ic pada tiap metode ... 87 Gambar 5.13 Hasil perbandingan CSP Intra Subjek pada metode TVAR ... 88 Gambar 5.14 Hasil perbandingan CSP Intra Subjek pada metode TVAR ... 89 Gambar 5.15 Hasil perbandingan ACSP Ia Intra Subjek pada metode TVAR ... 89 Gambar 5.16 Hasil perbandingan ACSP Ia Intra Subjek pada metode TVAR ... 90 Gambar 5.17 Hasil perbandingan ACSP Ib Intra Subjek pada metode TVAR ... 90 Gambar 5.18 Hasil perbandingan ACSP Ib Intra Subjek pada metode TVAR ... 91 Gambar 5.19 Hasil perbandingan ACSP Ic Intra Subjek pada metode TVAR ... 91 Gambar 5.20 Hasil perbandingan ACSP Ic Intra Subjek pada metode TVAR ... 92 Gambar 5.21 Hasil perbandingan ACSP Inter Subjek Tipe 1 pada metode TVAR ... 92 Gambar 5.22 Hasil perbandingan ACSP Inter Subjek Tipe 2 pada metode TVAR ... 93
xxii
Gambar 5.23 Hasil perbandingan CSP pada metode SSA dengan repetisi 1 kali hingga 10 kali ... 94 Gambar 5.24 Hasil perbandingan ACSP Ia pada metode SSA dengan repetisi 1 kali hingga 10 kali ... 94 Gambar 5.25 Hasil perbandingan ACSP Ib pada metode SSA dengan repetisi 1 kali hingga 10 kali ... 95 Gambar 5.26 Hasil perbandingan ACSP Ic pada metode SSA dengan repetisi 1 kali hingga 10 kali ... 96 Gambar 5.27 Hasil perbandingan CSP Inter Subjek tipe 1 pada metode SSA dengan repetisi 1 kali hingga 10 kali ... 97 Gambar 5.28 Hasil perbandingan ACSP Ia Inter Subjek tipe 1 pada metode SSA dengan repetisi 1 kali hingga 10 kali ... 97 Gambar 5.29 Hasil perbandingan ACSP Ib Inter Subjek tipe 1 pada metode SSA dengan repetisi 1 kali hingga 10 kali ... 98 Gambar 5.30 Hasil perbandingan ACSP Ic Inter Subjek tipe 1 pada metode SSA dengan repetisi 1 kali hingga 10 kali ... 99 Gambar 5.31 Hasil perbandingan CSP Inter Subjek tipe 2 pada metode SSA dengan repetisi 1 kali hingga 10 kali ... 100 Gambar 5.32 Hasil perbandingan ACSP Ia Inter Subjek tipe 2 pada metode SSA dengan repetisi 1 kali hingga 10 kali ... 100 Gambar 5.33 Hasil perbandingan ACSP Ic Inter Subjek tipe 2 pada metode SSA dengan repetisi 1 kali hingga 10 kali ... 101 Gambar 5.34 Hasil perbandingan ACSP Ic Inter Subjek tipe 2 pada metode SSA dengan repetisi 1 kali hingga 10 kali ... 102 Gambar 5.35 Percobaan 1 CSP pada metode bandpass ... 103 Gambar 5.36 Percobaan 1 ACSP Ia pada metode bandpass ... 103 Gambar 5.37 Percobaan 1 ACSP Ib pada metode bandpass ... 104 Gambar 5.38 Percobaan 1 ACSP Ic pada metode bandpass ... 104 Gambar 5.39 Percobaan 2 CSP pada metode bandpass ... 105 Gambar 5.40 Percobaan 2 ACSP Ia pada metode bandpass ... 105 Gambar 5.41 Percobaan 2 ACSP Ib pada metode bandpass ... 106 Gambar 5.42 Percobaan 2 ACSP Ib pada metode bandpass ... 106 Gambar 5.43 Percobaan 2 CSP pada metode bandpass ... 107 Gambar 5.44 Percobaan 3 ACSP Ia pada metode bandpass ... 107 Gambar 5.45 Percobaan 3 ACSP Ib pada metode bandpass ... 108 Gambar 5.46 Percobaan 3 ACSP Ic pada metode bandpass ... 108 Gambar 5.47 Percobaan 4 CSP pada metode bandpass ... 109 Gambar 5.48 Percobaan 4 ACSP Ia pada metode bandpass ... 109 Gambar 5.49 Percobaan 4 ACSP Ib pada metode bandpass ... 110 Gambar 5.50 Percobaan 4 ACSP Ic pada metode bandpass ... 110
xxiii
Gambar 5.55 Hasil ACSP Inter Subjek tipe 2 menggunakan parameter 9 Hz -28 ... 111 Gambar 5.56 Hasil ACSP Inter Subjek tipe 2 menggunakan parameter 9 Hz -28 ... 111 Gambar 5.56 grafik keseluruhan dari hasil sebelum dan sesudah optimasi ... 113
BAB 1
PENDAHULUAN
1.1 Latar Belakang Masalah
Otak manusia adalah organ yang sangat komplek pada tubuh. Otak terdiri dari banyak sel neuron. Setiap sel terdiri dari axon, dendrit dan tubuh sel. Tiap jaringan terkoneksi menuju jaringan neural melalui sinaps. Sel neuron berkomunikasi dengan neuron yang lain untuk bertukar informasi dari atau kepada otak keseluruh tubuh. Informasi yang ditransmisikan disebut sebuah Action Potential. Action
Potential disebabkan oleh pertukaran ion sepanjang membran neuron (Bronzino,
1999).
Aktifitas otak dapat digambarkan dengan adanya gelombang otak. Gelombang otak pada tiap manusia berbeda di setiap fase. Gelombang otak dapat diamati menggunakan alat rekam khusus yang dapat ditemui di rumah sakit dan laboratorium yang terbagi menjadi 3 yaitu gamma, beta, alpha, theta dan delta.
Beberapa tahun terakhir perkembangan sistem Brain Computer Interface (BCI) telah berkembang sangat pesat. Perkembangan aplikasi BCI telah berkembang ke berbagai bidang seperti kedokteran, Neuroergonimic dan Smart
environment, Neuromarketing dan Advertising, Educational dan Self-regulation, Games dan entertainment serta Security dan autehentication (Abdulkader et al.,
2015).
Brain Computer Interface (BCI) adalah teknologi komunikasi antar otak dari
manusia dan sistem secara langsung menggunakan interface yang khusus (Wolpaw et al., 2002). BCI adalah sebuah interface yang menyediakan alat untuk otak berkomunikasi tanpa menggunakan otot. Salah satu fungsi dari BCI adalah memonitor keadaan mental. Fungsi ini dapat digunakan untuk memprediksi dan mendeteksi masalah kesehatan. BCI dapat menerjemahkan sinyal yang berasal dari otak menjadi sinyal kontrol tanpa menggunakan otot atau jaringan peripheral (Wang et al., 2005).
Tahun 1998 Johannes meneliti tentang filter spasial yang optimal untuk percobaan klasifikasi tunggal Electroencephalogram (EEG). Data yang digunakan merekam 3 tipe pergerakan yaitu pergerakan kanan dan kiri jari telunjuk dan
2
pergerakan kaki kanan. Masalah dalam penelitian ini adalah perhitungan matrik kovarian sehingga penelitian ini menggunakan sample kovarian sebagai estimator. Penelitian ini menggunakan Common Spatial Pattern sebagai metode pada Ekstraksi Fitur (Müller-Gerking et al., 1999).
Wang mengajukan metode untuk Channel Selection pada Motor Imagery berbasis BCI dengan menggunakan Common Spatial Pattern (CSP). CSP digunakan untuk memilih channel yang paling optimal dengan mencari nilai maksimum pada vektor pola spasial. Dengan memiliki beberapa channel EEG yang lebih sedikit, maka algoritma yang cocok untuk aplikasi online dapat diajukan dan divalidasi (Wang et al., 2005).
Gutiérrez menggunakan Time-Varying Autoregressive (TVAR) untuk medekomposisi sinyal EEG. TVAR adalah model yang digunakan untuk mendapatkan untuk merepresetansikan struktur frekuensi waktu dari sinyal EEG. Gutiérrez menguji perubahan model TVAR yang didapatkan dari data EEG. Model ini digunakan sebagai input menuju tahapan metode CSP. Hasil dari TVAR digunakan sebagai masukan untuk CSP dengan melihat komponen paling signifikan (Gutiérrez and Salazar-Varas, 2011).
Penelitian ini berfokus pada penggunaan Time-Frequency Analysis (TFA) untuk sinyal EEG. Performa dari pendekatan TFA konvensional sangat bergantung pada pemilihan model parameter atau konvergen defisiensi dari teknik TFA yang tradisional. Li mengajukan sebuah metode pengembangan dari Multiwavelet yang menghasilkan sebuah alternatif yang baik untuk TFA. Hasil simulasi menunjukkan framework yang menggunakan pengembangan Wavelet dapat menangkap berbagai komponen frekuensi waktu dari sinyal EEG buatan dengan lebih jelas dan akurat daripada perhitungan Power Spectra yang konvensional seperti CWT,STFT dan metode klasis adaptif AR (Li et al., 2016)
Penelitian von Bunau mendemonstrasikan bahwa Stationary Subspace
Analysis (SSA) dapat diaplikasikan pada data BCI. SSA dapat meningkatkan
klasifikasi secara drastis. Von Bunau menyimpulkan bahwa SSA dapat meningkatkan klasifikasi dan stasioner dan nonstationary peta kulit kepala dapat digambarkan dan memungkinkan penafsiran neurofisiologis, dikarenakan dari lineritas dari SSA (von Bunau et al., 2010).
3
Penelitian Samek mengajukan sebuah metode yang dapat menghitung sub bidang statis dari data multi kelas tanpa mengabaikan variasi kelas yang terkait atau perbedaan kelas sebagai non stasioner. Lebih jauh, samek mengajukan sebuah varian diskriminan dari SSA yang dapat menukar stasioner dan diskriminatif, sehingga dapat mengekstrak subspace stasioner tanpa kehilangan informasi yang relevan. Samek kemunculan pola statis dan non statis yang didapatkan dari 5 subjek dan menunjukan bahwa metode tersebut lebih cocok untuk data BCI dan dapat mengungguli SSA (Samek et al., 2012).
Penelitian Sun mengajukan sebuah metode yang dinamakan Adaptive
Common Spatial Pattern (ACSP). Metode ini digunakan pada saat fase ekstraksi
Fitur di sinyal EEG. Metode ACSP digunakan untuk mengekstrak fitur dari multi
class yang tidak dapat dilakukan oleh metode sebelumnya yaitu metode CSP.
Metode ACSP adalah pengembangan dari metode CSP (Sun and Zhang, 2006). Penelitian tentang ACSP juga diteliti oleh Song. Song mengajukan metode ACSP untuk meneliti intra dan inter-subjek dari EEG yang sering berubah-ubah. ACSP digunakan untuk menganalisis data subjek tanpa label kelas dan secara bersamaan memperbarui filter spasial untuk meningkatkan kemampuan pembeda. ACSP dapat digunakan untuk mengklasifikasikan data EEG pada percobaan tunggal dengan situasi yang ditentukan seperti data latih hanya tersedia dari satu subjek dan tidak ada data latih dari subjek target. Song menemukan bahwa metode ACSP memiliki tingkat akurasi yang lebih baik daripada CSP (Song et al., 2013).
Sun mereview beberapa metode-metode adaptif yang dapat digunakan untuk melakukan Ekstraksi Fitur dan klasifikasi. Metode yang diteliti Sun untuk Ekstraksi Fitur adalah Adaptive Common Spatial Pattern , Semi-Supervised feature
extraction, Adaptive Autoregressive Parameter dan Wavelet Packet Transform.
Metode untuk klasifikasi yang diteliti oleh sun adalah Adaptive Linier Discriminant
Analysis, Adaptive Support Vector Machine, Adaptive Bayesian Classifier, Adaptive Neural Network dan Dynamic Combination of Classifier (Sun and Zhou,
2014)
Tahun 2015 Song melakukan penelitian menggunakan metode ACSP. Metode ini digunakan untuk meneliti data EEG yang tidak memiliki label dari subjek penelitian untuk mempelajari filter spasial. Metode ini dapat digunakan
4
untuk mengklasifikasikan data EEG dari single ataupun dari multiple objek. Metode yang dikembangkan Song dievaluasi menggunakan data EEG multi-subject motor
imagery yang berasal dari BCI Competition III dan IV (Song and Yoon, 2015).
Pada penelitian yang dilakukan oleh Song tersebut, Song hanya fokus untuk meneliti performa dari metode ACSP. Song mengevaluasi metode ini berdasarkan kinerja klasifikasi intra-subjek dan inter-subjek. Pada penelitian ini, Song menggunakan 4 dataset yang disediakan oleh BCI competition. Dikarenakan Song hanya berfokus pada metode ACSP tersebut, maka dataset yang digunakan sebagai masukan untuk metode ACSP hanya di praproses secara minimal untuk menghilangkan artefak mayornya. Proses praproses tersebut tidak dilakukan oleh Song, tetapi oleh penyedia dataset tersebut. Cross validation digunakan pada tiap subjek pada tiap dataset. Penggunaan SVM pada penelitian ini adalah sebagai metode pengklasifikasi. Untuk mengetahui kinerja yang dimiliki oleh metode ACSP ini, Song mengajukan metode Cohen’s Kappa sebagai metode penghitungan(Song and Yoon, 2015). Hasil akurasi yang didapatkan oleh Song dari berbagai skenario yang telah dilakukan pada penelitian tersebut rata rata berkisar 70%.
Batasan utama dalam metode ACSP yang diajukan oleh Song adalah bahwa kinerja ini dipengaruhi oleh artefak EEG misalnya kedipan mata, menelan ludah, atau kegiatan-kegiatan lain yang nantinya akan berpengaruh pada hasil EEG yang digunakan. Artefak pada percobaan pelatihan pada percobaan pengujian mungkin dapat dilemahkan, dimana artefak tersebut dapat menyebabkan hasil yang cukup jelek sehingga kemungkinan akan menghasilkan pengukuran yang tidak reliabel pada pengukuran kemiripan pada metode ACSP tersebut. sebagai contoh, jika hasil perhitungan kovarian mendominasi kullback-Leibler Distance (KLD), maka hasil perhitungan kemiripan yang dihitung menggunakan KLD akan menjadi tidak reliabel (Song and Yoon, 2015). Untuk mengatasi kasus seperti di atas, perlu untuk mengetahui lebih beberapa metode data praproses sehingga data yang diolah sesuai dengan kebutuhan penelitian. Artefak EEG yang tidak perlu dihapus agar kinerja klasifikasi dan akurasi algoritma berjalan maksimal.
Dengan adanya batasan pada penelitian Song tersebut, maka pada penelitian ini akan dicari metode terbaik pada tahap praproses data sehingga dapat
5
meningkatkan tingkat akurasi metode ACSP. Metode yang akan dibandingkan adalah metode Time-Varying Autoregressions, Stationary Subspace Analysis dan
Bandpass Filtering. Ketiga metode tersebut akan digunakan untuk mengekstrak
artefak pada dataset tersebut sehingga didapatkan sinyal yang lebih bersih daripada sinyal pada dataset tersebut. Hasil dari ketiga metode tersebut akan menjadi masukan untuk metode ACSP. Ketiga masukan yang telah diproses oleh metode ACSP tersebut akan dihitung tingkat akurasinya dengan cara mengklasifikasi hasil yang dikeluarkan oleh metode ACSP sehingga dapat ditentukan metode praproses manakah yang terbaik untuk digunakan oleh metode ACSP.
1.2 Perumusan Masalah
Batasan dalam metode ACSP yang diajukan oleh Song adalah bahwa kinerja metode tersebut dipengaruhi oleh artefak EEG seperti contoh kedipan mata, menelan ludah, atau kegiatan-kegiatan lain yang nantinya akan berpengaruh pada hasil EEG yang digunakan. Dikarenakan metode ACSP adalah metode yang melakukan proses perhitungan spasial menggunakan CSP dan metode untuk mengukur kemiripan data, maka artefak pada percobaan pelatihan pada percobaan pengujian mungkin dapat melemahkan hasil akurasi dan memungkinkan dapat menghasilkan pengukuran yang tidak reliabel pada pengukuran kemiripan pada metode ACSP tersebut, sebagai contoh, jika hasil perhitungan kovarian baru mendominasi KLD, maka hasil perhitungan kemiripan yang dihitung menggunakan KLD akan menjadi tidak reliabel (Song and Yoon, 2015). Untuk mengatasi kasus seperti di atas, perlu dilakukan praproses sehingga data yang diolah sesuai dengan penelitian. Artefak EEG yang tidak perlu dihapus agar kinerja klasifikasi dan akurasi algoritma berjalan maksimal.
Banyak penelitian yang telah dilakukan untuk menghapus artefak pada sinyal EEG. Abdulkader melakukan kajian mengenai beberapa penelitian yang terkait dengan Brain Computer Interface (Abdulkader et al., 2015). Kajian tersebut menjelaskan beberapa penelitian yang terkait CSP. Beberapa penelitian tersebut menggunakan metode praproses sebagai masukan untuk metode CSP. Metode praproses yang dikaji untuk masukan metode CSP adalah SSA dan Bandpass
6
penggunaan TVAR sebagai metode praproses yang digunakan untuk masukan CSP (Gutiérrez and Salazar-Varas, 2012).
Dengan batasan yang ada pada masalah penelitian sebelumnya maka dibutuhkan metode praproses yang dapat digunakan untuk menghapus artefak pada sinyal EEG sehingga akan didapatkan data yang lebih baik. Dengan demikian rumusan masalah dalam penelitian ini yaitu :
a. Penggunaan metode ACSP apakah masih memerlukan pengolahan data sebelumnya dan metode apa saja yang dapat digunakan dalam pra proses tersebut serta manakah yang menunjukkan hasil yang baik?
b. Dari metode terbaik yang telah diperoleh, bagaimana mengoptimasikan metode terbaik tersebut sehingga dapat ditingkatkan hasil akurasinya serta parameter manakah yang menunjukkan peningkatan hasil akurasi tersebut?
1.3 Tujuan Penelitian
Penelitian ini memiliki tujuan untuk merekomendasikan metode praproses data yang terbaik untuk menghilangkan artefak pada dataset sinyal sehingga didapatkan sinyal yang lebih bersih daripada sinyal pada dataset tersebut. Hasil dari metode praproses tersebut akan digunakan sebagai masukan pada metode ACSP. Luaran dari metode ACSP tersebut akan diukur tingkat akurasi dari tiap metode praproses.
1.4 Manfaat Penelitian
Manfaat dari penelitian ini dikemukakan menjadi manfaat teoritis dan praktis. Manfaat teoritis dalam penelitian ini, yaitu mengisi celah penelitian bahwa ACSP sangat bergantung dengan hasil dari praproses data agar dapat menghasilkan hasil yang lebih akurat. Sedangkan untuk manfaat praktis dari penelitian ini adalah mengintegrasikan metode praproses data yang paling sesuai dengan metode ACSP sehingga memudahkan peneliti selanjutnya dalam melakukan penelitian.
1.5 Batasan Penelitian
Penelitian ini memiliki beberapa batasan masalah sehingga penelitian ini tetap fokus pada algoritma terbaik yang dapat digunakan untuk meningkatkan akurasi metode ACSP. Beberapa batasan masalah tersebut yaitu
7
• Metode yang dibandingkan hanya 3 yaitu Time Varying Autoregression, Stationary Subspace Analysis, bandpass filtering
8
BAB 2
KAJIAN PUSTAKA
Pada bab ini akan dibahas mengenai kajian pustaka dan dasar teori yang mendukung dalam pengerjaan penelitian.
2.1 Penelitian Terdahulu
Peneliti memaparkan beberapa hasil penelitian terdahulu yang relevan terhadap permasalahan yang akan diteliti. Penelitian tersebut adalah (i) Mendesain sebuah filter spasial yang optimal untuk klasifikasi percobaan tunggal EEG pada sebuah pergerakan (Müller-Gerking et al., 1999). Penelitian ini bertujuan sebagai rintisan penerapan spatial filter. Peneliti merancang sebuah filter spasial untuk digunakan pada EEG multi-channel. Metode yang digunakan pada penelitian tersebut adalah metode Common Spatial Filter (CSP). Menurut peneliti, CSP cocok digunakan untuk pemrosesan data secara online. Hasil penelitian yang didapatkan pada penelitian ini adalah tingkat pengenalan data EEG lebih baik daripada metode yang ada sebelumnya;(ii) Metode Common Spatial Pattern untuk seleksi channel pada Motor Imagery berbasis Brain Computer Interface (Wang et al., 2005). Penelitian ini peneliti mengusulkan CSP sebagai metode untuk mengurangi channel pada motor imagery. CSP digunakan untuk mencari channel yang paling optimal sehingga dapat menganalisis pola spasial pada kulit kepala. Pada penelitian ini, peneliti mengombinasikan metode event related desynchronization (ERD) dan
readiness potential (RP) sebagai algoritma untuk melakukan klasifikasi; (iii)
Adaptive Ekstraksi Fitur untuk klasifikasi sinyal EEG (Sun and Zhang, 2006). Peneliti mengenalkan Adaptive Common Spatial Pattern (ACSP) sebagai metode yang digunakan untuk meningkatkan keefektivitas metode CSP. Metode ACSP ini adalah superset dari metode CSP klasik. Pada penelitian ini digunakan 2 metode yaitu stationary CSP (SCPS) dan windowed CSP (WCPS) sebagai pembanding perfoma dari ACSP. Hasil performa dari ACSP dapat lebih baik dari 2 metode tersebut; (iv) Meningkatkan klasifikasi Brain Computer Interface menggunakan
Adaptive Common Spatial Pattern (Song and Yoon, 2015). Pada penelitian ini
peneliti mengenalkan metode ACSP menganalisis percobaan tunggal data EEG dari 1 dan banyak subjek. Metode ACSP pada penelitian ini adalah metode CSP dengan
10
beberapa metode yaitu Feature variance-based, Kullback-Leibler distance (KLD),
Frobenius norm (FN). Pada penelitian ini, ACSP dibandingkan dengan metode SIWEER pada 2 keadaan yaitu intersubjek dan intra subjek. Hasil yang didapatkan
adalah metode ACSP terbukti memiliki kinerja yang lebih. Metode ACSP akan lebih baik jika input yang diterima memiliki artefak yang lebih sedikit; (v) pendeketan identifikasi menggunakan model Multiwavelet Time Varying untuk analisis data EEG (Li et al., 2016). Pada penelitian ini, akan berfokus pada penggunaan Time Frequency Analysis (TFA) pada sinyal EEG. pendekatan TFA pada penelitian EEG seharusnya memiliki resolusi waktu yang baik dan resolusi frekuensi yang baik juga. pendekatan tradisional TFA memiliki tingkat ketergantungan yang tinggi terhadap pemilihan model parameter atau konvergensi defisiensi pada teknik TFA tradisional. metode yang diusulkan menyediakan alternatif untuk TFA karena dapat mendapatkan hasil yang baik antar waktu dan frekuensi; (vi) Menemukan sumber otak statis dalam data EEG (von Bunau et al., 2010). peneliti menggunakan Stasionary Subspace Analysis (SSA) sebagai metode yang digunakan pada tahap praproses untuk mengalibrasi data dan kemudian menggunakan CSP dan Linear Discriminant Analysis (LDA) untuk menghitung
s-source. Peneliti menemukan bahwa SSA dapat meningkatkan klasifikasi pada BCI
serta dikarenakan linieritas SSA tersebut maka peta kuli kepala statisioner dan non statisioner dapat dilihat. Peneliti menyebutkan bahwa penelitian ini belum dicobakan pada dataset invasive dan non invasive ; (vii) brain computer interface di ruang bagian diskriminatif dan stasioner (Samek et al., 2012). Pada penelitian ini peneliti memperluas penggunaan SSA menjadi 2 metode yaitu groupSSA dan dSSA. Varian tersebut dapat mengekstrak sub bidang stasis dari data yang dari data yang telah dilabeli tanpa mengesampingkan variasi kelas yang terkait atau memperlakukan perbedaan kelas sebagai non statis. Varian tersebut memungkinkan untuk mengekstrak sub bidang statis tanpa kehilangan informasi yang relevan. (ix) klasifikasi sinyal EEG menggunakan model time-varying autoregressive dan
common spatial pattern (Gutiérrez and Salazar-Varas, 2011). Pada penelitian ini,
peneliti menggunakan model Time-Varying Autogressive (TVAR) untuk menggantikan dekomposisi sub-band berbasis bank frekuensi. Model TVAR memiliki kinerja lebih baik daripada bank frekuensi.
11
2.2 Gelombang Otak
Gelombang otak dapat diukur dengan sebuah alat bernama
Electroencephalogram (EEG). Penemu EEG adalah Hans Berger (1919-1938) yang
merupakan seorang profesor psikiater berasal dari Jerman yang menemukan EEG. EEG adalah sebuah alat yang mampu memvisualisasikan gelombang otak manusia ke dalam bentuk grafik. Penelitian menunjukan bahwa gelombang otak (brainwave) tidak hanya menunjukkan kondisi pikiran dan tubuh seseorang, tetapi dapat juga distimulasi untuk mengubah kondisi mental seseorang.
Gelombang otak dikategorikan dalam 5 kategori/jenis, yaitu beta, alpha, theta, delta dan gamma. Masing-masing jenis gelombang ini sering berkorelasi dengan kondisi mental yang berbeda. Berikut gelombang otak berdasarkan frekuensinya, di bawah ini :
• Gamma (25 hz - 40 hz): Gelombang otak yang terjadi pada saat seseorang mengalami aktifitas mental yang sangat tinggi dengan kondisi kesadaran penuh. Misal : sedang berada di arena pertandingan, perebutan kejuaraan, sangat panik, histeris, dan ketakutan. Gelombang otak ini cukup berbahaya bagi otak.
• Beta (12 hz - 25 hz): Gelombang otak yang terjadi pada saat seseorang mengalami aktifitas mental yang terjaga penuh. Misal : berpikir, rasional, pemecahan masalah, dan keadaan pikiran. Frekuensi ini biasanya pikiran seseorang dominasi oleh logika. Saat seseorang berada di gelombang ini, otak (kiri) sedang aktif digunakan untuk berpikir, konsentrasi, dan sebagainya sehingga menyebabkan gelombangnya meninggi. gelombang tinggi ini merangsang otak mengeluarkan hormon kortisol dan norepinefrin yang menyebabkan cemas, khawatir, marah, dan stress. Akibat buruknya, beberapa gangguan penyakit mudah datang jika kita terlalu aktif di gelombang ini.
• Alpha ( 8 hz – 12 hz ): Gelombang otak yang terjadi pada saat seseorang yang mengalami relaksaksi atau mulai istirahat dengan tanda-tanda mata mulai menutup atau mulai mengantuk. Alpha adalah pikiran yang paling cocok untuk pemrograman bawah sadar. Seseorang yang sedang rileks,
12
melamun atau berkhayal gelombang otaknya berada dalam frekuensi ini. Kondisi ini merupakan pintu masuk atau keluarnya potensi dari alam bawah sadar anda. Anak-anak balita selalu berada dalam kondisi alfa. Itu sebabnya mereka mampu menyerap informasi secara cepat. Dalam kondisi gelombang ini, otak memproduksi hormon serotonin dan endorfin yang menyebabkan seseorang merasa tenang, nyaman dan bahagia. Gelombang alpha akan membuat imunitas tubuh meningkat, pembuluh darah terbuka lebar, detak jantung menjadi stabil, dan kapasitas indra kita meningkat. • Theta ( 4 hz – 8 hz ): Gelombang otak yang terjadi pada saat seseorang
mengalami tidur ringan, atau sangat mengantuk. Misal saat trance, hypnosis, meditasi dalam, dan khusyu. Perlu diingat gelombang alpha dan theta adalah gelombang pikiran bawah sadar. Oleh karena itu, anak-anak cepat sekali dalam belajar, imajinasi, mudah menerima informasi apa adanya. Pancaran frekuensi ini menunjukkan seseorang sedang dalam kondisi mimpi. Dalam kondisi ini, pikiran bisa menjadi sangat kreatif dan inspiratif. Seseorang akan menjadi khusyuk, rileks, pikiran hening dan intuisi pun muncul. Ini semua terjadi karena otak mengeluarkan hormon melatonin, catecholamine dan AVP (Arginine vasopressin).
• Delta (0.5 hz – 4 hz): Gelombang otak yang terjadi pada saat ketika Anda tertidur lelap, tanpa mimpi. Fase delta ini adalah fase istirahat bagi tubuh dan pikiran. Tubuh Anda melakukan proses penyembuhan diri, memperbaiki kerusakan jaringan, dan aktif memproduksi sel-sel baru saat Anda tertidur lelap. Frekuensi terendah ini muncul saat seseorang tertidur pulas tanpa mimpi, tidak sadar, tak bisa merasakan badan, dan tidak berpikir. Di gelombang ini otak mengeluarkan HGH (Human Growth Hormone/ hormon pertumbuhan) yang bisa membuat orang awet muda. Bila seseorang tidur dalam keadaan Delta yang stabil, kualitas tidurnya sangat tinggi. Meski hanya beberapa menit, ia akan bangun dengan tubuh tetap merasa segar.
13
2.3 Brain Computer Interface
Teknologi Brain Computer Interface (BCI) adalah sebuah alat yang menghubungkan antara user dan sistem. BCI tidak membutuhkan perangkat eksternal apapun atau perantara otot untuk menyelesaikan perintah dan interaksi (Erp et al., 2012). BCI dikembangkan sebagai aplikasi biomedis, tetapi beberapa tahun terakhir BCI telah berkembang sebagai alat bantu.
BCI mengukur aktifitas otak, mengolah dan menghasilkan sinyal yang merefleksikan tujuan user. BCI mengandalkan pengukuran elektrik pada aktifitas otak dan mengandalkan pada sensor yang diletakkan pada kepala untuk mengukur aktifitas otak. Electroencephalography (EEG) merujuk untuk merekam aktifitas elektronik dari kulit kepala menggunakan elektroda. Aktifitas otak dapat diukur melalui 2 cara yaitu tanpa operasi (Non-Invasive) seperti pada gambar 2.1 dan menggunakan operasi (Invasive) yant terlihat pada gambar 2.2.
14
Gambar 2.2 BCI Invasive (Abdulkader et al., 2015)
Sistem BCI terdiri dari 4 komponen dasar. Komponen adalah Signal
Acquisition, Signal Preprocessing, Feature Extraction dan Classification. Signal Acquisition bertanggung jawab untuk merekam gelombang otak dan mengirim ke
komponen Preprosesing untuk peningkatan sinyal dan pengurangan noise. Komponen Feature Extraction menghasilkan karakteristik yang diskriminatif pada sinyal yang telah ditingkatkan, mengurangi ukuran data sehingga dapat diaplikasikan ke komponen Classification. Komponen Classification
menerjemahkan fitur yang telah dihasilkan menuju alat yang digunakan dalam bentuk perintah yang sesuai dengan kelasnya. Pada gambar 2.3 menggambarkan urutan dari sistem BCI
Gambar 2.3 Sistem BCI 2.4 Common Spatial Pattern
Common Spatial Pattern (CSP) pertama kali diperkenalkan oleh H. Ramoser
untuk klasifikasi untuk deteksi pergerakan tangan (Ramoser et al., 2000). CSP adalah teknik filter dua kelas. Ide utama CSP adalah menggunakan transformasi
15
linier untuk memproyeksikan EEG Multi Channel menjadi sub bidang spasial berdimensi rendah dengan sebuah proyeksi matrik , dimana tiap baris berisi bobot dari channel. Perubahan ini dapat memaksilmalkan varian dari sinyal matrik dua kelas. Tujuan CSP adalah untuk memaksimalkan salah satu kelas pada variasi fitur dan secara simultan meminimalisir variasi fitur pada kelas lainnya.
CSP sangat efisien dalam mengekstrak fitur pada BCI. Metode CSP adalah sebuah metode yang supervised dan spesifik subjek. CSP membutuhkan data latih dari subjek yang menjadi target dengan label kelas yang telah diketahui. CSP sering digunakan untuk subject-by-subject. Metode ini memiliki kelemahan yaitu tidak baik digunakan untuk multi subject BCI (Song and Yoon, 2015).
Diberikan sebuah matrik !"($) M x N menggambarkan percobaan ke-I dari data EEG yang dikumpulkan berdasarkan kerja otak dengan kelas label & , & ∈ {1,2}, normalisasi kelas-spesifik matriks kovariansi spasial .$ dapat dihitung sebagai berikut : .$= 10 2 34(2) 34(2)5 67(34(2) 34(2)5 ) 12 "80 (2.1)
Dimana !"($) adalah rata-rata berpusat. M adalah jumlah channel, N adalah jumlah titik waktu. 9$ adalah jumlah dari percobaan EEG dalam kelas y dan T adalah operator transpose matrik. Berdasarkan matrik kovarian, percobaan CSP adalah memaksimalkan koefisien Rayleigh :
:;2 :5
:2;2 :5 (2.2)
yang setara dengan memecahkan masalah eigenvalue umum .0 <== .> <=Λ (2.3)
Dimana matrik W terdiri dari filter spasial dalam deret, dan Λ adalah matriks diagonal berbagai macam di urutan eigen dari .>@0.
0 yang menghitung rasio varian
antar 2 kelas dengan matrik proyeksi W, filter spasial dari sebuah percobaan !"($) dapat dihitung sebagai berikut :
A"= <!"($) (2.4)
Kolom dari <@0 adalah CSP yang yang dianggap sebagai sumber EEG vektor distribusi waktu-invariant. Dikriminan yang berbasis dari proyeksi fitur pada
16
W dengan variasi maksimal, dimana baris pertama dan terakhir dari A". Berdasarkan A", sebuah vector fitur dibangun untuk percobaan ke I dengan r filter spasial:
B7= CDE[ GH7(IGH7(IJ)
K) LM
KNO ] (2.5)
Dimana Var() adalah penghitung varian, dan A7 adalah baris ke r dari A". Transformasi logaritmik diaplikasikan untuk membuat distribusi dari B7 lebih dekat kepada Gaussian.
2.5 Adaptive Common Spatial Pattern
Adaptive Common Spatial Pattern (ACSP) adalah salah satu pendekatan yang
bertujuan memperluas CSP menjadi paradigma multi subjek. Pada CSP dan ekstensinya untuk analisis multi subjek, filter spasial W di hitung dan tetap untuk memproses data baru. Ketika data latih tidak ada atau tidak terlabeli dari subjek, biasanya filter spasial tersebut tidak cukup untuk mencirikan struktur kovarian spasial dari data baru. Contoh ekstensi metode CSP yang telah digunakan untuk beradaptasi pada data tidak berlabel diajukan oleh Sun. Metode CSP yang diajukan oleh Sun disebut ACSP. ACSP pada penelitian Sun adalah superset dari metode CSP. Ketika terdapat data yang tidak memiliki label pada data latih, CSP tidak mampu mengkategorikan kovarian spasial untuk data tersebut. ACSP menggunakan basis dari One Versus The Rest (OVR) sebagai ide yang diadopsi untuk menjalankan ekstrasi fitur. Label kelas pada tiap percobaan test pertama diperkirakan. Kemudian percobaan tersebut ditentukan pada kelas yang diperkirakan untuk memperbaharui matrik kovarian dengan bobot yang tetap, dan fitur CSP diperbaharui dan diklasifikasi kembali.(Sun and Zhang, 2006).
Li dan Guan mengajukan sebuah metode adaptif model berbasis parametrik dimana fitur CSP diekstrak dari sebuah percobaan testing yang dimodelkan oleh 2 komponen Gaussian Mixture Model (GMM). Algoritma Expectation Maximization (EM) digunakan untuk memperkirakan label kelas pada percobaan testing. Percobaan tersebut menunjukkan probabilitas kelas posterior tinggi ditambahkan ke kelas yang telah diperkirakan untuk memperbaharui matrik kovarian dari kelas tersebut dan fitur dari CSP. Proses tersebut dilakukan berulang kali hingga perubahan keseluruhan dari label kelas diantara dua iterasi bersebelahan dibawah ambang batas yang telah ditentukan.(Li and Guan, 2006).
17
Pada penelitian ini mengacu pada penelitian Song, dimana Song menerapkan ACSP dengan cara yang berbeda. unPada penelitian ini, Song tidak memperkirakan label kelas untuk percobaan EEG , ukuran kesamaan antara data baru dan data latih di masing-masing kelas dihitung, dan filter spasial dari kedua kelas secara simultan diperbaharui berdasarkan ukuran kesamaan. 3 ukuran kesamaan yang berbeda digunakan dimana metode ACSP dibangun (Song and Yoon, 2015).
Diberikan sebuah percobaan EEG dari subjek dengan label yang tidak diketahui dan matrik kovarian spasial yang dinormalisasi .1QR. Metode yang diajukan oleh Song untuk menghitung matrik kovarian kelas baru adalah seperti berikut : .0 = ∅O 1OTUV1(∅O).1QR+ 1O 1OTUV1(∅O).0 .>= 1 ∅L LTUV1(∅L).1QR+ 1L 1LTUV1(∅L).> (2.6)
Dimana 90 dana 9> adalah jumlah dari percobaan training dari kelas 1 dan 2,
masing ∅0 ≥ 0 dan ∅> ≥ 0 adalah dua langkah yang mengukur kesamaan antara target dan data latih dalam dua kelas, dan butuh untuk diukur. ZE9(B) adalah fungsi sign yang sama dengan 1 jika x > 0 dan sama dengan 0 jika x = 0. 3 pengukuran kemiripan yang berbeda digunakan untuk mengukur ∅$,, & ∈ 1,2 .
Kelemahan dari metode ACSP adalah performa dari metode ini dipengaruhi oleh adanya artefak EEG, seperti kedipan mata atau menelan sesuatu. Artefak pada data latih dapat dilemahkan jika artefak pada percobaan testing mengalami hasil buruk. Jika keadaan tersebut terjadi maka dapat menghasilkan perhitungan yang tidak reliabel. Sehingga dibutuhkan metode praproses yang baik sebelum dilakukan metode ACSP.
2.5.1. Feature variance-based
Ketika sebuah percobaan EEG diproyeksikan ke filter spasial yang telah ada dari 2 kelas menggunakan persamaan (2.4), varian fitur B7 dihitung menggunakan persamaan (2.5). ∅$ dihitung sebagai rasio dari jumlah fitur varians di kelas y untuk varians fitur keseluruhan dari dua kelas :
18 ∅$= 7(\J
2)
7(\JO)T 7(\JL) (2.7)
Dimana B70 dihitung dari baris pertama proyeksi fitur pada W, B
7> adalah baris
terakhir dari proyeksi fitur, dan B7$ adalah fitur ke-r dalam kelas y. varian fitur pada persamaan (2.5) awalnya diajukan untuk CSP berbasis fitur untuk klasifikasi BCI, dimana sebuah kelas dengan proyeksi varian fitur lebih besar memiliki kemungkinan untuk menjari kelas motor imagery yang asli. Oleh karena itu, dapat digunakan sebagai indikator kesamaan antara data latih dan data target, berdasarkan pada bobot parameter yang dapat diturunkan untuk memperbaharui matrik kovarian kelas.
2.5.2. Kullback-Leibler distance
kullback-Leibler Distance (KLD) adalah perhitungan jarak antara dua
distribusi probabilitas, digunakan untuk mengukur kesamaan antara distribusi target dan data latih. Jika data EEG tiap percobaan dinormalisasi ke zero mean dan standart deviasi, kemudian diasumsikan bahwa data EEG mengikuti sebuah zero mean M-dimensi distribusi Gaussian multivariat, dimana M adalah jumlah dari channel EEG. Distribusi probabilitas dari sebuah target percobaan EEG dan data latih disajikan sebagai ]1QR = ^(0, .1QR) dan ]$ = ^(0, .$). KLD antara ]1QR dan ]$ dapat dihitung sebagai :
_` ]1QR , ]$ = 0> ab .$@0 .1QR − CDE def ;def ;ghi
2 − j (2.8)
Dimana det() adalah operator determinan dan & ∈ 1,2 . Karena KLD adalah bukan sebuah perhitungan jarak simetris, maka _` ]1QR , ]$ ≠ _` ]$, ]1QR . KLD dapat simetris dengan menambahkan _` ]1QR , ]$ dan _` ]$, ]1QR bersamaan :
_`l ]1QR , ]$ = 0> _` ]1QR , ]$ + _` ]$, ]1QR (2.9)
19 ∅$= 1 − mno pmno pghi ,p2
ghi ,pO Tmno pghi ,pL (2.10)
Jika .1QR bukan dari kelas y, secara teori nilai dari _`l ]1QR , ]$ / _`l ]1QR , ]0 + _`l ]1QR , ]> relatif besar, menghasilkan ∅$ kecil.
2.5.3. Frobenius Norm
Frobenius Norm (FN) adalah sebuah matrik norm yang didefinisikan sebagai
akar pangkat 2 dari penjumlahan dari kuadrat mutlak pada tiap elemennya. (FN) dapat digunakan untuk mengukur jarak antar 2 matrik. Pada penelitian Song, FN digunakan untuk menghitung kemiripan antara .1QR dan .$ :
qr .1QR , .$ = .1QR s, t − .$ (1, t) >
",u (2.11)
Parameter ∅$ dapat dihitung menggunakan : ∅$= 1 −
vw ;ghi ,;2
vw ;ghi ,;O @vw ;ghi ,;L (2.12)
Jika .1QR bukan berasal dari kelas y, secara teori perbedaan antara .1QR dan .$ lebih daripada jika .1QR berasal dari kelas y, menghasilkan nilai ∅$ yang kecil, sebalikan nilai nilai ∅$ yang besar akan ditempatkan pada .1QR .
2.5.4. Implemetasi ACSP.
∅0 dan ∅> dapat dihitung dengan menggunakan salah satu dari metode pengukuran yang telah dijelaskan sebelumnya. Setelah menghitung .$ menggunakan persamaan (2.6), maka tahap yang tersisa adalah sama dengan metode CSP untuk mendapatkan filter spasial yang telah diperbaharui untuk ekstraksi fitur. Pada persamaan (6) dapat diamati bahwa bobot untuk .$ dan .1QR terkait dengan jumlah percobaan training. Lebih banyak training menyebabkan berkurangnya bobot untuk data target. Besarnya jumlah percobaan menyebabkan besarnya kemungkinan untuk menyajikan lebih banyak informasi sebelumnya tentang subjek target, dan konsekuensinya semakin rendah kemungkinan percobaan baru untuk menunjukkan pola yang berbeda jauh. Ketika jumlah percobaan training besar, maka bobot pada .1QR relatif kecil dan memiliki efek yang kecil untuk keseluruhan matrik kovarian. Namun, varian yang kecil dapat
20
menyebabkan perubahan yang signifikan pada distribusi fitur dan hasil klasifikasi akhir.
Pada penelitian ini implementasi ACSP akan menggunakan 3 metode untuk menghitung ∅$. ACSP dengan menggunakan feature variance-based distance
disebut ACSP-Ia, ACSP dengan menggunakan KLD simetris disebut ACSP-Ib dan ACSP yang menggunakan FN disebut ACSP-Ic. Implementasi ACSP dapat dimplementasikan dengan prosedur :
• Tahap 1 : sebuah filter spasial W dihitung menggunakan CSP klasik dengan data traning EEG.
• Tahap 2 : masukkan sebuah percobaan EEG dari subjek target.
• Tahap 3 : ACSP-Ia menghitung proyeksi fitur dari data baru pada W menggunakan persamaan (2.4) dan (2.5). ACSP -Ib dan ACSP-Ic menghitung matrik kovarian .1QR dari data baru, dan KLD atau FN antara
.1QR dan .$, & ∈ 1,2 menggunakan persamaan (2.9) atau (2.11).
• Tahap 4 : perkirakan ∅0 dan ∅> menggunakan persamaan (2.7) (ACSP-Ia), atau (2.10) (ACSP-Ib) atau (2.12) (ACSP-Ic).
• Tahap 5 : hitung .0 dan .> menggunakan persamaan (2.6) dan perbaharui filter spasial W. proyeksikan data target dan training pada W yang telah diperbaharui dan ekstrak fitur menggunakan (2.4) dan (2.5).
• Tahap 6 : fitur yang telah terekstrak dari data latih digunakan untuk melatih data classifier untuk mengklasifikasi fitur yang telah terekstrak dari data target.
• Tahap 7 : kembali ke tahap 2 untuk percobaan target selanjutnya.
2.6 Time-Varying Autoregressions
Time-Varying Autoregression (TVAR) adalah model yang melakukan
pendekatan dengan memperkirakan tingkat pengembalian tergantung waktu pada time series, dimana dapat bertindak sebagai peringatan dini dari transisi yang kritis. Pada model Autoregressive standar, sinyal EEG secara diskrit digambarkan dengan mewakili tingkat tegangan tiap waktu t sebagai kombinasi linier pada tingkat tegangan pada waktu t -1, t-2,…, t-p, (dimana p > 0 adalah maksimum jeda waktu)
21
ditambah dengan komponen acak. Hubungan tersebut diasumsikan bahwa sama sepanjang waktu, kemudian koefisien tersebut mendefinisikan kombinasi linier yang constant selama periode rekam. Pada model TVAR koefisien tersebut dapat berubah sepanjang waktu sehingga dapat beradaptasi untuk membuktikan perubahan yang terjadi dalam seri. Model ini dapat merespon dan menangkap secara cukup perubahan yang terlihat pada oscillator EEG. Lebih jauh lagi, jika skema multichannel dipertimbangkan, maka pendekatan TVAR dapat didefinisikan dimana tiap sampel sinyal yang didefinisi dibandingkan dengan sampel sebelumnya dan sampel sebelumnya channel lainnya (Sanei and Chambers, 2007).
BÄ a = Ç"80φm, i a BÄ a − s + 9Ä a , (2.13)
Berdasarkan kondisi tersebut, maka didapatkan rumus (2.13) dimana φm, i a adalah koefisien time-varying dari model. Model ini sering dihitung menggunakan algoritma Levinson-Wiggi Robinson dan 9Ä a menlambangkan noise pada
channel m, kemudian koefisien TVAR disusun menjadi matrik ÉÄ(a).
Setelah rangkaian EEG dimodelkan menggunakan model TVAR, tujuan dari model tersebut adalah menyelidiki struktur time-frequency dari proses laten yang mendasari sinyal mengguakan model dekomposisi dinamis berdasarkan pada eigenstructure dari GÖ(t). dekomposisi seperti pada rumus 2.14 dimana pá adalah jumlah pasang karakteristik akar kompleks polynomial yang didefinisikan oleh eigendecomposition dari GÖ(t), dan pà adalah jumlah dari akar karakteristik real sehingga 2pá+ pà = p. Tiap zÖ,ä(t) diarahkan ke analisis domain waktu untuk struktur time-frequency melalui penyelidikan dari frekuensi mereka ωÖ,ä(t) dan modulo rÖ,ä(t). Pengujian dari perubahan tiap waktu pada ωÖ,ä(t) dan rÖ,ä(t) adalah sebuah pendekatan untuk menyelidiki variasi waktu pada fungsi spectral density dan analisis dekomposisi yang sesuai merupakan bentuk dekomposisi spektral dalam domain waktu (Krystal et al., 1999).
xÖ t = éä80è zÖ,ä t + éä80ë yÖ,ä(t)
(2.14)
Model TVAR memiliki kelebihan yaitu model ini dapat mendekomposisi serangkaian seri waktu menjadi satu set komponen laten dengan konten frekuensi yang bervariasi. Kelebihan selanjutnya model ini dapat menyelesaikan puncak
22
spektrum berjarak dekat dibawah kondisi yang penuh dengan noise. Kekurangan dari model ini adalah kinerja model ini umumnya sangat tergantung pada pilihin parameter model atau konvergensi defisiensi dari model tersebut. resolusi frekuensi yang lebih tinggi akan diperoleh dengan mengorbankan hal yang tidak diinginkan pada resolusi waktu rendah dan begitu pula sebaliknya.
Gutiérrez dan Salazar dalam penelitiannya menggunakan TVAR sebagai metode praproses dan CSP sebagai metode ekstraksi fitur. Metode TVAR-CSP yang diajukan oleh Gutiérrez dan Salazar menghasilkan kinerja yang lebih bagus daripada penelitian sebelumnya yaitu menggunakan bank filter. Hasil penelitian ini terlihat pada hasil ROC dari penelitian tersebut. Hasil ROC yang dimiliki oleh TVAR-CSP memiliki hasil yang lebih baik daripada bank filter (Gutiérrez and Salazar-Varas, 2011).
Pada penelitian yang akan dilakukan ini, metode ini di pilih karena TVAR pada penelitian yang dilakukan oleh Gutiérrez dan Salazar menggunakan CSP sebagai ekstraksi fiturnya. Dikarenakan ACSP adalah metode pengembangan dari metode CSP maka dalam penelitian ini peneliti mencoba untuk menggunakan TVAR sebagai metode praproses dan ACSP sebagai metode fitur ekstraksi dan hasil dari metode TVAR-ACSP dapat dibandingkan dengan metode praproses lainnya. Oleh karena sebab itu, maka diharapkan TVAR dapat meningkatkan hasil dari ACSP.
2.7 Stationary Subspace Analysis
Stationaty Subspace Analysis (SSA) memfaktorkan sebuah rangkaian waktu
multivariat berdimensi tinggi menjadi komponen statis dan non statis. SSA terdiri dari d sumber sinyal stasis íU a = [í
0 a , í> a , … , íî(a)] biasa di sebut n-source
dan sinyal yang diteliti B(a) adalah sebuah superposisi linier dari n-source, dan A adalah matrik campuran yang dapat di balik. ïU ï1 adalah basis dari subspace stasioner dan non stasioner.
B a = ïZ a = ïU ï1 íU(a)
í1(a) (2.15)
B a ∈ ℝodiasumsikan adalah sinyal yang dihasilkan sebagai pencampuran
linier dari d sumber statis íU(a) dan D-d adalah sumber non statis í1 a . Sumber
23
waktu dianggap stasioner jika rata-rata dan kovariansi adalah konstan dari waktu ke waktu, oleh karena itu , sebuah rangkaian waktu u(t) disebut statis jika:
ó ò(a0) = ó ò(a>) ôö9 ó ò(a0)ò(a0)⊺ = ó ò(a
>)ò(a>)⊺ (2.16)
Semua titik pasangan waktu a0, a0 ≥ 0. Ini adalah varian dari statis lemah dimana tidak menganggap struktur waktu. Tujuan dari SSA adalah menghitung kebalikan pencampuran matriks ï@0 sehingga dapat memisahkan sumber statis dan
non statis dalam campuran matriks tersebut (von Bunau et al., 2010).
Beberapa kelebihan yang dimiliki oleh SSA adalah, SSA dapat membedakan dan memisahkan sumber statis dari sumber yang terlihat non statis, sehingga sinyal-sinyal tersebut dapat diteliti lebih lanjut. Kelebihan selanjutnya adalah dengan kelinieritasan SSA, peta kepala sumber statis dan non statis dapat dipetakan dan diintepretasikan secara neuropsikologi. SSA dapat dapat mengetahui lokasi sumber statis dan non statis dari sinyal tersebut.
SSA dipilih sebagai metode tahapan praproses untuk ACSP pada penelitian ini juga dikarenakan Bunau menggunakan SSA sebagai metode praproses pada penelitiannya. Pada penelitian Bunau menjelaskan bahwa dengan SSA dapat meningkatkan klasifikasi secara drastis sebanyak 79.9% . Bunau juga menggunakan CSP sebagai metode pada tahap ekstraksi fitur. Dikarenakan ACSP adalah metode pengembangan dari metode CSP, maka diharapkan SSA dapat meningkatkan hasil dari ACSP.
2.8 Filter Digital
Filter digital adalah proses komputasi (algoritma) yang mengubah satu sekuen angka x[n] yang merepresentasikan input ke sekuen y[n] yang merepresentasikan output. Yang dimaksud dengan komputasi disini adalah memperformansikan fungsi integrasi, diferensiasi, dan estimasi.
Pengolahan sinyal digital menggunakan transformasi diskrit, transformasi yang sering digunakan adalah transformasi z yang merupakan prosedur deret sinyal masukan x(n) menjadi deret sinyal keluaran y(n). Filter digital bekerja berdasarkan data masukan diskrit dari cuplikan-cuplikan sinyal kontinu, yang kemudian diubah oleh konverter analog ke digital menjadi data digital biner, data data digital inilah yang nanti dapat dimanipulasi kinerja dan spektrum sinyalnya dengan prosesor digital.
![Gambar 2.4 Diagram blok dari spectral inversion. (a) adalah sinyal input dimana x[n] diaplikasikan pada 2 sistem secara paralel, memiliki respon impuls yaitu h[n] dan δ[n]](https://thumb-ap.123doks.com/thumbv2/123dok/2370404.3582186/49.892.340.665.141.997/gambar-diagram-spectral-inversion-adalah-diaplikasikan-paralel-memiliki.webp)
