10 BAB III
PERANCANGAN SISTEM
Pada bab ini akan membahas tentang perancangan konsep penelitian smart sytem untuk klasifikasi tingkat stres dengan metode kohonen neural network menggunakan neurosky mindwave. Sistem perancangannya dapat digambarkan pada diagram berikut :
Gambar 3.1 Diagram Blok Keseluruhan Perancangan Sistem
11 Dari diagram blok keseluruhan proses perancangan sistem di atas, selanjutnya akan dibahas mengenai perancangan proses itu sendiri, proses pengumpulan data, desain arsitektur jaringan saraf kohonen, proses perhitungan dengan algoritma Kohonen Neural Network di Matlab dan perancangan pengujian dengan alat uji Skala Likert.
3.1 Proses Pengumpulan Data
Proses pengumpulan data dibagi dalam dua tahap. Tahap pengumpulan data awal dan tahap pengumpulan data baru.
3.1.1 Pengumpulan Data Awal
Data awal yang digunakan adalah data dari penelitian Kusumahadi (2017), subjek merupakan mahasiswa dan mahasiswi tingkat akhir yang belum dan sedang melaksanakan skripsi dengan total 45 orang. Berikut adalah rincian data yang digunakan :
Tabel 3.1 Data Nilai Attention dan Meditation Mahasiswa Tingkat Akhir
No. Nama Umur Jurusan Status Mahasiswa Attention Meditation
1 Elin Astika 21 FIKES TIDAK SKRIPSI 29 25
2 Ida Lestari 20 FKIP TIDAK SKRIPSI 31 58
3 Akhis Sholeh 22 FPP TIDAK SKRIPSI 33 30
4 M. Anwar Febri 20 FPP TIDAK SKRIPSI 45 40
5 Ahmad Fariz 22 FIKES TIDAK SKRIPSI 19 55
6 Ria Ayu 21 AGRIBISNIS TIDAK SKRIPSI 29 59
7 Satrio Bagus 22 FKIP TIDAK SKRIPSI 31 62
8 M. Munir 21 FKIP TIDAK SKRIPSI 30 60
9 Kurnia M. 20 FPP TIDAK SKRIPSI 19 50
10 Yulia Wijayanti 21 AGRIBISNIS TIDAK SKRIPSI 21 60
11 Ridho 20 TEKNIK MESIN TIDAK SKRIPSI 50 50
12 Ramadhan 21 D3 KEPERAWATAN TIDAK SKRIPSI 48 59
13 Iwan Ayub 24 TEKNIK SIPIL TIDAK SKRIPSI 41 56
14 Hanif 22 KEPERAWATAN TIDAK SKRIPSI 40 59
15 Fikri 22 KEPERAWATAN TIDAK SKRIPSI 24 39
16 Zena 23 KEPERAWATAN SKRIPSI 28 62
17 Yudi 23 TEKNIK ELEKTRO SKRIPSI 88 70
12
18 Syamsurizal 23 MATEMATIKA SKRIPSI 68 42
19 Setyandono 23 KEPERAWATAN SKRIPSI 60 71
20 Sastra Nopi 23 KEPERAWATAN SKRIPSI 88 58
21 Riyan Fitriawan 23 TEKNIK ELEKTRO SKRIPSI 70 50
22 Razuhan 23 TEKNIK ELEKTRO SKRIPSI 79 41
23 Qohirin 23 TEKNIK ELEKTRO SKRIPSI 84 40
24 Nurul Marzan 23 D3 KEPERAWATAN SKRIPSI 67 42
25 Muhamad A 23 KEPERAWATAN SKRIPSI 80 50
26 Mucsin 23 KEPERAWATAN SKRIPSI 86 78
27 Mansyurdi 23 AGRIBISNIS SKRIPSI 87 30
28 Makmum 23 KEPERAWATAN SKRIPSI 90 39
29 Mahfudin 23 MATEMATIKA SKRIPSI 81 63
30 Kasful Husaini 23 FISIKA SKRIPSI 78 58
31 Istama 23 TEKNIK ELEKTRO SKRIPSI 59 29
32 Irgo 23 TEKNIK ELEKTRO SKRIPSI 71 49
33 Hendra 23 TEKNIK ELEKTRO SKRIPSI 63 48
34 Hari 23 TEKNIK ELEKTRO SKRIPSI 60 49
35 Fajar 24 KEPERAWATAN SKRIPSI 71 51
36 Faisal 23 TEKNIK ELEKTRO SKRIPSI 63 72
37 Dodo 25 KEPERAWATAN SKRIPSI 58 40
38 Diar Ricky 24 FISIKA SKRIPSI 71 62
39 Dani 23 TEKNIK ELEKTRO SKRIPSI 63 42
40 Bangun 23 TEKNIK ELEKTRO SKRIPSI 70 68
41 Bagus Setyo 24 D3 KEPERAWATAN SKRIPSI 69 42
42 Amir 23 TEKNIK ELEKTRO SKRIPSI 82 19
43 Alfan 25 KEPERAWATAN SKRIPSI 60 49
44 Agung 23 KEPERAWATAN SKRIPSI 78 43
45 Adnan 24 KEPERAWATAN SKRIPSI 98 35
(sumber : Kusumahadi, 2017)
3.1.2 Pengumpulan Data Baru
Tahap kedua pengambilan data baru. Data attention dan meditation didapat menggunakan alat kendali Neurosky Mindwave. Aplikasi yang digunakan untuk menampilkan dan merekam gelombang otak EEG tersebut adalah MyndPlayerPro 2.3. Berikut adalah diagram blok proses pengambilan data baru dan tampilan dari MyndPlayerPro 2.3.
13 Gambar 3.2 Diagram Blok Proses Pengambilan Data Dengan
Neurosky Mindwave
Gambar 3.3 Tampilan MyndPlayerPro 2.3 Bagian Monitoring
14 Gambar 3.4 Tampilan MyndPlayerPro 2.3 Bagian Record History
Perekaman otak menggunakan alat kendali Neurosky Mindwave terdiri dari 2 kali perekaman, yaitu pada saat keadaan konsentrasi dan rileks. Kemudian tiap subjek akan diminta untuk menggunakan Neurosky Mindwave untuk direkam gelombang otaknya selama 10 menit, dimana 5 menit pertama untuk mengukur kondisi fokus dengan cara meminta subjek untuk menonton video. Lalu pada 5 menit berikutnya untuk perekaman kondisi rileks, dengan cara subjek diminta untuk mendengarkan binaural beats audio berjenis alpha wave audio yang mempunyai frekuensi 12 Hz guna menstimulus gelombang alpha pada otak agar tetap pada frekuensi 12 Hz sehingga dalam keadaan rileks. Sedangakan perekaman gelombang otak itu sendiri dilakukan selam 150 detik saat berada didalam kondisi stabil.
Setelah proses perekaman selesai, hasil dari rekaman EEG di-export ke format .csv pada kolom Export Log File yang terlihat pada Gambar 3.4, hal ini dilakukan guna file dapat diolah menggunakan Microsoft Excel.
15 3.2 Proses Pengolahan Data
Pengolahan data menggunakan metode jaringan saraf kohonen atau Kohonen neural network. Jaringan ini termasuk dalam pembelajaran tak terawasi (Unsupervised Learning). Pada jaringan ini, suatu lapisan yang berisi neuron- neuron akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan istilah cluster. Selama proses penyusunan diri, cluster yang memiliki bobot paling cocok dengan pola input (memiliki jarak paling dekat) akan terpilih sebagai pemenang. Neuron yang menjadi pemenang beserta neuron-neuron tetangganya akan memperbaiki bobot-bobotnya.
Sehingga dapat dikatakan bahwa Kohonen neural network adalah metode yang digunakan untuk membagi pola masukan ke dalam beberapa kelompok atau cluster. Sedangkan cara yang digunakan untuk mencari jarak terdekatnya adalah Euclidean Distance atau jarak Euclidean.
3.2.1 Perancangan Jaringan Saraf Kohonen
Pada tahap ini adalah proses untuk mengolah data latih dengan menggunakan data dari penelitian Kusumahadi (2017), sebanyak 45 data mahasiswa. Pada data ini terdapat nilai attention dan meditation yang digunakan sebagai parameter input.
Perancangan jaringan saraf Kohonen ini memakai dua masukan (x1 dan x2) untuk dihasilkan menjadi tiga keluaran atau kelompok (cluster) (Y1, Y2 dan Y3).
Dibawah ini adalah desain arsitektur jaringan saraf Kohonen :
16 Gambar 3.5 Desain Arsitektur Jaringan Saraf Kohonen
Pada gambar di atas dijelaskan bahwa arsitektur jaringan saraf Kohonen yang dibuat terdapat 2 layer, yaitu layer output dengan 3 unit kelompok (Y1,Y2, dan Y3) dan layer input yang tersusun dalam arsitektur sinyal masukan (input) sejumlah 2 (x1 dan x2). Setiap neuron terkoneksi dengan neuron lain yang dihubungkan dengan bobot atau weight(w).
Dari arsitektur jaringan saraf Kohonen di atas dihasilkan bobot Wji yaitu bobot antara neuron-neuron dari layer output j terhadap layer input i. Berdasarkan Gambar 3.5 dapat dijelaskan bahwa bobot W11 adalah bobot neuron Y1 dan x1. Bobot W21 untuk neuron Y2 dan x1. Bobot W31 untuk neuron Y3 dan x1. Bobot W12 untuk neuron Y1 dan x2. Bobot W22 untuk neuron Y2 dan x2. Bobot W32 untuk neuron Y3 dan x2.
Pada penelitian ini, algoritma pembelajaran unsupervised untuk pengelompokan data dengan jaringan saraf Kohonen atau Kohonen neural network dapat dijabarkan pada poin-poin di bawah ini :
1. Tetapkan :
a. Jumlah Variabel Input
Terdapat 2 variabel input yaitu x1 dan x2 yang merupakan data nilai attention dan meditation.
b. Jumlah Data
17 Yaitu data hasil dari penelitian yang dilakukan oleh Kusumahadi (2017) sebanyak 45 data mahasiswa. Pada tahap ini data juga dinormalisasi agar jaringan saraf dapat mengenali data yang akan menjadi masukkan bobot-bobotnya. Data akan bernilai 0 sampai 1 dengan menggunakan rumus :
N = ( D – Dk )
/
( Db – Dk)Keterengan :
N : data yang sudah dinormalisasi D : data yang akan dinormalisasi Dk : data terkecil dari sekumpulan data Db : data terbesar dari sekumpulan data c. Jumlah Cluster
Yaitu 3 kelompok atau cluster.
2. Inisialisasi bobot wji (acak), set parameter learning rate (α), faktor penurunannya dan maksimum Epoh.
3. Lakukan langkah berikut sampai kondisi penghentian bernilai salah : Untuk setiap vektor input x, lakukan langkah berikut :
a. Untuk setiap j, hitung jarak Euclidean dengan rumus D(j) = ∑(wji – xi)2 , j adalah layer output, i adalah layer input, sedangkan wji adalah bobot j terhadap i dan xi adalah parameter input.
b. Cari indeks j yang nilai D(j) adalah minimum.
c. Untuk setiap unit j di sekitar J modifikasi bobot, untuk setiap i : wji(baru)= wji(lama)+α(xi-wji(lama)).
d. Modifikasi learning rate (α) setiap 1 epoh, dimana setiap epoh terdiri dari 45 data yang akan diperbaharui bobotnya di setiap perhitungan data.
e. Uji kondisi penghentian.
4. Didapatkan kelompok data saling berdekatan yang dibagi menjadi 3 cluster : Y1, Y2 & Y3.
Berikut flowchart yang dibuat berdasarkan algoritma penghitungan jaringan saraf Kohonen :
18 Gambar 3.6 Flowchart Algoritma Jaringan Saraf Kohonen
19 3.2.2 Perancangan Sistem Pengolahan Data Baru
Setelah penggolahan data latih, akan didapatkan bobot optimal wji hasil proses learning untuk digunakan sebagai pengelompokan data baru. Parameter yang digunakan sebagai input yaitu nilai attention dan meditation. Berikut adalah flowchart pengolahan data baru :
Gambar 3.7 Flowchart Pengolahan Data Baru
Proses flowchart di atas yaitu insialisasi bobot optimal wji yang didapat dari proses learning sebelumnya. Kemudian normalisasi data baru x1 dan x2 dengan parameter input nilai attention dan meditation. Lalu hitung jarak vektor dengan bobot optimal menggunakan rumus Euclidean Distance : D(j) = ∑(wji – xi)2 untuk mencarai jarak terdekatnya. Kemudian didapat hasil pengelompokkan data baru masuk di cluster 1, 2 atau 3.
Seluruh proses perhitungan algoritma jaringan saraf Kohonen dan pengelompokkan data baru menggunakan program aplikasi Matlab.
20 3.2.3 Perancangan Pengujian Dengan Skala Likert
Skala Likert adalah skala yang digunakan untuk mengukur persepsi, sikap atau pendapat seseorang atau kelompok mengenai sebuah peristiwa atau fenomena sosial, berdasarkan definisi operasional yang telah ditetapkan oleh peneliti. Setiap subjek baru, sebelum pengukuran gelombang otak dilakukan, subjek tersebut akan diminta untuk mengisi Skala Likert. Skala yang digunakan adalah hasil dari penelitian Qonita Rohmah (2017) dengan judul Pengaruh Dukungan Sosial Teman Sebaya terhadap Stres Pada Mahasiswa Yang Mengerjakan Skripsi.
Skala ini memiliki 16 item pernyataan yang sudah melalui try out. Berikut blueprint Skala Likert yang digunakan untuk mengetahui tingkat stres mahasiswa tingkat akhir (Rohmah, 2017) :
Tabel 3.2 Blueprint Skala Likert
No. Aspek Indikator Jumlah Item
Jumlah Favourable Unfavourable
1. Aspek Biologis
Berdampak pada menurunnya kondisi fisik seseorang seperti sakit kepala, perut
mules.
1, 6, 11, 14 4, 9, 12, 13 8
2. Aspek Psikologis
Berdampak pada emosi dan kognitifnya dimana
seseorang menjadi cemas, merasa
takut, sedih, hilangnya motivasi
dan konsentrasi.
2, 7, 8 3, 5, 10 6
3. Aspek Perilaku
Dapat mengubah perilaku individu terhadap orang lain
menjadi menunda pekerjaan, tak acuh
pada lingkungan.
16 15 2
Total 16
21 Tabel 3.3 Skala Stres
Ket :
SS : bila Anda sangat setuju dengan pernyataan tersebut S : bila Anda setuju dengan pernyataan tersebut
TS : bila Anda tidak setuju dengan pernyataan tersebut
STS : bila Anda sangat tidak setuju dengan pernyataan tersebut
No Pernyataan Pilihan
SS S TS STS 1. Detak jantung saya terasa lebih cepat ketika
mendekati deadline saat mengerjakan skripsi 2. Interaksi dengan dosen pembimbing membuat saya
merasa tegang dalam proses menyelesaikan skripsi 3. Saya tetap merasa santai dan tidak tegang saat ada
konflik dengan dosen pembimbing 4.
Saya tidak merasa sakit kepala ketika skripsi yang saya kerjakan tidak menunjukkan hasil yang maksimal
5. Saya merasa tetap santai dalam menghadapi perbedaan pendapat dengan dosen pembimbing 6.
Rasa sakit kepala saya mudah muncul ketika tidak segera menemukan solusi dalam menghadapi kendala saat mengerjakan skripsi
7. Saya merasa cemas saat berinteraksi dengan dosen pembimbing
8. Saya merasa gelisah saat literatur sulit ditemukan 9. Saya tidak merasa pusing meskipun skripsi yang saya
kerjakan sedang mengalami permasalahan 10. Saya tidak pernah merasa tertekan selama
mengerjakan skripsi
11. Saya merasa pusing ketika revisi belum terselesaikan 12. Detak jantung saya stabil meskipun skripsi saya tidak
selesai dalam waktu yang ditentukan 13.
Saya tidak mengalami sakit kepala berat saat menghadapi tekanan yang berlebihan dalam mengerjakan skripsi
14. Saya merasa mulas ketika hendak menemui dosen pembimbing
15. Saya tidak mengalami gangguan tidur ketika ada masalah dengan dosen pembimbing
16. Saya sering makan yang berlebih ketika mengerjakan skripsi
22 Cara menghitung score (scoring) dari uji Skala Likert pada Tabel 3.2 yaitu, nilai untuk item di dalam favourable : SS = 4, S = 3, TS = 2, dan STS = 1. Sedangkan nilai item di dalam unfavourable : SS = 1, S = 2, TS = 3, dan STS = 4.
Selanjutnya adalah menentukan range data tingkat stres dengan rumus : Rendah : x < M - 1,0 .α
Sedang : M - 1,0 . α ≤ x < M + 1,0 . α Tinggi : x ≥ M + 1,0 . α Ket :
x : Hasil total scoring setiap data
M : Mean atau rata-rata total scoring dari semua data input baru α : Standar Deviasi, didapat dengan rumus “STDEV” pada M. Excel
