![Bismillah, PTA Tobiyas Janitra [PDF]](https://pdfs.asia/img/200x200/bismillah-pta-tobiyas-janitra.jpg)
4 0 552 KB
KLASIFIKASI EMOSI DATA ELECTROENCEPHALOGRAPHY MENGGUNAKAN METODE NEURO-FUZZY PROPOSAL TUGAS AKHIR
Bidang Studi Telekomunikasi dan Multimedia Oleh: TOBIYAS JANITRA 1704105010001
PROGRAM STUDI TEKNIK ELEKTRO JURUSAN TEKNIK ELEKTRO DAN KOMPUTER FAKULTAS TEKNIK UNIVERSITAS SYIAH KUALA DARUSSALAM, BANDA ACEH DESEMBER 2020
PERNYATAAN KEASLIAN PROPOSAL
Saya menyatakan dengan sesungguhnya proposal tugas akhir dengan judul “Klasifikasi Emosi Data Electroencephalography Menggunakan Metode Neuro-Fuzzy” bukan merupakan tiruan atau duplikasi dari tugas akhir atau karya ilmiah yang telah dipublikasi pihak lain, kecuali bagian yang sumber informasinya dicantumkan sebagaimana mestinya. Bila ditemukan hal-hal yang tidak sesuai dengan isi pernyataan ini, saya menerima dan menghormati segala konsekuensi akademis yang diberikan Program Teknik Elektro Fakultas Tenik Universitas Syiah Kuala.
Banda Aceh, 15 Oktober 2020
Tobiyas Janitra NIM 1704105010001
ii
PENGESAHAN PROPOSAL
Untuk melengkapi persyaratan awal pelaksanaan tugas akhir (skripsi) pada Program Studi Teknik Elektro, guna memperoleh legalitas pelaksanaan tugas akhir pada Fakultas Teknik, Universitas Syiah Kuala, dinyatakan bahwa proposal ini dibuat oleh:
Nama NPM Bidang Judul
: : : :
Telah diseminarkan dihadapan Tim Penguji Ujian seminar proposal Program Studi Teknik Elektro, Jurusan Teknik Elektro dan Komputer, Fakultas Teknik, Universitas Syiah Kuala, pada hari Kamis, Tanggal Dua Bulan Agustus Tahun Dua Ribu Delapan Belas, dan dinyatakan LULUS.
Tim Penguji Ketua Seminar/Penguji Nama Ketua Seminar Anggota/Penguji Nama Anggota Seminar Anggota/Penguji Nama Anggota Seminar Pembimbing I Nama Pembimbing I Pembimbing II Nama Pembimbing II Banda Aceh, 9 Agustus 2020 Mengesahkan, Koordinator Program Studi Teknik Elektro,
Zulhelmi, S.T., M.Sc NIP. 197907022003121001 iii
ABSTRAK Abstrak- Electroencephalogram (EEG) adalah proses penting dalam Braincomputer interface (BCI) yang dapat digunakan untuk menentukan apakah subjek sedang melakukan tindakan dan imajinasi. Dengan electroencephalography (EEG) dapat diperoleh data rekaman aktivitas otak dari sejumlah channel – channel berdasarkan pemantauan electrophysiological. Masing-masing channel memberikan respons yang berbeda-beda saat mendapatkan stimulus emosi. untuk mengenali emosi manusia berdasarkan aktivitas gelombang otak, dibutuhkan penguraian atau perubahan sinyal yang dapat diartikan sebagai nilai penting dalam menentukan emosional manusia. Penelitian ini mengusulkan sebuah kerangka klasifikasi emosi manusia dari data sinyal EEG menggunakan metode Adaftive Neuro Fuzzy Inference System (ANFIS), sinyal yang diklasifikasi adalah hasil analisis dari metode dilakukan preprocessing menggunakan Independent Component Analysis (ICA) dan Principal Compoment Analysis (PCA) untuk reduksi dimensi. Hasil yang diharapakan mendapatkan metode baru untuk pengolahan sinyal EEG menggunakan metode ANFIS mendapatkan nilai yang optimal
Kata kunci: Electroencephalogram (EEG), Ekstraksi Feature, ANFIS, Braincomputer interface (BCI)
iv
DAFTAR ISI
JUDUL..............................................................................................................i PERNYATAAN KEASLIAN PROPOSAL.....................................................ii PENGESAHAN PROPOSAL..........................................................................iii ABSTRAK........................................................................................................iv DAFTAR ISI....................................................................................................v DAFTAR GAMBAR........................................................................................vii DAFTAR TABEL............................................................................................viii DAFTAR SINGKATAN..................................................................................ix BAB I PENDAHULUAN...............................................................................1 1.1. LATAR BELAKANG..................................................................1 1.2. RUMUSAN MASALAH..............................................................2 1.3. RUANG LINGKUP......................................................................3 1.4. TUJUAN.......................................................................................3 1.5. URGENSI DAN MANFAAT PENELITIAN..............................3 1.6. SISTEMATIKA PENULISAN.....................................................3 BAB II TINJAUAN PUSTAKA....................................................................5 2.1. Model Emosi Pada Manusia.........................................................5 2.1.1 Model Arousal dan Valence.................................................6 2.1.2 Model Circumplex................................................................6 2.2. Sinyal EEG...................................................................................7 2.3 Data Akuisisi.................................................................................7 2.4. Preprocessing dan Ekstraksi Ciri..................................................8 2.5. Sinyal Domain Waktu ..................................................................9 2.6. Algoritma Klasifikasi ANFIS.......................................................12 2.7. PENELITIAN YANG TERKAIT DENGAN...............................14
v
BAB III METODOLOGI DAN JADWAL PENELITIAN.........................19 3.1 METODE PENELITIAN...............................................................19 3.1.1 Bahan Penelitian..................................................................19 3.1.2 Alat Penelitian.....................................................................21 3.1.3 Alur Penelitian.....................................................................22 3.2 JADWAL PENELITIAN...............................................................28 BAB IV LUARAN PENELITIAN.................................................................29 DAFTAR PUSTAKA......................................................................................30
vi
DAFTAR GAMBAR
Gambar 2.1 Kuadran emosi berdasarkan model Arousal dan Valence (Othman etal., 2013).....................................................................................6 Gambar 2.2 Emosi berdasarkan 12-point Circumplex.....................................6 Gambar 2.3 Implementasi circumplex model pada video percobaan ICA.......8 Gambar 2.4 Sinyal Pada Domain Waktu..........................................................9 Gambar 2.5 Anfis Arsitektur............................................................................12 Gambar 3.1 Posisi 32 Channel sesuai dataset...................................................20 Gambar 3.2 sinyal EEG berdasarkan channel (a) Fp1 (b) AF3 (C) F3............21 Gambar 3.3 Alur Penelitian.............................................................................22 Gambar 3.4 Alur Import Data..........................................................................23 Gambar 3.5 Alur Penetapan Channels Location..............................................23 Gambar 3.6 Alur Filter Data............................................................................24 Gambar 3.7 Alur Data Process........................................................................24
vii
DAFTAR TABEL
Tabel 2.1 Penelitian terkait dengan penggunaan metode.................................14 Tabel 3.1 Daftar Channel yang diterapkan berdasarkan Skenario Penelitian...20 Tabel 3.2 Tabel Alat Penelitian........................................................................21 Tabel 3.3 Jadwal Pelaksanaan Tugas Akhir.....................................................27
viii
DAFTAR SINGKATAN
Independent Component Analysis (ICA) Principal Compoment Analysis (PCA) Brain–computer interface (BCI) Electroencephalogram (EEG) Adaptive Neuro-Fuzzy Inference System (ANFIS) Fuzzy Inference System (FIS) Multiple Discriminant Analysis (MDA) Logarithmic learning for Generalized Classifier Neural Network (L-GCNN) Intrinsic Mode Functions (IMF) Linear Discriminant Analysis (LDA) Fast Fourier Transform (FFT) DEAP dataset (database for emotion analysis using physiological signal) mean absolute value (MAV) average power (AVP) standar deviasi (SD) Brain–computer interface (BCI)
ix
BAB I PENDAHULUAN 1.1.
LATAR BELAKANG Emosi yang ada pada manusia memiliki peran penting untuk
berkomunikasi dalam hidup bersosialisasi. Salah satu cara yang dapat dilakukan yaitu dengan membaca sinyal biolistrik yang dikeluarkan oleh otak manusia. Dalam pemanfaatan EEG khususnya dalam pengaplikasian deteksi aktivitas dalam otak atau kerap disebut brain computer interface (BCI) ini memerlukan algoritma. Brain-computer interface (BCI) adalah sistem yang menyediakan jalan bagi otak dan
komputer
untuk
saling
berkomunikasi
secara
langsung.
Electroencephalogram (EEG) adalah proses penting dalam BCI yang dapat digunakan untuk menentukan apakah subjek sedang melakukan tindakan dan atau imajinasi[1]. Karena BCI dapat mengubah teknologi bantuan yang ada sehingga BCI telah banyak digunakan pada beberapa sektor misalnya neuro-feedback untuk rehabilitasi stroke. Dalam bidang lain BCI juga digunakan pada medis seperti prediksi kejang epilepsi, deteksi kewaspadaan dan pemantauan beban kognitif, juga pada
gangguan tidur yang ditumong[1]. Pada bidang tambahan dalam
robotika, BCI menguntungkan untuk segi permainan komputer, realitas virtual dan lainnya . Penelitian sebelumnya[2] menggunakan Logarithmic Learning For Generalized Classifier Neural Network untuk klasifikasi emosi pada sinyal EEG berdasarkan Empirical Mode Decomposition dan Wavelet Packet Decomposition. lalu penelitian[3] Menggunakan Deep Neural Network EEG Signal untuk klasifikasi Sinyal EEG, dan penelitian[13] didapatkan hasil bahwa klasifikasi dengan ANN kurang tepat. Adaptive neuro-fuzzy inference system (ANFIS) merupakan sistem pembelajaran mesin yang menggabungkan prinsip kerja jaringan syaraf tiruan dengan fuzzy inference system (FIS). Penggabungan metode ini diharapkan dapat
1
menutupi kelemahan dari masing-masing metode. Dengan penggabungan ini diharapkan juga mendapatkan keakuratan hasil daripada dengan satu metode saja. Penelitian ini berkontribusi untuk mendapatkan metode klasifikasi emosi dengan menggunakan ANFIS. Metode ini digunakan karena belum ada penelitian sebelumnya yang mengusulkan metode ini untuk mengklasifikasikan emosi dari sinyal EEG. Metode ANFIS pernah digunakan pada penelitian sebelumnya dimana dengan menggunakan metode ini 80% dari pengujian data diprediksi dengan baik [12]. Selain itu metode ANFIS juga digunakan pada penelitian yang dilakukan oleh Suwanto et.al dimana ia menggabungkan metode Fast Fourier Transform (FFT) dan ANFIS untuk mengidentifikasikan seseorang mengidap epilepsy atau tidak. Hasil yang didapatkan akurasi, sensitivitas dan presisi sebesar 100% [6]. Preprocessing EEG dapat dilakukan dengan simple temporal & spatial filter atau metode filter yang lebih canggih seperti Independent Component Analysis (ICA), Common SpatialPatterns (CSP), Principal Component Analysis (PCA) dan 2 lain sebagainya. ICA sendiri sudah digunakan secara luas sebagai metode untuk memisahkan artefak dari data EEG. ICA akan bertindak sebagai blind source separation dengan memisahkan data sinyal ke dalam bentuk data yang independent atau disebut independent component (IC) [3] Maka pada penelitian ini, akan dibuat suatu sistem klasifikasi, dimana menggabungkan Independent Component Analysis (ICA) dan Principal Compoment Analysis (PCA) sebagai proses ekstraksi fiturnya, dan menggunakan ANFIS sebagai metode klasifikasinya. Diharapkan dengan menggabungkan beberapa metode tersebut dapat menghasilkan sistem klasifikasi emosi secara optimal dengan menggunakan data EEG. 1.2.
RUMUSAN MASALAH Dari penelitian ini terdapat rumusan masalah sebagai berikut: 1. Mendapatkan metode untuk mengklasifikasikan emosi pada data sinyal EEG dengan ANFIS. 2. Bagaimana mendapatkan hasil akurasi sistem klasifikasi menggunakan ICA dan PCA dengan ANFIS. 2
1.3.
RUANG LINGKUP Adapun batasan masalah pada penelitian ini adalah mengklasifikasikan
emosi berdasarkan sinyal EEG dengan menggunakan metode ANFIS berdasarkan parameter Independent Component Analysis (ICA) dan Principal Component Analysis (PCA) 1.4.
TUJUAN Adapun tujuan dari penelitian ini adalah: 1. Mengklasifikasikan emosi dari data sinyal EEG dengan melakukan preprocessing menggunakan ICA serta algoritma klasifikasi ANFIS. 2. Membuktikan bahwa preprocessing menggunakan ICA mampu meningkatkan akurasi data dibandingkan tanpa menggunakan ICA.
1.5.
URGENSI DAN MANFAAT PENELITIAN Adapun manfaat dari penelitian ini adalah meningkatkan hasil klasifikasi
emosi manusia dari fitur sinyal EEG berdasarkan pada channel – channel yang aktif saat terjadi dalam kondisi emosional pada manusia. 1.6.
SISTEMATIKA PENULISAN Tugas akhir ini memiliki beberapa bab dan subbab disertai pembahasannya
masing-masing. Berikut ini adalah sistematika penulisan dalam penulisan proposal tugas akhir BAB 1 : PENDAHULUAN Bab ini berisikan penjelasan mengenai latar belakang, rumusan masalah, tujuan, urgensi penelitian, dan sistematika penulisan laporan penelitian tugas akhir mengenai metode ANFIS pada data EEG untuk dapat diklasifikasikan. BAB 2 : TINJAUAN PUSTAKA
3
Bab ini membahas mengenai teori-teori yang terkait dengan metode ANFIS, definisi emosi, sinyal EEG, data akuisisi, preprocessing dan ekstraksi ciri BAB 3 : METODOLOGI DAN JADWAL PENELITIAN Bab ini menjelaskan tahapan-tahapan yang akan dilakukan pada penelitian ini, alat dan bahan yang digunakan serta jadwal penelitian yang akan dilakukan. BAB 4 : LUARAN PENELITIAN Bab ini berisi tentang harapan dari penelitian yang akan dilakukan dan manfaatnya DAFTAR PUSTAKA Bab ini berisi sumber-sumber referensi yang digunakan untuk penelitian ini
4
BAB II TINJAUAN PUSTAKA 2.1.
Model Emosi Pada Manusia Emosi adalah suatu persepsi saat kondisi orang tersebut sadar maupun
tidak sadar tentang suatu objek yang sering dikaitkan dengan perasaan dan pemikiran yang khas sehingga ada kecenderungan untuk bertindak. Contohnya saat suasana hati kita sedang tidak baik, adanya kecederungan untuk marah. Emosi bisa diklasifikasikan antara emosi yang positif maupun yang negative. Emosi positif seperti bahagia, merasakan perasaan yang menguntungkan, emosi yang negative adalah kebalikan dari emosi positif seperti marah, rasa bersalah[2]. Emosi adalah suatu reaksi terhadap rangsangan baik dari luar ataupun dari diri sendiri, hal ini berkaitan dengan perubahan psikologis dan pikiran dari setiap manusia. Emosi merupakan aspek penting dalam kehidupan manusia yang dapat dinyatakan secara verbal melalui penyampaian kata-kata emosional serta dapat juga dinyatakan secara non verbal misalnya ekspresi wajah, tekanan nada pembicaraan dan gerakan tubuh. Penelitian tentang emosi telah banyak dilakukan baik secara psikologi, biologi, maupun secara komputerisasi.
5
Emosi dibagi menjadi 2 model [3], yaitu ; 2.1.1
Model Arousal dan Valence
Gambar 2.1 Kuadran emosi berdasarkan model Arousal dan Valence [3] Seperti yang dapat di lihat dari Gambar 2.1. menunjukan pada model ini pembagian emosi terbagi atas 4 kuadran emosi yaitu takut, senang, sedih, dan normal. Di mana pada kuadran 2, emosi marah sama dengan emosi takut dikarenakan penelitian menemukan emosi takut lebih luas pada area neuroscience kognitif dibandingkan emosi marah 2.1.2 Model Circumplex
Gambar 2.2 Emosi berdasarkan 12-point Circumplex[3]
6
Pada model ini, mengintegrasikan dimensi model yang berbeda dari suasana hati dan emosi. Di mana nilai emosi dasar berdasarkan penempatan variabel
eksternal
menggunakan
metode
circum-extention.
Gambar
2.2
menunjukkan lokasi yang tepat dari emosi takut, sedih dan senang. Sedangkan untuk emosi normal tidak dikenal dalam model ini akan tetapi direpresentasikan dengan nilai (0,0). Model ini adalah estimasi derajat dari setiap variabel yang ditentukan dari akar kuadrat variabel eksternal 2.2.
Sinyal EEG Sinyal Electroencephalogram (EEG)[1]–[3], [7]–[9] merupakan rekaman
sinyal yang didapat dengan cara merekam aktivitas elektrik spontan gelombang otak dengan cara mengukur fluktuasi tegangan di dalam neuron otak selama periode waktu tertentu. EEG membuat peneliti dapat mengukur impulse elektrik pada semua permukaan otak dan mengamati perubahan yang terjadi tiap satuan waktu. Sinyal EEG dapat digunakan untuk menganalisa emosi. Aktifitas sinyal EEG cenderung cukup kecil, biasanya dalam ukuran microvolts dengan frekuensi utama sampai di atas 30 Hertz. Dalam kurun waktu tertentu EEG bisa mendapatkan rekaman dan catatan aktifitas dari perangkat otak yang di sebut BCI (Brain Computer Interface ). Sinyal elektrik yang dihasilkan secara natural oleh otak akan ditangkap oleh kanal-kanal elektrode pada BCI. 2.3.
Data Akuisisi DEAP : A database for Emotion Analysis using physiological Signals yang
merupakan data yang sudah melewati tahap preprocessing sebanyak 32 data dalam bentuk .mat. data raw berbentuk array yang berisi 40 x 40 x 8064 (trial x kanal x panjang sinyal). pada dataset terdapat tingkat valence berskala 1-9 yang digunakan untuk memperoleh kondisi senang atau sedih. Skala sedih dari nilai 1-4 dan skala senang dari nilai 4,01-9. Dari 32 data tersebut kemudian dijabarkan oleh sistem dan dihitung rata-rata 32 saluran dalam setiap percobaan dan mendapatkan 1.280 data dalam bentuk excel yang sudah dibagi berdasarkan trial yang ada sebanyak 40 trial. Dalam satu trial terdapat 32 data yang kemudian dibagi menjadi
7
data latih dan data uji untuk memperoleh ekstraksi fitur yang terbaik. Trial yang terbaik adalah trial yang ke-8 karena fitur yang didapatkan setelah dibandingkan adalah yang paling baik dari antara data yang lainnya. Dalam data trial ke 8 berisikan data tentang ciri (A dan W) dan kelas emosi (Happy dan Sad) sebanyak 32 data. Pembagian data latih dan data uji yaitu dengan menggunakan perbandingan seperti : 30:70, 50:50, dan 70:30 (sebelah kiri adalah data latih dan sebelah kanan adalah data uji). 2.4.
Preprocessing dan Ekstraksi Ciri Independent Component Analysis (ICA) merupakan sebuah metode
preprocessing pada data sinyal dengan melakukan dekomposisi sinyal data kedalam bentuk yang independent untuk mendeteksi artefak yang menyebabkan noise.
Gambar 2.3 Implementasi circumplex model pada video percobaan ICA[10] ICA telah terbukti efisien dalam memisahkan data dari artefak seperti kedipan mata, Gerakan otot, atau denyut jantung [10]. Tujuan awal algoritma ini ialah sebagai pengenal asal suara dari berbagai sumber yang bercampur atau disebut cocktail party problem. Principal Compoment Analysis (PCA) Metode untuk mengidentifikasi pola-pola yang terdapat dalam sebuah data dan menyatakannya dalam sebuah cara untuk menentukan kemiripan dan perbedaan yang dimiliki oleh data tersebut. Keunggulan dari PCA salah satunya adalah dapat mengurangi jumlah dimensi yang terdapat dalam satu pola tanpa mengurangi informasi yang terdapat dalam data tersebut. Oleh karena itu, PCA sangat diperlukan untuk membantu reduksi terhadap pola-pola yang ada dalam suatu klaster.PCA sangat cocok untuk
8
digunakan terhadap higdimensional dataset. PCA lebih dikenal dengan sebutan analisa faktor ( factor analysis). 2.5.
Sinyal Domain Waktu Sinyal merupakan informasi yang dienkode dalam bentuk gelombang.
Secara sistemik, sinyal berada pada domain waktu dan diekspresikan sebagai fungsi dari parameter waktu. Pada sinyal domain waktu, garis horizontal dipresentasikan sebagai waktu dan garis vertikal sebagai amplitudo seperti yang dapat dilihat pada Gambar 2.7 yang merupakan contoh gambaran hasil perekaman sinyal EEG.
Gambar 2.4 Sinyal Pada Domain Waktu[14] Fitur-fitur yang bisa didapatkan pada sinyal domain waktu antara lain[16] [17] : 1. Nilai maksimum dan minimum menunjukkan nilai amplitudo sinyal disaat maksimum dan minimum. Nilai ini digunakan untuk membandingkan puncak tertinggi dan terendah dari beberapa sinyal emosi. 2. Nilai mean atau nilai rata-rata dari sinyal N
1 ´x = ∑ x i EEG N i=1
(2.4)
9
Keterangan: x´ i= nilai data ke-i N = jumlah data
3. Nilai median atau nilai tengah yang memisahkan setengah nilai yang lebih tinggi dan setengah nilai lainnya untuk mencari nilai tengah Med=¿ (2.5) Keterangan: Apabila N ganjil Apabila N genap 4. Deviasi standar
α=
√
N
∑ (x iEEG−x iEEG)2
(2.6)
i−1
N−1
Keterangan: x = nilai rata-rata Perhitungan skewness menunjukkan derajat ketidaksimetrisan sinyal terhadap distribusi normal Gaussian. Kurva hasil perhitungan skewness ini dapat condong ke arah positif maupun arah negatif apabila tidak terdistribusi normal. N
∑ ( x iEEG−x iEEG)3 i=1
Sω= N
(√
3
N 2
∑ ( x tEEG−x tEEG) t=1
N−1
(2.7)
)
10
5. Kurtosis merupakan derajat keruncingan sinyal terhadap distribusi normal. Pada distribusi normal, kurtosis memiliki nilai tiga. Ketika kurtosis berinilai lebih dari tiga, kurva distribusi memiliki puncak yang lebih tinggi dan sebaliknya.
Kr=
(∑
i=n 2 ne
x iEEG −x iEEG
4
)
N ¿¿
(2.8)
6. Nilai rata-rata dari absolut turunan pertama N−1
1 δ= ∑ |x +1−x iEEG| N−1 i−1 iEEG
(2.9)
7. Nilai rata-rata dari absolut turunan kedua δ=
1 N−2
N −2
∑ |xiEEG +2−x iEEG| i=1
(2.10)
8. Normalisasi turunan pertama dihitung dengan melakukan pembagian antara nilai rata-rata absolut turunan pertama dengan deviasi standar.
γ=
δ α
Keterangan: γ = Nilai rata-rata absolut turunan pertama α= nilai devisiasi standar
11
(2.11)
9. Normalisasi turunan kedua dihitung dengan melakukan pembagian antara nilai rata-rata absolut kedua dengan deviasi standar.
γ=
δ α
(2.12)
Keterangan: δ= nilai rata-rata absolut turunan kedua
2.6.
Algoritma Klasifikasi ANFIS ANFIS (Adaptive Neuro-Fuzzy Inference System) merupakan algoritma
hybrid yang merupakan gabungan dari mekanisme Fuzzy Inference System (FIS) dan metode jaringan syaraf tiruan. ANFIS memiliki dua parameter, yaitu parameter premis dan parameter konsekuen. Algoritma pelatihan hybrid ini dilakukan secara bertahap, maju, dan mundur [17, 18, 19]. Gambar 1 menunjukkan arsitektur ANFIS
Gambar 2.5 Anfis Arsitektur[12] Penjelasan pada masing-masing lapisan sebagai berikut [12]: Lapisan 1: Fuzzyfication
12
Pada layer ini, pembentukan himpunan fuzzy akan dilakukan dengan menggunakan fungsi keanggotaan. Ada beberapa fungsi keanggotaan yang bisa digunakan diantaranya, Bell, Gaussian, trap, triangle, dan lain-lain. Output pada layer 1 dinyatakan seperti pada persamaan 2.13, dengan i adalah data
O1 i=µ A i( x)=
1 x−c 1+ a
2
(2.12)
| |
Dimana : µ A i ( x) = derajat keanggotaan x
= data inputan
c
= mean
a
= standar deviation
Lapisan 2: product Setiap simpul pada lapisan ini diberi label Π , bersifat non-adaptif (parameter tetap) yang mempunyai keluaran berupa perkalian dari semua sinyal yang masuk. O=wi=µ A i ( x ) µ Bi ( y ) , i=1,2 Dimana : µ A i ( x ) = tingkat keanggotaan µ Bi ( y ) = tingkat keanggotaan w i = kekuatan aktivasi Masing-masing simpul yang keluar menyatakan derajat pangaktifan yang telah diatur oleh fuzzy. Secara umum, T-norm dapat mengungkapkan maksud dari logika fuzzy AND dapat digunakan sebagai simpul pada lapisan ini. Lapisan 3: normalization Setiap simpul dalam lapisan ini diberi label N, dan bersifat non-adaptif. Masing-masing simpul menampilkan derajad pengaktifan ternormalisasi dengan bentuk: 13
O3 ,i =w=
wi ,i=1,2 w1 +w 2
Dimana : w = kekuatan aktivasi Apabila dibentuk lebih dari dua aturan, fungsi dapat diperluas dengan membagiw i dengan jumlah w total untuk semua aturan. Lapisan 4: defuzzication Tiap simpul pada lapisan 4 berupa simpul adaptif dengan fungsi simpul sebagai berikut:
O 4 , i=w i f i= w´ i ( pi x +q i y + r i) Dimana w i adalah derajat pengaktifan ternormalisasi dari lapisan 3 dan { { p b q b r i } merupakan himpunan parameter dari simpul ini. Parameter dilapisan ini dinamakan parameter konsekuen. Lapisan 5: output Simpul tunggal pada lapisan 5 ini diberi label ∑ , yang mana menghitung semua keluaran sebagai penjumlahan dari semua sinyal yang masuk: Keluaran keseluruhan =
∑ wi f i O5 ,i =∑ wi f i= i
i
∑ wi i
Dimana : w i f i = hasil dari layer 4 2.7.
PENELITIAN YANG TERKAIT DENGAN Berikut ini beberapa literatur yang digunakan untuk penelitian ini: Tabel 2.1 Penelitian terkait dengan penggunaan metode
No 1
penulis ALDY
Latar Belakang Apa kerangka
Metode Independent
14
Hasil klasifikasi emosi dengan
SYAHDEI
kerja yang paling
Component
preprocess
NI,2015.
baik untuk
Analysis (ICA) ,
menggunakan ICA
[10]
mengklasifikasika
Wavelet
dengan merata-ratakan
n emosi pada data
Denoising dan
100 fitur menghasilkan
sinyal EEG
Multiple
akurasi sebesar 70%,
Discriminant
sedangkan tanpa
Analysis (MDA)
menggunakan ICA viii menghasilkan akurasi
2
Bimo Rian Bagaimana
Metode
sebesar 65%. Metode ICA digunakan
Tri
Independent
untuk memperoleh
Nugroho,20 otak yang
Component
informasi ciri-ciri yang
19.[8]
Analysis (ICA)
dihasilkan oleh otak
mendeteksi sinyal menunjukan emosi
seperti sinyal yang
sedih,senang, atau
diamati dan SVM akan
netral.
mencari akurasi dari sinyal yang diamati dan dari hasil GA akan didapatkan kesimpulan apa emosi yang
3
SAIFUL
Penelitian ini
Logarithmic
dirasakan oleh peserta. Dari hasil uji coba
BAHRI
mengusulkan
learning for
berdasarkan pemilihan
MUSA,201
sebuah kerangka
Generalized
channel-channel
7.[2]
klasifikasi emosi
Classifier Neural
diperoleh rata-rata
manusia dari data
Network (L-
akurasi adalah 86.94 %
sinyal EEG
GCNN)
untuk skenarioB dan
menggunakan
skenarioA mendapatkan
metode
rata-rata akurasi 68.45
Logarithmic
%. Dari hasil uji coba
learning for
diperoleh kesimpulan
Generalized
bahwa skenario B lebih
Classifier Neural
baik dari skenario A
Network (L4
Ratna
GCNN),. Penggunaan
Adaptive
15
Penggunaan Adaptive
Karmila.20
Adaptive
Backpropagation
Backpropagation dapat
16. [10]
backpropagation
mempercepat dalam
dimaksudkan
proses pembelajaran
untuk
dengan tingkat akurasi
mempercepat
75%,
dalam proses 5
Irvan
pelatihan. mendeteksi
algoritma
Akurasi terbaik
Herdiansya
kondisi kelelahan
klasifikasi LDA
diperoleh dengan
h Esmeralda
, dengan
melakukan ekstraksi
menggunakan uji
menggunakan orde 30
C. Djamal, kemampuan
dengan akurasi 82% dari
Agus
90 dataset yang
kognitif
Komarudin 6
2017.[14] Güler, Inan
digunakan Pengambilan
ANFIS
Kinerja model ANFIS
Übeyli, Elif keputusan
dievaluasi dalam hal
Derya
dilakukan dalam
kinerja pelatihan dan
(2005) [5]
dua tahap yaitu
klasifikasi
ekstraksi ciri
akurasi dan hasil
menggunakan
menegaskan bahwa
wavelet transform
model ANFIS yang
(WT) dan dilatih
diusulkan berpotensi
ANFIS
dalam
dengan metode
mengklasifikasikan
penurunan
sinyal EEG..
gradien propagasi mundur yang dikombinasikan dengan metode kuadrat terkecil 7
MUHAM
mengusulkan
linear
dibuktikan bahwa
MAD AFIF metode
discriminant
pendeteksian kondisi
HENDRA
pendeteksian
anaalysis (LDA)
kelelahan mental dapat
WAN[11]
kelelahan mental
menggunakan sinyal
16
dengan
EEG yang didapatkan
menggunakan
hanya dari satu kanal.
sinyal EEG yang diambil dari satu 8
Suwanto,
kanal mengidentifikasi
metode Fast
Didapatkan akurasi,
Suwanto
seseorang
Fourier
sensitivitas, dan presisi
et.al (2019) mengidap epilepsi
Transform (FFT)
sebesar 100% dan
[6]
dan Adaptive
sistem klasifikasi sinyal
Neuro Fuzzy
EEG menggunakan
Inference System
ANFIS dengan
(ANFIS)
pembagian tiga kelas
atau tidak.
(Normal-Not Seizure Epilepsy-Epilepsy) menghasilkan akurasi sebesar 89.33% sensitivitas sebesar 89.37% dan presisi 10
ANFIS
sebesar 89.33%. MSE prediksi rata-rata
Komijani,
klasifikasi citra
Hossein
motor (MI) untuk
0,0302 dan akurasi
et.al
Sistem BCI
klasifikasi rata-rata
(2019).[1]
menggunakan
85,52% adalah
antarmuka neuro-
diperoleh sebagai hasil.
fuzzy adaptif berulang sistem (ANFIS) 11
Wayan
Penelitian ini
Suparta,
menggunakan
ANFIS
Dengan metode ANFIS, data curah hujan
Azizan Abu ANFIS untuk
bulanan di Tangerang
Samah
selatan berhasil
2020.[12]
, mengurangi jumlah korban
diprediksi dengan
dan kerugian
kinerja rata-rata
materil karena
pengujian sekitar 80%
banjir
17
12
T.O.
Penggunaan
Adaptive Neuro-
Model ANFIS juga
Babarindea,
model ANFIS
Fuzzy Inference
menyediakan ukuran
S.A.
dijelaskan dalam
System (ANFIS)
keluaran statistik seperti
Akinlabi
, memprediksi
D.M.
13.
Root Mean Square Error
efisiensi
(RMSE) dan Mean
Madyiraa , nanolubricant
Absolute Deviation
F.M.
MWCNT dalam
(MAD), Mean Absolute
Ekundayo,
suatu uap.
Percentage Error
P.A.
(MAPE), dan koefisien
Adedeji.20
determinasi (R2).
20. [13]
.
Ratna
EEG sebagai
Discrete Wavelet
Klasifikasi dengan ANN
Karmila*,
instrument untuk
Transform dan
kurang tepat.
Esmeralda
menangkap sinyal
ANN
C. Djamal,
otak agar dapat
Dian
mengetahui apa
Nursantika[
pengaruh dari
10]
stimulasi yang diterima
18
BAB III METODOLOGI DAN JADWAL PENELITIAN 3.1.
METODE PENELITIAN Metode penelitian ini akan membahas beberapa hal, yaitu: bahan
penelitian, alat penelitian, dan alur penelitian. 3.1.1
Bahan Penelitian Dataset yang digunakan pada penelitian ini adalah data sinyal EEG
berdasarkan emosi atau lebih dikenal dengan DEAP (database for emotion analysis
using
physiological
signal)
data
ini
diperoleh
dari
situs:
http://www.eecs.qmul.ac.uk/mmv/datasets/deap/download.html. Data ini diperoleh dari situs Dataset telah melewati pra-proses dalam versi matlab, besaran data adalah 2.9 Gb. Database ini menyimpan 32 berkas partisan di mana 22 partisan disertai dengan data psikologis. Proses perekaman data pada setiap partisan dengan cara memberikan stimulus 40 klip video musik berasal dari situs www.youtube.com, yang masingmasing video berdurasi 1 menit dengan down sampled telah berubah menjadi 128 Hz. Untuk setiap video, perekaman sinyal otak pada partisan dilakukan sebanyak 40 kali di mana proses jeda perekaman terjadi setelah 20 kali rekaman data sinyal otak. Dalam rekaman tersebut terdapat 32 Channel data rekaman sinyal EEG, selebihnya adalah sinyal data hEOG, vEOG, zEMG, tEMG, GSR, Respiration belt, Plethysmograph dan Temperature. Untuk posisi channel berdasarkan rekaman data sinyal EEG dapat dilihat pada Gambar 3.1 Pada penelitian ini telah ditentukan channel – channel setelah melakukan beberapa kali uji coba, dimulai dengan menggunakan keseluruhan channel, memilih beberapa channel untuk seluruh kelas sampai dengan terakhir memilih channel berdasarkan kelas yang juga menjadi skenario dari uji coba. Di mana channel - channel tersebut didasari oleh beberapa area pada kepala seperti area dahi, area belakang telinga kiri / kanan dan pada area tengkuk yang memiliki informasi sangat penting dalam mengenali emosi manusia berdasarkan sinyal EEG. Untuk label Kelas pada dataset ini terdiri dari 4 kelas emosi yang dinilai 19
oleh para pakar. Adapun channel – channel yang diterapkan berdasarkan kedua skenario dapat dilihat pada Tabel 3.1 dan Contoh sinyal dari beberapa channel hasil rekaman dapat dilihat pada Gambar 3.2. Tabel 3.1 Daftar Channel yang diterapkan berdasarkan Skenario Penelitian
Gambar 3.1 Posisi 32 Channel sesuai dataset[15]
20
Gambar 3.2 sinyal EEG berdasarkan channel (a) Fp1 (b) AF3 (C) F3[15]
3.1.2
Alat Penelitian Penelitian ini menggunakan komputer dan software dengan spesifikasi
berikut: Tabel 3.2 Tabel Alat Penelitian NO 1
Hardware dan software Komputer(pc)/laptop
Spesifikasi RAM 4Gb HDD 100GB
3.1.3
Processor 2,4 GHz Quadcore Windows 10,64 bit 2017
2 Operating System 3 Software matlab Alur Penelitian
21
Perancangan algoritma yang diusulkan yaitu pengklasifikasian emosi manusia berdasarkan sinyal EEG dengan menggunakan metode ANFIS. Pra proses sebelum klasifikasi adalah proses shifting sinyal menggunakan PCA dan ekstraksi serta seleksi fitur menggunakan ICA. Dilanjutkan dengan uji coba serta menganalisis hasil dari metode yang diusulkan .
Gambar 3.3 Alur penelitian Gambar 4.1 merupakan alur perancangan metode klasifikasi menggunakan ANFIS yang akan dilakukan pada penelitian ini. Adapun tahapan-tahapan yang akan dilakukan yaitu :
A. Proses akuisisi Data 22
Proses perekaman data pada setiap partisan dengan cara memberikan stimulus 40 klip video musik berasal dari situs www.youtube.com, yang masingmasing video berdurasi 1 menit dengan down sampled telah berubah menjadi 128 Hz. Untuk setiap video, perekaman sinyal otak pada partisan dilakukan sebanyak 40 kali di mana proses jeda perekaman terjadi setelah 20 kali rekaman data sinyal otak. Dalam rekaman tersebut terdapat 32 Channel data rekaman sinyal EEG, selebihnya adalah sinyal data hEOG, vEOG, zEMG, tEMG, GSR, Respiration belt, Plethysmograph dan Temperature. Untuk posisi channel berdasarkan rekaman data sinyal EEG dapat dilihat pada Gambar 3.3 dan untuk deskripsi 32 Channel Sinyal EEG dapat dilihat pada lampiran 1. Pada penelitian ini telah ditentukan channel – channel setelah melakukan beberapa kali uji coba, dimulai dengan menggunakan keseluruhan channel, memilih beberapa channel untuk seluruh kelas sampai dengan terakhir memilih channel berdasarkan kelas yang juga menjadi skenario dari uji coba. Di mana channel - channel tersebut didasari oleh beberapa area pada kepala seperti area dahi, area belakang telinga kiri / kanan dan pada area tengkuk yang memiliki informasi sangat penting dalam mengenali emosi manusia berdasarkan sinyal EEG. Untuk label Kelas pada dataset ini terdiri dari 4 kelas emosi yang dinilai oleh para pakar. Adapun channel – channel yang diterapkan berdasarkan kedua skenario dapat dilihat pada Tabel 3.1 dan Contoh sinyal dari beberapa channel hasil rekaman dapat dilihat pada Gambar 3.4. Tabel 3.1 Daftar Channel yang diterapkan berdasarkan Skenario Penelitian
B. Preprocessing 1. Import Into EEGLab
Gambar 3.4 Alur Import Data
23
Pada Tahapan ini data mentah sinyal EEG dikumpulkan dari database DEAP dan akan diproses melalui software MatLab. Dalam mengolah sinyal EEG dibutuhkan path tambahan dari MatLab yaitu EEGLab. Path EEGLab dapat diunduh dari laman sscn.uscd.edu dan dibutuhkan pensettingan terlebih dahulu sebelum digunakan. Setelah EEGLab berhasil dijalankan, sinyal EEG dengan format .bdf dapat dimuat dan siap untuk diproses. 2. Import Event Markers and Channels Location
Gambar 3.5 Alur Penetapan Channels Location Dalam pre-processing sinyal EEG, software akan memperlihatkan status unknown pada channels location. Channel locations memuat sejumlah informasi dari tiap channels yang ada dan dapat menampilkan posisi plot tiap channels dalam format 2D ataupun 3D. Tahapan dalam menentukan location channels diantaranya, membuka menu edit dan memilih lokasi penyimpanan data channel. Penyetingan informasi channel juga dapat dilakukan sesuai kebutuhan dalam penelitian. Setelah keseluruhan tahapan selesai maka akan dapat dilihat plot tiap channels dalam format yang diinginkan. 2.
Re-Ference / Down Sampling Re-Ference data berfungsi sebagai pengklasifikasi atau pengelompokan
data yang berfungsi untuk menghubungkan database dengan data luar agar terjadinya sinkronisasi data. Data mentah EEG yang diperoleh memiliki sampling 512 MHz dan dapat dilakukan down sampling untuk menghemat waktu dan ruang saat melakukan proses analisa data. 3.
High Pass Filter
24
Gambar 3.6 Alur Filter Data Data mentah sinyal EEG yang diperoleh masih banyak memiliki electrical noise dan perlu dilakukan cut off frekuensi untuk menghilangkan noise tersebut. Cut off frekuensi dapat dilakukan dengan menggunakan fitur Filter Impuls Respons (FIR) yang dimana FIR merupakan filter yang memiliki respon impuls yang berdurasi terbatas. 4.
Data Process
Gambar 3.7 Alur Data Process Dalam memproses data sinyal EEG memiliki beberapa tahapan diantaranya, identify/ reject bad channels, reject large artifact time point, run ICA and reject components. Identify/ reject bad channels merupakan tahapan pengidentifikasian dan menghilangkan channels buruk yang tidak dibutuhkan.
Reject
large
artifact
time
point
merupakan
tahapan
menghilangkan artifact atau noise yang dihasilkan dari kedipan mata, dan reaksi otot dari subjek saat dilakukan pengambilan sinyal EEG. Run ICA and reject components merupakan tahapan untuk mendapatkan matrik independent component dan mendeteksi noise/ aritfact yang harus dianalisa lebih lanjut.
C.
Proses Ekstaksi fitur Pada tahap sebelumnya, sinyal EEG dibagi menjadi beberapa gelombang
dengan dua metode yang berbeda. Pada tahap ini ekstraksi ciri yang akan digunakan juga berbeda untuk gelombang hasil filter II R, ciri yang diekstrak adalah Power Percentage (PP). Persamaan 2.5 digunakan untuk mendapatkan nilai PP. Khusus untuk ekstraksi ciri dengan menggunakan PP, terdapat empat gelombang tambahan yang merupakan pecahan dari gelombang a dan b.
25
Gelombang tersebut adalah alow (8 – 9 Hz), ahigh (10 – 12 Hz), blow (13 – 17 Hz), dan bhigh (18 – 30 Hz). Sehingga ciri PP akan diekstrak dari 8 gelombang, yaitu d, q, a, alow, ahigh, b, blow, dan bhigh. Cara ini dilakukan untuk menambah detail ciri yang dapat diekstrak dari gelombang- gelombang tersebut. D.
Nilai Arousal dan Valance Subjek Nilai Arousal dan Valance dapat ditentukan dengan melakukan analisa
statistik dengan melihat nilai parameter tiap channel yang ditentukan. Parameter tersebut diantaranya, peak to peak, mean, median, deviasi standar, skewness, kurtosis, rata-rata absolut dan normalisasi rata-rata. E.
Hasil Analisis Klasifikasi ANFIS
Proses klasifikasi menggunakan ANFIS terdiri dari 5 tahap yaitu fuzzifikasi, produk, normalisasi, defuzzifikasi, dan keluaran. Proses fuzzifikasi merupakan pemetaan masukan menjadi himpunan fuzzy untuk mendapatkan derajat keanggotaan tertentu dari transformasi masukan himpunan klasik. Proses selanjutnya adalah product and normalization, yaitu proses menghitung derajat aktivasi, kemudian menghitung daya aktivasi ternormalisasi dengan cara membagi setiap hasil dari layer kedua dengan jumlah total w. Pada tahap keempat, hasil fuzzy akan diubah menjadi himpunan klasik (crisp), dan perhitungan pada lapis kelima
dilakukan
untuk
mendapatkan
nilai
parameter
koefisien
dan
menjumlahkan semua masukan dari lapis keempat. Pada tahapan ini jumlah data latih untuk setiap kelas adalah sebanyak 80% dari masing-masing kelas data fitur yang terbentuk, dengan kata lain jumlah data latih secara keseluruhan kelas adalah 80 %. Tujuan tahapan ini adalah melatih data emosi manusia berdasarkan sinyal EEG menggunakan metode klasifikasi 26
ANFIS. Hasil dari klasifikasi tersebut mendapatkan model latih yang akan digunakan dalam mengidentifikasi emosi manusia dengan data uji. Tujuan dari tahapan ini adalah untuk mengidentifikasi kelas dari data uji coba. Pada Tahapan ini, jumlah data uji coba sebanyak 20% dari jumlah keseluruhan kelas data. Proses mengukur klasifikasi dilakukan sebanyak 5 kali iterasi. Untuk mendapatkan hasil acak yang tidak mirip maka proses penyeleksian hasil acak menggunakan nilai treshold kemiripan sebesar 0.45. proses penyeleksian data uji iterasi ke 2 akan dipengaruhi oleh data uji iterasi 1, data uji ke 3 akan dipengaruhi oleh data uji 1 dan ke 2, begitu seterusnya sampai data uji iterasi terakhir. Sesuai dengan skenario, uji coba pada penelitian ini didasari oleh dua kategori jumlah channel, di mana penerapan data uji terhadap kedua kategori tersebut adalah data uji yang sama. Adapun tahapan-tahapan yang dilakukan pada simulasi MATLAB sebagai berikut: 1.
Input dataset sinyal EEG (.mat) berupa script ke dalam MATLAB
2.
Preprocessing EEG dilakukan dengan cara Re-ference/down sampling, filter data, reject component artefact dan reject bad channel.
3.
Melakukan Preprocessing EEG dengan simple temporal &spatial filter yang lebih canggih yaitu Independent component analysis (ICA). Metode ICA memisahkan artefak dari data EEG dengan cara memisahkan data sinyal ke dalam bentuk data yang independent.
4.
Melakukan ekstraksi feature principal component analysis (PCA).
5.
Melakukan analisa statistik dengan melihat parameter tiap channel yang ditentukan. Parameter tersebut diantaranya, peak to peak, mean(pers 2.4), median(pers 2.5), deviasi standar(pers 2.6), skewness(pers 2.7), kurtosis(pers 2.8), rata-rata absolut(pers 2.9 dan pers 2.10) dan normalisasi rata-rata(pers 2.11 dan pers 2.12).
6.
Proses klasifikasi menggunakan ANFIS terdiri dari 5 tahapan yaitu fuzzifikasi, produk, normalisasi, defuzzifikasi, dan keluaran
7.
Menampilkan hasil analisis, akurasi, presisi dan error rate
27
F. Kesimpulan Pada bagian ini akan dijabarkan kesimpulan dari hasil penelitian yang telah dilakukan untuk klasifikasi emosi menggunakan metode ANFIS
3.2
JADWAL PENELITIAN Tabel berikut ini merupakan jadwal penelitian yang akan dilakukan:: Tabel 3.2 Jadwal Pelaksanaan Tugas Akhir Bulan
No
Kegiatan
1
Studi
1
2
3
4 5 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Literatur Terkait dengan Metode 2
ANFIS Input dataset EEG
ke
3
matlab Pengolah
4
an dataset Klasifika
5
si ANFIS Analisis
6
data Hasil dan Kesimpul
7
an Membuat Artikel
8
KI Penulisan Laporan
28
6 1 2 3 4
BAB IV LUARAN PENELITIAN Penelitian ini diharapakan mendapatkan metode baru untuk pengolahan sinyal EEG menggunakan metode ANFIS. Sehingga dengan menggunakan metode ini didapat data yang optimum. Selain itu metode ini diharapkan dapat mempermudah proses kasifikasi sinyal EEG.
29
DAFTAR PUSTAKA [1]
H. Komijani, M. R. Parsaei, E. Khajeh, M. J. Golkar, and H. Zarrabi, “EEG classification using recurrent adaptive neuro-fuzzy network based on timeseries prediction,” Neural Comput. Appl., vol. 31, no. 7, pp. 2551–2562, 2019, doi: 10.1007/s00521-017-3213-3.
[2]
S. B. Musa, “Klasifikasi Emosi Sinyal EEG berdasarkan Empirical Mode Decomposition
dan
Wavelet
Packet
Decomposition
menggunakan
Logarithmic Learning for Generalized Classifier Neural Network,” Tesis Its, p. 91, 2017, [Online]. Available: http://repository.its.ac.id/2459/. [3]
S. Aldy, “Klasifikasi Emosi Dari Data Sinyal EEG Menggunakan Independent Component Analysis (ICA), Wavelet Denoising Dan Multiplr Discrimant Analysis (MDA),” 2015.
[4]
S. F. Anindya, A. Turnip, H. H. Rachmat, and K. Kunci, “Aplikasi Transformasi Wavelet dan Adaptive Neuro-Fuzzy Inference System ( ANFIS ) untuk Deteksi P300 dalam Uji Kebohongan Berbasis EGG,” 2015.
[5]
I. Güler and E. D. Übeyli, “Adaptive neuro-fuzzy inference system for classification of EEG signals using wavelet coefficients,” J. Neurosci. Methods,
vol.
148,
no.
2,
pp.
113–121,
2005,
doi:
10.1016/j.jneumeth.2005.04.013. [6]
S. Suwanto, M. H. Bisri, D. C. R. Novitasari, and A. H. Asyhar, “Classification of EEG Signals using Fast Fourier Transform (FFT) and Adaptive Neuro Fuzzy Inference System (ANFIS),” J. Mat. “MANTIK,” vol. 5, no. 1, pp. 35–44, 2019, doi: 10.15642/mantik.2019.5.1.35-44.
[7]
S. Koelstra et al., “DEAP: A Database for Emotion Analysis ;Using Physiological Signals,” IEEE Trans. Affect. Comput., vol. 3, no. 1, pp. 18– 31, Jan. 2012, doi: 10.1109/T-AFFC.2011.15.
[8]
B. Rian, T. Nugroho, R. Purnamasari, S. Hadiyoso, F. T. Elektro, and U. Telkom, “Klasifikasi Emosi Berdasarkan Sinyal Eeg Dengan Menggunakan
30
Metode Algoritma Genetika Dan Indepenent Component Analysis Emotion Classification Based on Eeg Signal Using Genetic Algorithm and Independent Component Analysis,” vol. 6, no. 2, pp. 1–13, 2019. [9]
V. Naibaho, S. Prodi, T. Informatika, F. Teknik, and U. Telkom, “Klasifikasi Emosi Melalui Sinyal EEG yang Dihasilkan Otak dengan Menggunakan Discrete Wavelet Transform dan Backpropagation Artificial Neural Network Emotion Classification Through EEG Signal Produced by Brain Using Discrete Wavelet Transform and Backprop,” e-Proceeding Eng., vol. 2, no. 1, p. 2015, 2015.
[10]
R. Karmila, E. C. Djamal, and D. Nursantika, “Identifikasi Tingkat Konsentrasi
Dari
Sinyal
EEG
Dengan
Wavelet
Kondisi
Lelah
dan
Adaptive
Backpropagation,” pp. 23–27, 2016 [11]
M.
A.
Hendrawan,
Electroencephalograph
“Deteksi (Eeg)
Satu
Kanal
Berbasis
Sinyal
Menggunakan
Linear
Discriminant Analysis (Lda),” 2018. [12]
W. Suparta and A. A. Samah, “Rainfall prediction by using ANFIS times series technique in South Tangerang, Indonesia,” Geod. Geodyn., no. xxxx, pp. 1–7, 2020, doi: 10.1016/j.geog.2020.08.001.
[13]
T. O. Babarinde, S. A. Akinlabi, D. M. Madyira, F. M. Ekundayo, and P. A. Adedeji, “Dataset of experimental and adaptive neuro-fuzzy inference system (ANFIS) model prediction of R600a/MWCNT nanolubricant in a vapour compression system,” Data Br., vol. 32, p. 106316, 2020, doi: 10.1016/j.dib.2020.106316.
[14] I. Herdiansyah, E. C. Djamal, and A. Komarudin, “Klasifikasi Sinyal EEG Terhadap Tiga Kondisi Pikiran Menggunakan Autoregressive dan Adaptive Backpropagation,” pp. 47–51, 2017. [15] Delvina Aulia Fasich, “Klastering Emosi Berdasarkan Gelombang Otak Sinyal EEG Menggunakan Fuzzy C-Means,” Institut Teknologi Sepuluh Nopember, 2017.
31
[16] M. Islam, T. Ahmed, S. M. Sheikh, U. Y. Salah, and M. Ahmad, “Human emotion recognition using frequency statistical measure of eeg signals,” 2013. (Dikutip pada halaman 9) [17] R. Jenke, A. Peer, and M. Buss, “Feature extraction and selection for emotion recognition from eeg,” IEEE TRANSACTIONS ON AFFECTIVE COMPUTING, vol. 5, July-September 2015. (Dikutip pada halaman 9, 23, 46).
32
