bab iii perancangan sistem 3.1 perancangan proseseprints.umm.ac.id/39055/4/bab 3.pdf · yang dapat...
TRANSCRIPT
23
BAB III
PERANCANGAN SISTEM
3.1 Perancangan Proses
Pada bab ini akan dijelaskan tahapan desain penelitian dan kerangka konsep
penelitian yang digunakan untuk klasifikasi tingkat selective attention dan memori
dengan menggunakan Discrete Wavelet Transform dan Clustering K-means. Pada
penelitian ini nantinya akan menghasilkan script pada software matlab R2014 a
yang dapat menganalisa feature (ciri) dan claster (kelas) masing masing subjek
saat melakukan test stroop task. Dari hasil data perekaman subjek saat melakukan
test stroop task data yang diperoleh akan di ekstraksi feature dengan
menggunakan Discrete Wavelet Transform yang selanjutnya setelah di ekstak
feature maka akan dibentuk claster masing masing subjek di K-Means untuk
menentukan klasifikasi masing masing subjek saat melakukan test stoop task.
Untuk mempermudah proses pembuatan script tersebut, maka penelitian
kali ini perlu dibuat langkah-langkah yang sistematis. Dengan adanya langkah-
langkah pada penelitian ini penelitan ini diharapkan dapat memberikan petunjuk
dalam merumuskan masalah penelitian. Alur perancangan dapat dilihat dalam
Gambar 3.1.
Gambar 3.1 Blok diagram Pengukuran Sistem
24
Dalam penelitian ini subjek akan diberikan test berupa test stroop task
dengan neorosky diletakkan dikepala subjek sehingga didapatkan sinyal EEG.
Selanjutnya dilakukan pra-pengolahan pada Sinyal EEG yang baru didapat. Tahap
Pra pengolahan bertujuan untuk menampilkan rata rata sinyal dari sinyal aslinya
dan menghapus baseline atau garis dasar dalam sinyal EEG untuk mendapatkan
keluaran sinyal. hasil pra pengolahan sinya eeg kemudian dianalisa menggunakan
wavelet transform untuk mendapatkan sinyal EEG tanpa noise untuk ekstrak
semua komponen frekuensi yang penting dari sinyal EEG seperti, alpha, betha,
gamma, delta, and theta. Pemisahan frekuensi bagian gelombang pada sinyal
EEG untuk pengelompokan fitur gelombang otak subjek yang melakukan test
berdasarkan pada sinyal pada level tertentu. Wavelet digunakan untuk
pengelompokan dan pendeteksian gelombang otak dimana gelombang otak
tersebut menyediakan fitur yang berbeda beda. Hasil pemilihan sinyal EEG yang
menonjol dari sinyal gelombang otak dalam identifikasi fitur menghasilkan
identifikasi pengklasifikasian data dengan K-Means
Hasil dari pengklasifikasian K-Means akan dijadikan parameter pembanding
saat subjek yang berdasarkan tingkatan usia melakukan test stroop task warna,
bentuk, dan gambar. Klasifikasi aktivitas kondisi mental subjek bertujuan untuk
memberikan hasil diagnosis berdasarkan kondisi yang sudah ditentukan yaitu
kondisi selective attention dan memori dalam kondisi baik, sedang dan rendah
hasil yang diharapkan dari penelitian ini adalah dapat mengetahui stimulus yang
tepat untuk meningkatkan atensi dan kerja memori bagi masing masing subjek
berdasarkan batasan usia.
3.2 Perancangan Pengambilan Stimulus
Sebelum memulai eksperimen, diperlukan waktu persiapan untuk
meletakan Neurosky Mindwave dan mengatur posisi subjek agar nyaman saat
beraktifitas, waktu pengerjaan tidak dapat diprediksi , karna tergantung berapa
lama waktu yang dibutuhkan subjek untuk menyelesaikan tugas yang diberikan.
Perancangan pengambilan stimulus pada penelitian ini menggunakan
desain eksperimen game stroop task yang dimodifikasi dengan game atensi dan
memori, yang digunakan untuk mengevaluasi efek dari masing masing stimulus
25
untuk meningkatkan fungsi selective Attention dan memori masing masing subjek
saat melakukan permainan.
Game stroop task berbasis desktop merupakan sebuah aplikasi yang
dirancang untuk melatih daya ingatan serta konsentrasi dengan metode yang lebih
interaktif. Agar dalam penggunaannya, subjek akan merasa lebih nyaman dan
tidak cepat bosan saat melakukan test. Perancangan aplikasi game stroop task
untuk melatih daya ingat dan konsentrasi menggunakan unity dan ditampilkan
dalam Gambar 3.2
Gambar 3.2 Halaman menu game stroop task
Pada halaman menu berisi 3 (Tiga) macam tombol/button, diantaranya ada tombol
warna, bentuk, dan gambar yang berfungsi untuk memulai permainan dalam
stroop task. Pada penelitian ini subjek akan diminta untuk memilih masing masing
menu dimulai dari urutan paling atas yaitu warna. Pada saat subjek memilih menu
warna maka akan muncul tampilan seperti yang ditunjukan pada Gambar 3.3
Gambar 3.3 stroop task warna
26
Pada halaman stroop task warna, subjek akan diminta untuk menyelesaikan tugas
dimana tugasnya adalah subjek akan melihat tulisan ungu yang berwarna biru
subjek akan diminta untuk menyebutkan warna bukan tulisan. Jadi apabila tulisan
diatas bertuliskan ungu dan berwarna biru maka yang harus dilakukan subjek
adalah memilih tombol/button biru dan bukan tombol/button ungu. Pada game
stroop task warna, subjek diminta untuk menyelesaikan 10 (sepuluh) soal dan
subjek akan diminta untuk fokus kelayar monitor dan tidak melakukan pergerakan
tubuh yang dapat mempengaruhi hasil dari pengambilan data.
Setelah menyelesaikan 10 (sepuluh) tugas dari stroop warna subjek akan
diberikan waktu untuk istirahat sebanyak 15 detik sebelum masuk pada game
stroop task bentuk, setelah 15 detik berlalu, subjek akan dipersilahkan untuk
melanjutkan ke game selanjutnya. Tampilan untuk game stroop task bentuk
ditunjukan pada Gambar 3.4
Gambar 3.4 stroop task bentuk
Pada game stroop task bentuk subjek akan diminta untuk memilih tombol/button
benar atau salah berdasarkan pertanyaan- pertanyaan yang diberikan pada game
stroop task tersebut. tugas pada game stroop bentuk sama dengan game stroop
warna yaitu sebanyak 10 pertanyaan dengan kondisi subjek diminta untuk tetap
fokus kelayar monitor dan tidak melakukan pergerakan yang bisa mempengaruhi
hasil pengambilan data. Setelah subjek menyelesaikan game stroop bentuk, subjek
akan diberikan istirahat sebanyak 15 detik. Alasan pemilihan periode 15 detik
adalah, subjek membutuhkan kurang lebih 15 detik untuk menyegarkan pikiran,
27
dan memperbaiki posisi. Setelah subjek rileks, maka stroop task ketiga yaitu
gambar dimulai. Tampilan stroop task gambar dapat dilihat pada Gambar 3.5
Gambar 3.5 stroop task gambar
Game stoop task gambar memiliki alur yang sama dengan game stroop
sebelumnya, subjek akan diminta untuk memilih tombol/button benar atau salah
berdasarkan pertanyaan-pertanyaan yang diberikan. Game warna memiliki 10
pertanyaan dan subjek diminta untuk menyelesaikannya.
Adapun hasil dari game stroop task untuk masing masing subjek ditunjukan
pada Tabel 4.1, 4.2, 4.3
Tabel 3.1 Hasil Subjek Bermain Game Katagori Dewasa
No
Nama
umur
game 1
game 2
game 3 Keterangan
benar Salah benar salah benar salah
1 Akhirul Wasit 41 9 0 8 1 4 5 Pekerja
2 Andi 52 8 1 9 0 8 1 Pekerja
3 Samsul Arifin 36 9 0 9 0 5 4 Pekerja
4 sulistyo 40 9 0 6 3 5 4 Pekerja
5 Tumini 52 8 1 9 0 5 4 Ibu Rumah Tangga
6 Aris 30 9 0 9 0 6 3 Pekerja
7 Sanawiyah 31 9 0 4 5 6 3 Ibu Rumah Tangga
8 Suadi 31 8 1 5 4 4 5 Pekerja
9 Tina 40 9 0 7 2 6 3 Ibu Rumah Tangga
10 Yana 43 8 1 9 0 3 6 Ibu Rumah Tangga
28
11 Yuyun 40 9 0 8 1 5 4 Ibu Rumah Tangga
12 Jodi 28 7 2 9 0 6 3 Pekerja
Tabel 3.2 Hasil Subjek Bermain Game Katagori Dewasa
No
Nama
Umur
Kelas
Game 1
Game 2
Game 3
Benar Salah Benar Salah Benar Salah
1 Ghofari 11 5 9 0 7 2 4 5
2 Fahri 11 5 9 0 8 1 7 2
3 Puput 11 6 9 0 8 1 8 2
4 Putri 11 6 9 0 9 0 8 2
5 Arul 10 4 9 0 8 2 4 5
6 Iqbal 11 6 9 0 9 0 6 3
7 Yuni 7 2 9 0 6 3 6 3
8 Alvin 7 2 9 0 5 4 4 5
9 Rendy 9 4 9 0 4 5 4 5
10 Norma 11 6 9 0 9 0 7 2
11 Ahzel 9 4 9 0 8 1 6 3
12 Aldi 11 6 9 0 9 0 6 3
Tabel 3.3 Hasil Game Stroop Task Katagori Remaja
3.3 Proses Pengumpulan Data
No
Nama
umur
status
game 1
game 2
game 3
benar salah benar salah benar salah
1 Dara 24 Mahasiswa 9 0 9 0 9 0
2 Edi 25 Pekerja 9 0 9 0 6 3
3 Faris 22 Pekerja 9 0 8 1 6 3
4 Kiah 24 Mahasiswa 9 0 9 0 5 4
5 Mahda 20 Mahasiswa 9 0 9 0 7 2
6 Mimi 19 Mahasiswa 9 0 8 1 5 4
7 Yusuf 20 Mahasiswa 9 0 8 2 4 5
8 Jidi 25 Pekerja 9 0 9 0 5 4
9 Ayu 20 Mahasiswa 9 0 6 3 5 4
10 Jaka 24 Mahasiswa 9 0 9 0 3 6
11 Ardi 22 Mahasiswa 9 0 9 0 6 3
12 Wawan 24 Pekerja 9 0 9 0 3 6
29
Subjek diambil dari 12 orang dewasa, 12 orang remaja, dan 12 orang anak
usia sekolah dasar. Semua subjek memiliki dominan ditangan kanan, dan
memiliki kemampuan yang baik dalam mengoperasikan komputer. Data diambil
menggunakan Neorosky Mindwave,yang merupakan jenis EEG 3 Channel
Pada percobaan ini subjek dalam keadaan normal, berjenis kelamin pria dan
wanita dengan umur anak anak berkisar usia 7-15 tahun, remaja 18-25 tahun dan
dewasa 26-50 tahun. Kondisi saat subjek melakukan test berada diruangan dengan
banyak gangguan
Semua subjek akan direkam gelombang otaknya menggunakan
MyndPlayerPro 2.3 untuk mendapatkan parameter yang akan diproses oleh sistem
nantinya. Perekaman gelombang otak menggunakan EEG Neurosky Mindwave
terdiri dari 3 perekaman yaitu saat bermain game stroop warna, game stroop
bentuk dan game stroop gambar. Perekaman subjek saat melakukan test stroop
task menggunakan myndplayerpro disajikan dalam gambar 3.6
Gambar 3.6 hasil perekaman subjek Menggunakan Myndplayer Pro
Setelah perekaman selesai, hasil rekaman EEG di-export ke format csv, format
csv (comma separated values) merupakan suatu format data dalam basis data
dimana setiap record dipisahkan dengan tanda koma (,) atau titik koma (;). Format
csv dapat dibuka dengan berbagai text-editor seperti notepad, wordpad, dan
Ms.excel. Pada penelitian gelombang perekaman neorosky akan di export ke
Ms.excel untuk melihat hasil data perekaman neorosky. Untuk export data
neorosky ditunjukan pada Gambar 3.7
30
Gambar 3.7 export data Neorosky
pada kolom export log file yang ditunjukkan pada Gambar 3.7, hal ini dilakukan
agar file dapat diolah menggunakan Microsoft Excell. Setelah dilakukan export
log file pada software myndplayerpro maka diperoleh 3 data berupa data excel
diantaranya adalah data log, data log processed, dan data raw. Data log dapat
dilihat dalam Gambar 3.8
Gambar 3.8 Data log perekaman Myndplayer Pro excell
Data pada gambar 3.8 merupakan data dari software Myndplayer Pro yang
telah di export log file. Setelah export maka didapat data berupa data time, waktu
perekaman selama subjek melakukan tes, data signal level (lemah atau kuatnya
sinyal bluetooth neorosky), kemudian gelombang neorosky seperti Attention
(gelombang fokus), Meditation (gelombang rileks), zone (titik tengah), delta,
theta, low alpa, high alpa, low gamma, mid gamma, raw count (jumlah data
mentah) dan raw values (nilai data mentah). Data yang kedua hasil dari export log
file adalah data log proses perekaman. hasil data log proses perekaman sedikit
berbeda dengan data perekaman log. Untuk lebih jelasnya ditampilkan pada
gambar 3.9
31
Gambar 3.9 Data log proses perekaman Myndplayer Pro excell
Data pada gambar 3.9 merupakan data kedua dari software Myndplayer Pro
yang telah di export log file setelah data di export maka didapat data berupa data
time, attention, meditation, delta, theta, low alpa, high alpa, low gamma, mid
gamma. Data yang ketiga adalah data raw. data raw adalah data mentah Neorosky.
Untuk lebih jelasnya data raw ditampilkan pada Gambar 3.10
Gambar 3.10 Data raw perekaman Myndplayer Pro excell
Data mentah atau disebut juga data raw atau data primer dalam sebuah
kondisi untuk sebuah data didalam sebuah sistem komputer yang dikoleksi
langsung dari sebuah sumber langsung tanpa perubahan apapun. Data mentah
dapat berdiri sendiri dan tidak menjadi subjek untuk diproses atau dimanipulasi
inilah mengapa data mentah juga disebut sebagai data primer. Data mentah dapat
dimasukan kedalam sebuah perangkat lunak komputer tertentu untuk dianalisa
lebih lanjut. Bentuk data mentah sendiri bisa berupa sebuah kumpulan data biner
32
ataupun kumpulan data-data dalam bentuk lain yang digabungkan menjadi
satu[20].
Semua data hasil perekaman di eksport log file ke data ms.excell, setelah itu
data dari ms.excell di load ke matlab untuk selanjutnya diproses menggunakan
diskrit wavlet transform.
3.4 Fungsi main.m EEG di Matlab
Untuk memulai tahap menganalisa data yang sudah didapat, langkah awal
yang harus dilakukan adalah menjalankan aplikasi matlab dan membuka fungsi
main.m EEG dengan cara klik menu new-editor maka akan keluar tampilan
seperti pada Gambar 3.11
Gambar 3.11 Tampilan Editor fungsi main.m EEG
Selanjutnya adalah data export yang sudah diganti format CSV kemudian dibuka
melalui ms.excel. data signal Neorosky yang sudah diubah format ke csv lalu di
load ke matlab.
3.5 Input data dalam program Matlab
Pada tahapan ini merupakan tahap untuk memasukan semua data penelitian
yang didapat dari perekaman gelombang otak menggunakan Neorosky Mindwave,
berikut beberapa data yang didapat dan nantinya akan diolah:
33
3.5.1 Data Perekaman Gelombang Otak Anak Usia Sekolah Dasar
Data perekaman gelombang otak pada anak usia sekolah dasar merupakan
data dari software Myndplayer yang telah di export log-file. Setelah export maka
didapat data berupa berupa data Attention, Meditation, Zone, Delta, Theta, Low
Alpha, High Alpa, Low Beta, High Beta,, Low Gamma, Mid Gamma, Raw Count
(jumlah data mentah), raw values (nilai data mentah). Semua data hasil
perekaman subjek selama bermain game dieksfort kedata excell, setelah itu data
dari excell di load ke matlab untuk selanjutnya diproses menggunakan diskrit
wavelet haar transform. Data perekaman gelombang otak dengan subjek anak
usia sekolah dasar saat melakukan test stroop task ditunjukan pada tabel 3.4
Tabel 3.4 Data Perekaman Aldi Game Stroop Task 1
'Time' 'VidTime' 'Raw Value'
2017/12/28 14:57:55.000 07:00:00.000 -71
2017/12/28 14:57:55.001 07:00:00.001 -115
2017/12/28 14:57:55.003 07:00:00.003 91
2017/12/28 14:57:55.005 07:00:00.005 66
2017/12/28 14:57:55.007 07:00:00.007 54
2017/12/28 14:57:55.009 07:00:00.009 59
2017/12/28 14:57:55.011 07:00:00.011 75
2017/12/28 14:57:55.013 07:00:00.013 104
2017/12/28 14:57:55.015 07:00:00.015 -102
2017/12/28 14:57:55.017 07:00:00.017 -53
2017/12/28 14:57:55.019 07:00:00.019 -94
2017/12/28 14:57:55.021 07:00:00.021 77
2017/12/28 14:57:55.023 07:00:00.023 24
2017/12/28 14:57:55.025 07:00:00.025 17
2017/12/28 14:57:55.027 07:00:00.027 39
2017/12/28 14:57:55.029 07:00:00.029 75
2017/12/28 14:57:55.031 07:00:00.031 119
2017/12/28 14:57:55.033 07:00:00.033 -100
2017/12/28 14:57:55.035 07:00:00.035 -76
2017/12/28 14:57:55.037 07:00:00.037 -88
2017/12/28 14:57:55.039 07:00:00.039 118
2017/12/28 14:57:55.041 07:00:00.041 54
2017/12/28 14:57:55.042 07:00:00.042 4
2017/12/28 14:57:55.044 07:00:00.044 -23
2017/12/28 14:57:55.046 07:00:00.046 -27
2017/12/28 14:57:55.048 07:00:00.048 2
34
2017/12/28 14:57:55.050 07:00:00.050 73
2017/12/28 14:57:55.052 07:00:00.052 -100
2017/12/28 14:57:55.054 07:00:00.054 -45
2017/12/28 14:57:55.056 07:00:00.056 -56
2017/12/28 14:57:55.058 07:00:00.058 123
2017/12/28 14:57:55.060 07:00:00.060 50
2017/12/28 14:57:55.062 07:00:00.062 25
2017/12/28 14:57:55.064 07:00:00.064 24
2017/12/28 14:57:55.066 07:00:00.066 7
2017/12/28 14:57:55.068 07:00:00.068 -3
2017/12/28 14:57:55.070 07:00:00.070 23
2017/12/28 14:57:55.072 07:00:00.072 69
2017/12/28 14:57:55.074 07:00:00.074 116
2017/12/28 14:57:55.076 07:00:00.076 -121
3.5.2 Data Perekaman Gelombang Otak Remaja
Data perekaman gelombang otak saat subjek bermain game stroop task
pada tingkatan usia remaja ditunjukan dalam Tabel 3.5
Tabel 3.5 Data Perekaman Gelombang Otak Ardi Game Stroop Task 1
'Time' 'VidTime' 'Raw
Value'
2017/12/29 13:46:07.000 07:00:00.000 80
2017/12/29 13:46:07.001 07:00:00.001 71
2017/12/29 13:46:07.003 07:00:00.003 58
2017/12/29 13:46:07.005 07:00:00.005 55
2017/12/29 13:46:07.007 07:00:00.007 70
2017/12/29 13:46:07.009 07:00:00.009 67
2017/12/29 13:46:07.011 07:00:00.011 44
2017/12/29 13:46:07.013 07:00:00.013 49
2017/12/29 13:46:07.015 07:00:00.015 72
2017/12/29 13:46:07.017 07:00:00.017 97
2017/12/29 13:46:07.019 07:00:00.019 88
2017/12/29 13:46:07.021 07:00:00.021 55
2017/12/29 13:46:07.023 07:00:00.023 26
2017/12/29 13:46:07.025 07:00:00.025 7
2017/12/29 13:46:07.027 07:00:00.027 1
2017/12/29 13:46:07.029 07:00:00.029 -4
2017/12/29 13:46:07.031 07:00:00.031 6
2017/12/29 13:46:07.033 07:00:00.033 35
2017/12/29 13:46:07.035 07:00:00.035 48
2017/12/29 13:46:07.037 07:00:00.037 51
35
2017/12/29 13:46:07.039 07:00:00.039 49
2017/12/29 13:46:07.041 07:00:00.041 41
2017/12/29 13:46:07.042 07:00:00.042 44
2017/12/29 13:46:07.044 07:00:00.044 54
2017/12/29 13:46:07.046 07:00:00.046 55
2017/12/29 13:46:07.048 07:00:00.048 57
2017/12/29 13:46:07.050 07:00:00.050 75
2017/12/29 13:46:07.052 07:00:00.052 82
2017/12/29 13:46:07.054 07:00:00.054 72
2017/12/29 13:46:07.056 07:00:00.056 66
2017/12/29 13:46:07.058 07:00:00.058 66
2017/12/29 13:46:07.060 07:00:00.060 68
2017/12/29 13:46:07.062 07:00:00.062 67
2017/12/29 13:46:07.064 07:00:00.064 69
2017/12/29 13:46:07.066 07:00:00.066 82
2017/12/29 13:46:07.068 07:00:00.068 98
3.5.3 Data Perekaman Gelombang Otak Dewasa
Data perekaman gelombang otak saat subjek bermain game stroop task pada
tingkatan usia dewasa ditunjukan dalam Tabel 3.6
Tabel 3.6 data perekaman Gelombang Otak Akhirul Wasit Game Stroop Task 1
'Time' 'VidTime' 'Raw Value'
2017/12/30 14:08:50.000 07:00:00.000 8
2017/12/30 14:08:50.001 07:00:00.001 22
2017/12/30 14:08:50.003 07:00:00.003 28
2017/12/30 14:08:50.005 07:00:00.005 45
2017/12/30 14:08:50.007 07:00:00.007 81
2017/12/30 14:08:50.009 07:00:00.009 105
2017/12/30 14:08:50.011 07:00:00.011 119
2017/12/30 14:08:50.013 07:00:00.013 104
2017/12/30 14:08:50.015 07:00:00.015 54
2017/12/30 14:08:50.017 07:00:00.017 1
2017/12/30 14:08:50.019 07:00:00.019 -7
2017/12/30 14:08:50.021 07:00:00.021 -6
2017/12/30 14:08:50.023 07:00:00.023 -2
2017/12/30 14:08:50.025 07:00:00.025 24
2017/12/30 14:08:50.027 07:00:00.027 69
2017/12/30 14:08:50.029 07:00:00.029 90
2017/12/30 14:08:50.031 07:00:00.031 91
2017/12/30 14:08:50.033 07:00:00.033 67
2017/12/30 14:08:50.035 07:00:00.035 36
36
2017/12/30 14:08:50.037 07:00:00.037 19
2017/12/30 14:08:50.039 07:00:00.039 26
2017/12/30 14:08:50.041 07:00:00.041 57
2017/12/30 14:08:50.042 07:00:00.042 72
2017/12/30 14:08:50.044 07:00:00.044 80
2017/12/30 14:08:50.046 07:00:00.046 92
2017/12/30 14:08:50.048 07:00:00.048 100
2017/12/30 14:08:50.050 07:00:00.050 106
2017/12/30 14:08:50.052 07:00:00.052 117
2017/12/30 14:08:50.054 07:00:00.054 99
2017/12/30 14:08:50.056 07:00:00.056 45
2017/12/30 14:08:50.058 07:00:00.058 0
2017/12/30 14:08:50.060 07:00:00.060 -2
2017/12/30 14:08:50.062 07:00:00.062 26
2017/12/30 14:08:50.064 07:00:00.064 58
2017/12/30 14:08:50.066 07:00:00.066 99
3.6 Proses Pengolahan Data
Dalam mengolah data ini dibutuhkan sebuah variabel yang digunakan
sebagai input. Variabel yang digunakan adalah nilai gelombang neorosky. Setelah
pengambilan data hasil gelombang neorosky selesai maka data akan didenoising
untuk menghapus data sinyal yang tidak diperlukan, yang terekam pada saat
proses perekaman gelombang otak. Hasil perhitungan dari normalisasi gelombang
neorosky akan divisualisasikan berupa grafik bar, lalu dilakukan clastering
menggunakan K-Means. Berikut dijelaskan tentang integrasi Wavelet Transform
dan K-Means dengan kedua variabel tersebut sehingga menghasilkan clastering
sesuai dengan tujuan penelitian.
Transformasi wavelet haar digunakan untuk mendekomposisikan
gelombang neorosky, dekomposisi dilakukan dengan memisahkan sinyal masukan
ke dalam frekuensi rendah dan frekuensi tinggi, hasil dari dekomposisi adalah
komponen approximation yang merupakan scaling function (lowpass filter) dan
komponen detail yang merupakan wavelet function.[17]. Level dekomposisi
ditetapkan berdasarkan frekuensi cuplik yang digunakan [16]. Proses menentukan
perbedaan parameter himpunan (beta,teta,low alpa,high alpa, low beta, high beta
dan mid gamma) untuk masing masing subjek berdasarkan perbedaan usia
berdasarkan ciri fiture algoritma Diskrit Wavelet Transform. Langkah awal untuk
37
melakukan analisa perhitungan adalah menentukan filter lowpass wavelet haar.
Untuk menentukan filter lowpass
∑ [ ] √ sehingga N = 2 menghasilkan [ ] [ ] √
D∑ [ ] [ ] sehingga N=2 menghasilkan [ ]
[ ]
Fungsi skala wavelet haar adalah { [ ]} {
√
√ }
Kemudian fungsi skala dimodulasikan { [ ]}= {
√
√ } setelah menentukan
filter low pass maka Langkah selanjutnya adalah menentukan nilai dekomposisi
perataan (averages) dan pengurangan (differences). Perataan dilakukan dengan
menghitung nilai rata-rata dua pasang dengan persamaan 3.1:
3.1
Sedangkan menghitung pengurangan dilakukan dengan persamaan 3.2
3.2
Dengan menggunakan persamaan diatas, proses hasil dekomposisi perataan
dan pengurangan dengan sampel data Jodi katagori dewasa dengan range data
matlab 16 data ditunjukan pada Tabel 3.7
Tabel 3.7 Data Jodi Perekaman Game 3
66 55 21 73
67 38 28 67
58 28 45 75
58 22 67 88
Baris 1 =
= 60,5 47 5,5 -26
Baris 2 =
= 52,5 47,5 14,5 -
19,5
Baris 3 =
= 43 60 -15 15
Baris 4 =
38
= 41 77.5 18 -10,5
Hasil dekomposisi perataan dan pengurangan dalam arah baris ditunjukan pada
tabel 3.8
Tabel 3.8 hasil dekomposisi dalam arah baris
60,5 47 0 0
52,5 47,5 0 0
43 -15 0 0
41 18 0 0
= 56,5 42 4
1
Baris 2 =
= 47,25 1,5
-0,25 -1,5
Baris 3 =
= 0 0 0 0
Baris 4 =
= 0 0 0 0
Hasil dekomposisi perataan dan pengurangan dalam arah kolom ditunjukan pada
tabel 3.9
Tabel 3.9 hasil dekomposisi dalam arah kolom
56,5 47,25 0 0
42 1,5 0 0
4 -0,25 0 0
1 -1,5 0 0
Setelah menerapkan perataan (averages) dan pengurangan (differences) maka
selanjutnya adalah mencari nilai LL,HL,LH,HH dengan menggunakan persamaan
3.3 dan 3.4
LPF :
√ 3.3
39
HPF :
√ 3.4
Untk mempermudah proses perhitungan low pass dan high pass. Langkah pertama
yang dilakukan adalah membuat tabel persamaan. Tabel 3.5 dan 3.6 adalah tabel
low pass dan high pass
Tabel 3.10 Filter Low Pass
Filter Low Pass
0,707 0,707 0 0
0 0 0,707 0,707
Tabel 3.11 Filter High Pass
Filter Low Pass
0,707 -0,707 0 0
0 0 0,707 -0,707
setelah proses wavelet sudah mendapatkan ekstraksi fiture maka masing
masing data akan diclastering berdasarkan kelasnya Proses pertama yang
dilakukan adalah menentukan jumlah k (Cluster). Inisialisasi k yang di gunakan
adalah sebanyak 3 diantaranya adalah diagnosa kondisi subjek tinggi, sedang, dan
cukup sehingga dapat mengetahui analisa hasil perhitungan berdasarkan analisa
psikologi dan berdasarkan perhitungan gelombang wavelet apakah memiliki
perbedaan atau kesamaan.
sehingga di dapat pengelompokan hasil iterasi ke 1. Inisialisasi nilai
centroid awal dilakukan dengan cara mengambil data dengan cara random.
Perbandingan data centroid dengan data yang lain untuk mengetahui apakah data
1 dengan nilai centroid memiliki kemiripan atau tidak, jika data memiliki
kemiripin maka data akan menjadi satu kelompok dan jika data tidak memiliki
kemiripin maka akan dicari data berdasarkan kelompoknya dengan persamaan 3.5
√∑
3.5
40
Dimana :
Kemudian setelah perhitungan mendapatkan kelompok jumlah cluster, maka
akan didapatkan centroid baru, centroid baru akan dibandingkan dengan data awal
kemudian proses perhitungan berdasarkan persamaan 3.5. perhitungan akan terus
berlanjut sampai cluster tidak berubah.
3.7 Running Program dan Mengamati Hasil
Running program bertujuan untuk menampilkan hasil analisa dari program
yang dibuat di Matlab R2014a, dan hasil yang ditampilkan oleh Matlab R2014a
ini dapat digunakan untuk menyimpulkan kondisi ekstraksi dan clastering pada
data EEG Neorosky Mindwave
Contoh running program yang dilakukan dapat dilihat pada Gambar 3.12
dibawah ini:
Gambar 3.12 Running Program
41