THE USE OF WAVELET POWER SPECTRUM FOR DETECTION AND IDENTIFICATION OF THINKING-INDUCED EEG SIGNALS
|
|
- Indra Makmur
- 6 tahun lalu
- Tontonan:
Transkripsi
1 2 THE USE OF WAVELET POWER SPECTRUM FOR DETECTION AND IDENTIFICATION OF THINKING-INDUCED EEG SIGNALS Esmeralda C. Djamal, Harijono A. Tjokronegoro, dan Soegijanto ABSTRAK Pada penelitian ini telah dibangun sistem deteksi dan identifikasi komponen-komponen gelombang di dalam sinyal EEG terhadap kondisi pikiran. Sinyal EEG diperoleh dari nara coba dengan dua kondisi pikiran, yaitu rileks dan non-rileks (berpikir). Sistem klasifikasi dibangun berdasarkan dominasi spektral energi masing-masing gelombang, yang mengidentifikasi kondisi pikiran tertentu. Dalam hal ini spektral daya dari daerah energi gelombang yang dievaluasi, didapat dari transformasi wavelet sinyal EEG. Penggunaan transformasi wavelet dapat mereduksi data tanpa kehilangan informasi yang berarti, yang ditunjukkan oleh penyimpangan rekonstruksi sinyal wavelet terhadap sinyal asli yang kecil. Metoda ini juga dapat mengatasi sifat non-stasioner, sehingga memberikan keberhasilan klasifikasi sebesar 85% untuk kondisi rileks dan 83% untuk kondisi non-rileks. Sementara pengaruh posisi elektroda terhadap keberhasilan pengamatan, diketahui bahwa posisi C3, C4 memberikan keberhasilan terbaik sedangkan kanal O, O2 terburuk. Hasil penelitian juga menunjukkan bahwa untuk kondisi non rileks, ketidakseimbangan energi gelombang di otak dari kanal kiri-kanan lebih besar daripada kondisi rileks. Kata kunci: Sinyal EEG, Transformasi Wavelet, Spektral Daya, Deteksi dan Identifikasi Sinyal, ketidakseimbangan Energi Gelombang ) Jurusan Fisika UNJANI, POBOX 48 Cimahi, alda@tf.itb.ac.id ABSTRACT In this research, has been developed a detection and identification system of wave components in the EEG signal. EEG signal is drawn from two groups of human subjects based on two mind conditions, relaxed and nonrelaxed (thinking). Classification system was developed based on energy spectral of each wave, which identifies particular mind condition. In this research, power spectral was evaluated by wavelet transformation of EEG signal. The application of wavelet transformation enables the reduction of data without significant lost of information, as shown by small deviation of wavelet signal reconstruction with respect to its original. This method is also able to overcome non-stationary nature, provides classification success of 85% for relaxed condition and 83% for non-relaxed. Concerning the effect of electrode position, it is evident that position C3 and C4 provide the best outcome while the opposite occurs at position O and O2. The research also shows that, for non-relaxed condition, the non-equilibrium of wave energy of left-right channels in the brain is greater than relaxed. Keywords: EEG Signal, Wavelet Transformation, Power Spectral, Signal Detection and Identification, Wave energy non-equilibrium. PENDAHULUAN Sinyal elektroensephalogram (EEG) adalah sinyal bioelektrik yang berasal dari aktifitas listrik pada kortex atau permukaan kulit kepala, yang disebabkan aktifitas fisiologis dari otak. Instrumen EEG mempunyai peranan penting dalam bidang kedokteran, walaupun penggunaan teknik modern seperti CT Scan dan Magnetic Resonance Imaging (MRI) yang muncul belakangan juga dapat memeriksa kondisi fisik pada otak. Namun EEG lebih murah dan mempunyai keunggulan lain, yaitu dapat digunakan untuk mendeteksi pola pikiran atau kondisi mental seseorang. Hal ini tidak dengan mudah dapat diberikan oleh instrumen lain. Interpretasi sinyal EEG melalui pengamatan visual secara langsung sangat sukar mengingat amplitudo sinyal EEG demikian rendah dan polanya yang sangat kompleks. Di samping itu sebagaimana telah disebutkan, kandungan informasi di dalam sinyal EEG amat dipengaruhi oleh beberapa variabel, antara lain kondisi mental, kesehatan, aktivitas dan usia pasien, lingkungan perekaman, gangguan listrik dari organ tubuh lain, juga oleh berbagai bentuk rangsangan luar. Sifat sinyal EEG pada umumnya non-stasioner dan random menambah kompleksitas dalam pemrosesan sinyal. Namun demikian, klasifikasi dari sinyal EEG terhadap perubahan variabel tertentu dapat menerangkan fungsi kerja dari otak dan menangkap perubahan aktifitas otak. Transformasi sinyal EEG menjadi suatu model, merupakan suatu cara yang sangat efektif dalam membantu klasifikasi sinyal EEG. Di samping itu juga sangat efektif untuk mendeteksi kemunculan suatu gelombang tertentu, mengidentifikasi dan mengestimasi spektrum sinyal EEG. Sinyal EEG terdiri dari komponenkomponen gelombang yang dibagi berdasarkan Jurusan Fisika, Universitas A. Jani, PO Box 48 Cimahi Departemen Teknik Fisika, Institut Teknologi Bandung, Jl. Ganesha Bandung Majalah IPTEK - Vol. 6, No., Februari 25
2 3 daerah frekuensinya. Oleh karena itu, representasi ke dalam domain frekuensi cukup banyak dilakukan pada penelitian-penelitian terhadap sinyal EEG. Dominasi kehadiran gelombang-gelombang di otak menunjukkan kondisi pikiran tertentu, yaitu: Gelombang Alfa (8 3 Hz), muncul apabila seseorang dalam keadaan sadar, mata tertutup dan kondisi rileks; Gelombang Beta (4 3 Hz), muncul apabila seseorang dalam keadaan berfikir; Gelombang Teta (4 7 Hz), terjadi apabila seseorang kondisi tidur ringan, mengantuk atau stres emosional; Gelombang Delta (.5 3 Hz), apabila seseorang tidur nyenyak. Representasi dalam domain frekuensi antara lain untuk mencari kemunculan gelombang alfa terhadap rangsangan suara (Anderson dan Sijercic 996), analisis pengaruh frekuensi kedipan cahaya (Akay 998), dan model untuk klasifikasi sinyal EEG terhadap empat kondisi pikiran (Beth dkk. 2). Sementara penelitian lain menggunakan model parametrik AutoRegressive untuk mengklasifikasikan sinyal EEG terhadap kondisi pikiran (Djamal dan Muchtadi 2). Metoda lain yang juga pernah digunakan adalah penggunaan Jaringan Saraf Tiruan (JST) sebagai sistem klasifikasi terhadap beberapa kondisi mental, untuk memodelkan dan mengklasifikasikan beberapa aktifitas tubuh (Djamal dan Tjokronegoro 23a), serta mendeteksi gelombang epilepsi (Djamal dan Tjokronegoro 23b). Salah satu kelemahan dari penggunaan JST adalah tidak mudah untuk menjelaskan hubungan model JST dengan informasi yang terkandung dari sinyal EEG. Di samping itu sulit dihindari terjadinya divergensi pengenalan pola, terutama jika pemilihan model yang digunakan tidak tepat. Terdapat pula beberapa penelitian yang telah dilakukan dengan menggunakan transformasi wavelet (James 997; Kim dkk. 998; Kreiszyk 999; Lowe 997) yang menunjukkan keberhasilan yang cukup baik, mengingat metode ini dapat mengeliminasi sifat non-stasioner pada sinyal EEG. Berbeda dengan transformasi Fourier, pada transformasi wavelet, jika terjadi perubahan kecil pada sinyal (sifat non-stasioner) dalam domain waktu, maka koefisien wavelet pada domain frekuensi yang berubah hanya pada lokasi koefisien itu berada. Hal inilah yang menyebabkan metode ini popular aplikasinya untuk analisis sinyal non-stasioner. Di samping itu, penggunaan transformasi Fourier untuk spektral daya mempunyai keterbatasan dalam jumlah data yang sedikit. Sehingga penggunaan transformasi wavelet pada pra pengolahan sinyal, memberikan alternatif solusi keterbatasan tersebut, tanpa kehilangan informasi yang berarti. Pada penelitian ini telah dilakukan penelitian tentang deteksi dan identifikasi (klasifikasi) sinyal EEG dengan menggunakan transformasi wavelet sebagai model sinyal EEG. Namun metoda analisis yang digunakan kemudian adalah berbeda dengan yang telah digunakan oleh peneliti yang lalu (Muchtadi dan Kusumandari 999). Pada penelitian ini analisis dilakukan dengan identifikasi komponen frekuensi dari koefisien wavelet yang telah diperoleh pada langkah sebelumnya. Sinyal EEG yang akan diklasifikasikan sebagai kasus dalam penelitian ini terbagi atas dua kondisi pikiran, yaitu kondisi rileks, dan berpikir (non-rileks). Adapun rancangan pemodelan dan sistem klasifikasi dalam penelitian ini dapat dijelaskan dengan langkah sebagai berikut:. Transformasi wavelet Symmlet 5 langkah 2. Analisis spektral dari sinyal wavelet; 3. Sistem klasifikasi; 4. Hasil klasifikasi. Pada makalah ini, diawali dengan transformasi wavelet yang dilanjutkan dengan deskripsi data EEG yang digunakan dalam penelitian ini. Selanjutnya berturut-turut dikemukakan teknik klasifikasi sinyal EEG, hasil pengujian, dan pada akhir makalah diberikan kesimpulan dari penelitian. 2. TRANSFORMASI WAVELET Dewasa ini penggunaan transformasi wavelet cukup luas antara lain untuk analisis sinyal, citra, dan kompresi data. Transformasi wavelet telah terbukti sangat berguna untuk analisis sinyal non stasioner. Seperti pada transformasi Fourier, pada transformasi wavelet juga mengubah sinyal ke dalam bentuk dimensi lain, yaitu ke dalam komponen-komponen fungsi basis yang disebut wavelet. Berbeda dari transformasi Fourier, hasil dari transformasi wavelet adalah dalam domain waktu, sehingga dapat diungkapkan waktu perubahan frekuensi dari sinyal yang ditangkap. Seperti pada transformasi Fourier, transformasi wavelet terhadap sembarang sinyal dibangun atas kombinasi linier dari fungsi basis. Fungsi basis wavelet ψ (t), didefinisikan sebagai berikut: t ( t)...(), Vol. 6, No., Februari 25 - Majalah IPTEK
3 4 dengan adalah pergeseran waktu, dan adalah faktor skala. Besaran berperan untuk normalisasi amplitudo atau konservasi energi dari dilatasi. Dengan transformasi wavelet, yang menggunakan fungsi basis seperti dinyatakan dari persamaan (), memungkinkan analisis sinyal dilakukan dengan multiresolusi pada domain frekuensi. Yang berarti bahwa setiap komponen frekuensi dapat dipelajari dengan resolusi yang lebih baik. Transfomasi wavelet sinyal kontinu akan menghasilkan koefisien sebagai berikut: t C(, ) x( t) dt....(2) R Pada transformasi wavelet diskrit, faktor skala dan pergeseran waktu menjadi besaran yang terbatas, sehingga disebut dengan skala diadik, yang dinyatakan sebagai: σ = 2 j ; τ = k2 j...(3) dengan j adalah tingkat skala dyadic dan k adalah waktu diskrit, dan keduanya adalah bilangan integer. Dengan demikian transformasi wavelet diskrit dari (2) dituliskan sebagai berikut: DWTx (, ) C(, ) C(j, k) j...(4) * T 2 x(kt) k j 2 k dengan T adalah perioda sampling. Pada persamaan (4) terjadi proyeksi sinyal x (kt) terhadap fungsi window yang tidak lain adalah fungsi basis wavelet yang terskala. Transformasi wavelet pada persaman (4) menunjukan bahwa pada setiap skala yang diberikan, analisis sinyal dilakukan pada daerah waktu, dan frekuensi yang ditetapkan oleh faktor skala. Untuk faktor yang besar akan terjadi penyusutan skala atau kompresi terhadap fungsi window wavelet (t), sehingga detil sinyal akan tampak lebih baik. Sebaliknya jika faktor adalah kecil akan terjadi pemekaran skala terhadap fungsi window (t), sehingga detil sinyal akan berkurang, yang berarti hanya akan tampak komponen sinyal pada frekuensi rendah. Terlihat pula selain ditentukan oleh faktor skala, analisis wavelet juga bergantung pada fungsi wavelet (fungsi basis) (kt) yang dipilih. Faktor skala sangat penting pada analisis wavelet, yaitu memberikan interpretasi terhadap informasi atau frekuensi dari sinyal yang dianalisis. Dengan faktor skala ini analisis wavelet pada domain frekuensi terjadi pada sekuens oktaf demi oktaf, terhadap fungsi basis (fungsi wavelet). Rekonstruksi Sinyal dengan Wavelet σ Selanjutnya, dari C(,) atau C(j,k) dapat dilakukan sintesa wavelet untuk merekonstruksi sinyal x (t), yang diberikan oleh: x ˆ( t) C( j, k) ( t)...(5) j, k j k Bergantung pada jumlah komponen yang diperhatikan, persamaan (5) merupakan sinyal detil jika j J, dan merupakan sinyal aproksimasi jika j > J, dengan J adalah tingkat referensi atau langkah dekomposisi yang dipilih. Persamaan (5) dapat dituliskan kembali menjadi: xˆ(t) A J D J C(j, k) j, k (t)...(6) j J k C(j, k) j, k (t) j J k Dari persamaan (6) selanjutnya dapat direka ulang menjadi sinyal aproksimasi dan sinyal detil untuk langkah selanjutnya, sehingga dinyatakan pada persamaan berikut: A A D...(7) J J J Dengan memetakan faktor J, maka informasi sinyal dapat ditampilkan sebagaimana pada tujuan tranformasi. Dengan cara di atas, pada analisis wavelet, sinyal x(t) dapat diekstraksi menjadi komponen-komponen frekuensi tertentu sehingga dapat menghilangkan nois. Dalam realisasi penelitian ini, data sinyal EEG disampling dengan frekuensi 25 Hz, sehingga menghasilkan frekuensi Nyquist sebesar 25 Hz. Sementara, berdasarkan pada proses (7), ekstraksi frekuensi alfa (8-3 Hz), beta (4-3 Hz) dan teta (4-7 Hz) mengikuti struktur wavelet packet sebagai ditunjukan pada Gambar. Dari Gambar, bagian yang diarsir (DAAAA 5, DAAA 4, dan DAA 3), meliputi frekuensi 3,9 3,25 Hz. Ini dilakukan dengan pertimbangan bahwa analisis hanya dilakukan untuk gelombang alfa, beta, dan teta yang memuat frekuensi tersebut. 3. ESTIMASI KERAPATAN SPEKTRAL DAYA METODA WELCH Terhadap hasil transformasi wavelet yang direkonstruksikan pada persamaan (6), selanjutnya dianalisis dengan kerapatan spektral daya menggunakan metoda Welch. Misalkan, pada t = NT diberikan N data s x ( N) : x(), x(2), x(3),..., x( N ) dengan perioda sampling T s. Maka spektral daya dengan metode Welch dari x ( i, L): x( i), x( i ), x( i 2),..., x( i L ) diberikan oleh: Majalah IPTEK - Vol. 6, No., Februari 25
4 5-25 A - 62,5 62,5-25 D AA 2 DA 2-3,25 3,25-62,5 AAA 3 DAA 3-5,62 5,63-3,25 AAAA 4 DAAA 4-7,8 7,8-5,62 AAAAA 5 DAAAA 5-3,9 3,9-7,8 2 L j l 2 S ( ) x i l m e, xi ( ) l N...(8) Selanjutnya, dari N data sinyal EEG x (N) dibagi atas K kelompok data x ( i, L), i,2,3,..., K, masing-masing dengan panjang L < N, dengan x ( i, L) adalah kelompok ke i dari data x (N) sepanjang L data, dan m l adalah besar overlap. Maka spektral daya dari x (N) diberikan oleh: K S x ( ) S xi ( )...(9) K i Untuk meningkatkan resolusi dari spektral terestimasi, sebelumnya terhadap setiap kelompok sinyal dilakukan windowing: x w ( t) x( t) w( t)...() w ( n) : w(), w(), w(2),... adalah sekuens fungsi window. Sehingga spektral daya yang diperoleh adalah: 2 S xw ( ) X ( )* W( )...() 2 N Yang terlihat dari persamaan () adalah bahwa komponen-komponen daya dari sinyal EEG adalah dibentuk oleh fungsi window yang digunakan, yang amplitudonya adalah proporsional dengan amplitudo komponen daya yang bersangkutan. Panjang window berpengaruh terhadap resolusi komponen frekuensi, yang semakin pendek, komponen frekuensi tinggi akan terikutsertakan. Namun konsekuensinya, jika dominan, dan pada daerah nois akan mengganggu. Sehingga panjang window amatlah menentukan dalam analisis. dengan { } Gambar. Wavelet Packet lima langkah terhadap sinyal EEG. 4. DESKRIPSI DATA EEG Set-up sistem pengukuran sinyal EEG biasanya menggunakan sistem internasional - 2, dengan meletakkan sejumlah elektroda di permukaan kulit kepala. Dengan metode ini dapat diperoleh hasil perekaman mencapai 2 kanal sinyal EEG. Data sinyal EEG yang digunakan untuk penelitian ini adalah basis data yang dibuat oleh Keirn dan Aunon, yang digunakan dalam penelitian terdahulu (Djamal dan Muchtadi 2). Untuk sinyal EEG tersebut, nara coba berada di dalam studio yang mempunyai pengaturan suara serta cahaya yang nyaman dan bebas dari bising. Perekaman demikian dimaksudkan agar dapat meminimalkan pengaruh variabel lain dalam pengukuran sinyal EEG. Elektroda yang digunakan adalah elektroda-cap elastik untuk merekam posisi C3, C4, P3, P4, O, dan 2. Masing-masing sinyal EEG direkam selama detik dengan frekuensi sampling 25 Hz, sehingga diperoleh sinyal EEG sebanyak 25 sampel. Perekaman dilakukan terhadap 7 nara coba, yang masing-masing dilakukan dengan 5 kali pengukuran, dan berasal dari 6 kanal. Berdasarkan data sinyal EEG yang digunakan pada penelitian ini (Djamal dan Muchtadi 2), kondisi nara coba telah ditetapkan, yaitu:. : pasien tidak memikirkan apapun, dalam keadaan sadar dan mata tertutup. Jumlah data menjadi 7 x 5 x 6 = 2 set. 2. Non-rileks atau berpikir, yang terdiri dari tiga pikiran, yaitu: a. Aritmatika: pasien diminta untuk menghitung formula matematik sederhana di dalam hati. Jumlah data asimetrinya 7 x 5 x 6 = 2 set. b. Bersurat: pasien diminta membuat surat singkat di dalam hati. Jumlah data asimetrinya menjadi 7 x 5 x 6 = 2 set. Sehingga seluruhnya terdapat 63 set sinyal EEG. Kemudian terhadap setiap sinyal EEG yang diperoleh dari tiap kanal (sebanyak 63 data), dianalisis spektral daya dari transformasi waveletnya. 5. SISTEM DETEKSI DAN IDENTIFI- KASI Sistem deteksi dan identifikasi komponenkomponen gelombang sinyal EEG, khususnya gelombang alfa, beta, dan teta dilakukan terhadap spektral daya wavelet. Estimasi spektral Vol. 6, No., Februari 25 - Majalah IPTEK
5 6 dilakukan pada persamaan (), dengan window Bartlett lebar satu detik. Untuk memperkaya informasi, estimasi dilakukan dengan teknik overlap, agar sinyal pada window berikutnya masih memuat informasi pada window sebelumnya, seperti yang dimaksud pada Gambar 2. Gambar 2. Lebar windows dengan Overlap Pada Gambar 2, window pertama dinyatakan oleh garis lurus, sementara window selanjutnya oleh garis putus-putus. Oleh karena itu, informasi dapat termuat pada dua window yang berurutan. Selanjutnya dari dibangun sistem deteksi dan identifikasi terhadap gelombang alfa, beta, dan teta. Deteksi dan identifikasi dilakukan berdasarkan dominasi energi tiap gelombang. Untuk kondisi pikiran rileks, ditandai dengan identifikasi dominasi energi gelombang alfa,. Untuk kondisi berpikir, diidentifikasi dengan energi gelombang beta yang dominan. Sedangkan dominasi energi gelombang teta menunjukkan kondisi mengantuk/stres emosional. Mengingat nara coba dalam keadaan normal dan sadar, kecil kemungkinan gelombang delta akan muncul. Oleh karena itu, sehingga tidak dilakukan deteksi dan identifikasi terhadap gelombang delta. Sistem deteksi dan identifikasi dibangun berdasarkan spektral daya wavelet pada masingmasing daerah gelombang, seperti yang diperlihatkan pada Gambar 3a, 3b, dan 3c. Sebagaimana ditunjukkan pada gambar, tinggi bingkai tiap gelombang tidak sama. Ini didasarkan pada probabilitas spektral daya dari wavelet masing-masing gelombang. prosentase dari gelombang yang bersangkutan. Daerah gelombang yang mempunyai prosentasi luas besar, dikatakan gelombang yang bersangkutan adalah dominan, sekaligus menginformasikan terjadinya kondisi pikiran tertentu. Jika gelombang alfa yang dominan, merefleksikan kondisi rileks. Sedangkan jika yang dominan gelombang beta, menyatakan kondisi pikiran dengan aktivitas tinggi, dan gelombang teta mencirikan kondisi mengantuk atau stres emosional. 6. HASIL PENGUJIAN Sebagaimana ditunjukkan pada Gambar, pada penelitian ini digunakan wavelet packets yang meliputi frekuensi 3,9 3,25 Hz. Representasi sinyal wavelet terhadap sinyal asli, diperlihatkan pada Gambar (c) Gambar 3. Sistem Deteksi dan Identifikasi a.gelombang alfa, b.gelombang beta, c. Gelombang teta Pada Gambar 3, dihitung prosentasi luas spektral yang diarsir dibandingkan dengan luas bingkai. Besar rasio tersebut merupakan Gambar 4 a) Sinyal Wavelet terhadap Sinyal Asli b) Penyimpangan Absolut Terlihat pada Gambar 4a dan b bahwa antara sinyal asli dengan dekomposisi wavelet mempunyai penyimpangan yang kecil. Dengan demikian hasil transformasi wavelet dari sinyal EEG dapat digunakan untuk pemrosesan selanjutnya, yaitu dengan spektral daya. Pada langkah awal, terhadap sinyal wavelet dilakukan analisis spektral daya untuk sejumlah selang waktu tertentu, untuk menguji konsistensi/sifat stasioner. 9 kurva spektral daya Majalah IPTEK - Vol. 6, No., Februari 25
6 7 wavelet terhadap waktu diperlihatkan pada Gambar 5a untuk kondisi rileks dan Gambar 5b untuk kondisi non rileks..9.8 PSD rata-rata Waktu (detik) PSD rata-rata Gambar 5. Spektral daya Wavelet terhadap Waktu kondisi rileks kondisi non-rileks Terlihat pada Gambar 5a, untuk kondisi rileks menunjukkan bahwa spektral daya relatif konsisten yang meliputi hampir seluruh kondisi rileks. Hal ini menunjukkan bahwa penggunaan analisis spektral untuk sinyal EEG kondisi rileks sesuai mengingat sinyal mendekati stasioner. Namun untuk kondisi non-rileks, walaupun penggunaan transformasi wavelet untuk sinyal EEG tersebut umumnya stasioner, namun terdapat 27% kasus yang tidak konsisten, seperti contoh yang diperlihatkan pada Gambar 5b. Jika spektral daya pada Gambar 5 dirataratakan untuk setiap frekuensi, maka dihasilkan kurva spektral daya rata-rata sebagaimana ditunjukkan pada Gambar 6. Gambar 6a memperlihatkan bahwa representasi spektral pada kondisi rileks didominasi gelombang alfa (8-3 Hz), sementara pada kondisi non rileks (Gambar 6b) gelombang beta (4-3 Hz) dominan daripada ketiga gelombang lainnya. Hal ini adalah sesuai dengan hipotesis bahwa gelombang alfa akan dominan pada kondisi rileks, dan gelombang beta akan dominan pada kondisi non-rileks/berpikir Gambar 6. Spektral daya rata-rata kondisi rileks kondisi non-rileks Sementara gelombang teta akan dominan pada saat mengantuk/stres emosional. Hal inilah yang merupakan dasar sistem klasifikasi. Namun, dari keseluruhan data yang diuji, tidak semua menunjukkan hasil demikian, sehingga perlu membangun sistem klasifikasi, yang dilakukan atas dasar dominasi energi gelombanggelombang pada sinyal EEG. Selanjutnya, untuk melihat distribusi dominasi energi masing-masing gelombang, dari 35 set data yang tersedia, diperoleh kurva distribusi energi dominan seperti ditunjukkan pada Gambar 7 untuk kondisi rileks dan pada Gambar 9 untuk kondisi non rileks. Dari Gambar 7 dan Gambar 9, kemudian dapat diplot distribusi probabilitas energi gelombang dalam kondisi rileks (Gambar 8), dan kondisi non rileks (Gambar ). Vol. 6, No., Februari 25 - Majalah IPTEK
7 Probabilitas Probabilitas kasus kasus kasus kasus kasus kasus Gambar 7. Energi daerah alfa daerah beta kondisi rileks Gambar 9. Energi daerah alfa daerah beta kondisi non-rileks Probabilitas Probabilitas Energi Gambar 8. Fungsi distribusi probabilitas energi daerah alfa daerah beta kondisi rileks Energi Energi Gambar. Fungsi distribusi probabilitas energi daerah alfa daerah beta kondisi non- rileks Majalah IPTEK - Vol. 6, No., Februari 25
8 9 Secara umum, ketiga kanal memberikan pola yang mirip, yaitu mendekati distribusi Gaussian (seperti ditunjukkan pada Gambar 7-), sehingga pengaruh kanal terhadap kondisi pikiran tidaklah menonjol. Namun demikian untuk kanal occipital pendekatan fungsi Gaussian mempunyai penyimpangan paling besar. Dari gambar 8 dan menunjukkan pula bahwa rata-rata gelombang alfa lebih tinggi daripada rata-rata gelombang beta pada kondisi rileks, sebaliknya rata-rata gelombang beta lebih tinggi daripada rata-rata gelombang beta pada kondisi non rileks. Pengujian Sistem Klasifikasi terdiri atas dua kondisi, yaitu kondisi rileks dan non-rileks. Pada kondisi rileks, dominasi gelombang alfa memberikan bobot kebenaran, sementara kondisi berpikir/non-rileks, dominasi gelombang beta yang ditinjau memberikan bobot kebenaran. Sementara gelombang lain yang kemungkinan muncul dominan adalah gelombang teta. Gelombang teta muncul pada saat kondisi mengantuk, namun tak sesuai dengan kondisi pikiran sinyal EEG yang digunakan dalam percobaan tersebut. Hasil pengujian selanjutnya dinyatakan pada Tabel untuk sistem klasifikasi yang dibangun berdasarkan spektral daya, dan Tabel 2 untuk sistem klasifikasi yang dibangun berdasarkan spektral daya wavelet. Tanda arsiran pada Tabel dan Tabel 2 menunjukkan prosentase kebenaran sistem klasifikasi untuk tiap kondisi. Oleh karena itu total hasil pengujian untuk seluruh kondisi dan Tabel. Kemunculan Gelombang yang Dominan dengan PSD. kedua metoda diperlihatkan pada Tabel 3. Terlihat untuk kondisi rileks, penggunaan wavelet sebagai pra pengolahan sinyal EEG meningkatkan keberhasilan pengenalan dari 58% menjadi 85%. Sementara kondisi non rileks meningkat dari 6% menjadi 83%. Peningkatan keberhasilan klasifikasi oleh karena penggunaan transformasi wavelet. Hal ini karena sifat non stasioner diminimalkan dengan penggunaan wavelet sebagai pra model. Berkurangnya keberhasilan klasifikasi pada saat kondisi berpikir kemungkinan disebabkan beberapa kasus (sekitar 27%), antara lain oleh karena sinyal EEG tetap mempunyai sifat non stasioner pada saat berpikir. Sehingga analisis spektral daya yang digunakan (dengan metoda Welch) kurang tepat untuk sinyal non stasioner. Pada Tabel 3 juga memperlihatkan pula bahwa titik pengukuran yang memberikan keberhasilan klasifikasi yang paling tinggi adalah kanal C3 dan C4 (posisi tengah). Hal ini disebabkan aktivitas listrik seseorang pada saat memikirkan sesuatu lebih dominan di daerah tengah dari otak. Berdasarkan penelitian terdahulu, keseimbangan kanal kiri-kanan akan diperoleh pada sinyal EEG dalam kondisi rileks. Sehingga untuk sinyal EEG dua kondisi pikiran, dibandingkan ketidakseimbangan antara kanal kiri-kanan untuk setiap gelombang. Jika energi tiap gelombang dari kanal kiri dan kanan dibandingkan, rata-ratanya ditunjukkan pada Tabel 4. Non- Berhitung Bersurat Rotasi Kemunculan Gelombang (dalam %) Gelombang Kanal Ratarata C3 C4 O O2 P3 P4 Rata-rata Alfa Alfa 56 Beta Beta 44 Teta Teta Alfa Beta Alfa 4 Teta Alfa Beta Teta Alfa Beta Teta Non- Beta 6 Teta Vol. 6, No., Februari 25 - Majalah IPTEK
9 2 Tabel 2. Kemunculan Gelombang yang Dominan dengan PSD Wavelet Non- Berhitung Bersurat Rotasi Kemunculan Gelombang (dalam %) Gelombang Kanal Ratarata C3 C4 O O2 P3 P4 Rata-rata Alfa Alfa 85 Beta Beta 3 Teta Teta 3 Alfa Beta Teta Alfa Beta Teta Alfa Beta Teta 7 3 Non- Alfa 6 Beta 83 Teta Tabel 3. Pengujian Sistem Klasifikasi Sinyal EEG dengan Pikiran. Keberhasilan (%) PSD dari PSD Transformasi Kanal Wavelet Berpikir Berpikir C C P P O O Rata-rata Tabel 4. Rata-rata Ketidakseimbangan dari Kanal Kiri-kanan tiap Gelombang. Non Asimetri Gelombang (%) Kanal Alfa Beta Teta Central Parietal Occipital Rata-rata Central Parietal Occipital Rata-rata Dari Tabel 4, terlihat saat kondisi non rileks prosentase ketidak seimbangan kanal kiri-kanan lebih besar dari kondisi non rileks. Sebagai contoh, untuk gelombang alfa rata-rata 64% untuk kondisi rileks, dan 8% untuk ketidak setimbangan kondisi non-rileks. Sementara ketidakseimbangan gelombang beta lebih kecil (38%) daripada ketidakseimbangan gelombang alfa untuk kondisi rileks. Hal ini sesuai dengan penelitian terdahulu, kecilnya ketidakseimbangan kanal kiri-kanan menunjukkan kondisi subyek lebih rileks (Stolc, Teplan 23). 7. SIMPULAN DAN PENUTUP Hasil penelitian ini memperlihatkan bahwa penggunaan transformasi wavelet sebagai pra pengolahan sinyal EEG sebelum analisis spektral daya meningkatkan keberhasilan klasifikasi untuk kondisi rileks, dari 58% menjadi 85%. Sementara kondisi non rileks meningkat dari 6% menjadi 83%. Hal ini disebabkan penggunaan transformasi wavelet dapat mengatasi sinyal yang non stasioner. Hasil penelitian juga memberikan informasi bahwa pengaruh kanal kurang berarti, namun untuk kanal C3 dan C4 memberikan klasifikasi mengingat bagian dari otak tersebut berfungsi untuk berfikir. Sementara kanal O, O2 letaknya berjauhan, sehingga klasifikasi kurang baik. Dari penggunaan sistem deteksi dan identifikasi pada penelitian ini, hal yang lain yang dapat diketahui adalah bahwa ketidaksetimbangan antara energi gelombanggelombang dari kanal kiri-kanan untuk kondisi non-rileks lebih besar, yaitu sebesar 8% daripada kondisi non rileks sebesar 64%. Hasil ini menunjukkan dalam kondisi rileks, energi gelombang-gelombang di otak lebih setimbang. DAFTAR ACUAN Anderson, C. and Sijercic, Z. (996). Classification of EEG Signals from Four Subjects During Five Mental Tasks : Preoceeding of the Conference on Engineering Applications in Neural Networks '96, Turku - Finland, pp Majalah IPTEK - Vol. 6, No., Februari 25
10 2 Akay, M. (998). Time Frequency and Wavelets in Biomedical Signal Processing, IEEE Press Series, New York, Bab 8 dan. Beth, T., Klappenecker, A. and Nueckel, A. (2). Construction of Algebraic Wavelet Coefficients, Karlsruhe. Djamal, E. C. dan Muchtadi, F. (2). Application Wavelet Transformation for Modeling Electroencephalogram Signal, Proceeding of Indonesia-German Conference, Bandung, July 2. Djamal, E. C. dan Tjokronegoro, H. A. (23). Deteksi dan Identifikasi Sinyal EEG terhadap Rangsangan Suara dengan Analisis Spektral dan Transformasi Wavelet, Prosiding Seminar SIK 23, Bandung, Juli 23. Djamal, E. C. dan Tjokronegoro, H. A. (23). Klasifikasi Sinyal EEG dua Pikiran Menggunakan Analisis Spektral Daya dari Koefisien Wavelet Majalah Instrumentasi, Juni 23. Djamal, E.C. dan Tjokronegoro, H. A. (23). Deteksi dan Identifikasi Gelombang-Gelombang di otak untuk Klasifikasi Rangsangan Suara, Instrumed 23, Surabaya. James, C. (997). Detection of Epileptiform activity in the Electroencephalogram Using Artificial Neural Networks, Dissertation of Doctor of Philosophy, University of Canterbury, New Zealand. Jung, A. (22). An Introduction to a New Data Analysis Tool: Independent Component Analysis, Regensburg. Kim, J.H., Whang, M.C. dan Kim, J.H. (998). The Classification of Visual Stimulus Using Wavelet Transform from EEG Signals, Seoul. Kreiszyk R.. (999). Neural Network with Wavelet Preprocessing in EEG Artifact Recognition, Warsaw. Lowe, D. (997). Extracting Structure from Wake EEG using Neural Networks, Invited Paper, SPIE's Aerospace/Defence Sensing and Controls Conference: Applications and Science of Artificial Neural Networks III, Volume 377, pp Muchtadi F.I., Kusumandari, D.W. (999). Analisis Sinyal EEG Teknik Bipolar dengan Photostimulan, Presentasi PPIKIM, Serpong. Oohashi, T., Nishina, E., Kawai, N. (99). High Frequency Sound Above the Audible Rang Affects Brain Electric Activity and Sound Perception : Presentation at the 9st Convention an Audio Engineering Society, New York. Suprijanto, Muchtadi, F., Djamal, E.C. (999). Klasifikasi Sinyal EEG Menggunakan Jaringan Saraf Tiruan Berarsitektur Umpan Maju, Prosiding PPIKIM, Serpong.. Wojdyllo, P. (998). Wavelets, rough sets and artificial neural networks in EEG analysis, Clinical Neurophysiology. Valens, C. (994). A Really Friendly Guide to Wavelets, Diterima: 5 Oktober 24 Disetujui untuk diterbitkan: 26 Januari 25 Vol. 6, No., Februari 25 - Majalah IPTEK
ABSTRAK Pada tugas akhir ini dibuat sistem pengidentifikasi sinyal EEG, yaitu komponen gelombang alpha, beta dan theta dengan menggunakan transformasi
ABSTRACT This final report is discussed about identification system of EEG signal, named alpha, beta and theta components. The technique are using discrete wavelet tranform and power spectral analysis.
Lebih terperinciIdentifikasi dan Klasifikasi Sinyal EEG terhadap Rangsangan Suara dengan Ekstraksi Wavelet dan Spektral Daya
PROC. ITB Sains & Tek. Vol. 37 A, No. 1, 2005, 69-92 69 Identifikasi dan Klasifikasi Sinyal EEG terhadap Rangsangan Suara dengan Ekstraksi Wavelet dan Spektral Daya Esmeralda C. Djamal 1 & Harijono A.
Lebih terperinciIDENTIFIKASI KONDISI RILEKS DARI SINYAL EEG MENGGUNAKAN WAVELET DAN LEARNING VECTOR QUANTIZATION
Identifikasi Kondisi Rileks dari Sinyal EEG (Ekayama dkk.) IDENTIFIKASI KONDISI RILEKS DARI SINYAL EEG MENGGUNAKAN WAVELET DAN LEARNING VECTOR QUANTIZATION Rifky Ekayama *, Esmeralda C. Djamal, Agus Komarudin
Lebih terperinciAnalisis Data EEG pada Beberapa Kondisi menggunakan Metode Dekomposisi dan Korelasi berbasis Wavelet (Dekorlet)
Analisis Data EEG pada Beberapa Kondisi menggunakan Metode Dekomposisi dan Korelasi berbasis Wavelet (Dekorlet) Agfianto Eko Putra 1, Catur Atmaji 2 Program Studi Elektronika & Instrumentasi, Jurusan Ilmu
Lebih terperinciIdentifikasi Tingkat Konsentrasi Dari Sinyal EEG Dengan Wavelet dan Adaptive Backpropagation
Identifikasi Tingkat Konsentrasi Dari Sinyal EEG Dengan Wavelet dan Adaptive Backpropagation Ratna Karmila*, Esmeralda C Djamal, Dian Nursantika Jurusan Informatika, Fakultas MIPA Universitas Jenderal
Lebih terperinciDETEKSI EPILEPSI DARI SINYAL EEG MENGGUNAKAN AUTOREGRESSIVE DAN ADAPTIVE BACKPROPAGATION
Deteksi Epilepsi Dari Sinyal EEG. (Zulianto dkk.) DETEKSI EPILEPSI DARI SINYAL EEG MENGGUNAKAN AUTOREGRESSIVE DAN ADAPTIVE BACKPROPAGATION Wahyu Eko Zulianto *, Esmeralda C. Djamal, Agus Komarudin Jurusan
Lebih terperinciBAB I PENDAHULUAN. Otot adalah sebuah jaringan konektif dalam tubuh dengan tugas utamanya
BAB I PENDAHULUAN 1.1. Latar Belakang Otot adalah sebuah jaringan konektif dalam tubuh dengan tugas utamanya kontraksi. Kontraksi otot berfungsi untuk menggerakkan bagian-bagian tubuh dan substansi dalam
Lebih terperinciPENGENALAN POLA EEG PADA KEMAMPUAN KONSENTRASI DAN MENGHITUNG
Proseding Seminar Nasional Fisika dan Aplikasinya Sabtu, 19 November 2016 Bale Sawala Kampus Universitas Padjadjaran, Jatinangor PENGENALAN POLA EEG PADA KEMAMPUAN KONSENTRASI DAN MENGHITUNG ARTHA IVONITA
Lebih terperinciKlasifikasi Sinyal EEG Terhadap Tiga Kondisi Pikiran Menggunakan Autoregressive dan Adaptive Backpropagation
Klasifikasi Sinyal EEG Terhadap Tiga Kondisi Pikiran Menggunakan Autoregressive dan Adaptive Backpropagation Irvan Herdiansyah 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA
Lebih terperinciKLASIFIKASI SINYAL EEG TERHADAP RANGSANGAN SUARA MENGGUNAKAN POWER SPECTRAL DENCITY DAN MULTILAYER PERCEPTRON
Klasifikasi Sinyal EEG terhadap Rangsangan Suara (Wulansari dkk.) KLASIFIKASI SINYAL EEG TERHADAP RANGSANGAN SUARA MENGGUNAKAN POWER SPECTRAL DENCITY DAN MULTILAYER PERCEPTRON Rista Wulansari *, Esmeralda
Lebih terperinciFrekuensi Dominan Dalam Vokal Bahasa Indonesia
Frekuensi Dominan Dalam Vokal Bahasa Indonesia Tjong Wan Sen #1 # Fakultas Komputer, Universitas Presiden Jln. Ki Hajar Dewantara, Jababeka, Cikarang 1 wansen@president.ac.id Abstract Pengenalan ucapan
Lebih terperinciOPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG
OPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG Oleh : Ellys Kumala P (1107100040) Dosen Pembimbing Dr. Melania Suweni Muntini, MT JURUSAN
Lebih terperinciPemisahan Sinyal Noise Pada Pengolahan Data Medan Magnet Bumi Menggunakan Transformasi Wavelet
Pemisahan Sinyal Noise Pada Pengolahan Data Medan Magnet Bumi Menggunakan Transformasi Wavelet Setyanto Cahyo Pranoto Pusat Sains Antariksa, Lembaga Penerbangan Dan Antariksa Nasional - LAPAN, Jl. DR.
Lebih terperinciKata kunci: Fourier, Wavelet, Citra
TRANSFORMASI FOURIER DAN TRANSFORMASI WAVELET PADA CITRA Oleh : Krisnawati Abstrak Tranformasi wavelet merupakan perbaikan dari transformasi Fourier. Transformasi Fourier hanya dapat menangkap informasi
Lebih terperinciEKSTRASI CIRI SINYAL EPILEPSI MENGGUNAKAN FAST FOURIER TRANSFORM
EKSTRASI CIRI SINYAL EPILEPSI MENGGUNAKAN FAST FOURIER TRANSFORM Hindarto 1, Ade Efiyanti 2 1, 2 Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Sidoarjo Sidoarjo, Jawa Timur (E-mail: hindarto@umsida.ac.id,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Suara paru terjadi karena adanya turbulensi udara saat udara memasuki saluran pernapasan selama proses pernapasan. Turbulensi ini terjadi karena udara mengalir dari
Lebih terperinciIDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Seminar Tugas Akhir O L E H : M I F T A H U D D I N P E M B I M B I N G : I R. Y E R R
Lebih terperinciNama : Ricky Shonda Sanjaya NRP :
IDENTIFIKASI AKTIVITAS MENTAL MANUSIA MENGGUNAKAN KOMBINASI PCA (PRINCIPAL COMPONENT ANALYSIS) DAN JARINGAN SARAF TIRUAN PADA SINYAL EEG (ELECTROENCEPHALOGRAM) Nama : Ricky Shonda Sanjaya NRP : 0622006
Lebih terperinci2) Staf Pengajar Jurusan Fisika, Institut Teknologi Sepuluh Nopember Surabaya
PERANCANGAN DAN PEMBUATAN PROTOTIPE BAND PASS FILTER UNTUK OPTIMASI TRANSFER DAYA PADA SINYAL FREKUENSI RENDAH; STUDI KASUS:SINYAL EEG Lisa Sakinah 1), Dr. Melania SM,M.T 2) 1) Mahasiswa Jurusan Fisika,
Lebih terperinciAlgoritma Mendeteksi Ketidaknormalan Premature Atrial Contractions(PACs) Berdasarkan Kombinasi RR Interval dan Correlation Coefficient
Algoritma Mendeteksi Ketidaknormalan Premature Atrial Contractions(s) Berdasarkan Kombinasi RR Interval dan Correlation Coefficient Iman Fahruzi Jurusan Teknik Elektro, Politeknik Negeri Batam Parkway
Lebih terperinciTRANSFORMASI WAVELET DISKRIT PADA SINTETIK PEMBANGKIT SINYAL ELEKTROKARDIOGRAM
Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 01 (2014), pp. 95 104. TRANSFORMASI WAVELET DISKRIT PADA SINTETIK PEMBANGKIT SINYAL ELEKTROKARDIOGRAM Yedidia Panca, Tulus, Esther Nababan Abstrak. Transformasi
Lebih terperinciBAB 2 LANDASAN TEORI. variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan Merupakan
BAB 2 LANDASAN TEORI 2.1. Peramalan Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan Merupakan bagian
Lebih terperinciPencocokan Citra Digital
BAB II DASAR TEORI II.1 Pencocokan Citra Digital Teknologi fotogrametri terus mengalami perkembangan dari sistem fotogrametri analog hingga sistem fotogrametri dijital yang lebih praktis, murah dan otomatis.
Lebih terperinciPEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG
PEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG T 610.28 PUT Abstrak Penelitian ini bertujuan untuk memperlihatkan suatu metoda pengenalan multi pola dari
Lebih terperinciKOMUNIKASI DATA SUSMINI INDRIANI LESTARININGATI, M.T
Data dan Sinyal Data yang akan ditransmisikan kedalam media transmisi harus ditransformasikan terlebih dahulu kedalam bentuk gelombang elektromagnetik. Bit 1 dan 0 akan diwakili oleh tegangan listrik dengan
Lebih terperinciPERANCANGAN DAN PEMBUATAN PERANGKAT LUNAK KLASIFIKASI TEKSTUR DENGAN MENGGUNAKAN ANALISA PAKET WAVELET
PERANCANGAN DAN PEMBUATAN PERANGKAT LUNAK KLASIFIKASI TEKSTUR DENGAN MENGGUNAKAN ANALISA PAKET WAVELET Sarwosri, Rully Soelaiman, dan Esther Hanaya Jurusan Teknik Informatika, Fakultas Teknologi Informasi,
Lebih terperinciPENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN MODEL PROPAGASI BALIK
ABSTRAK PENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN Dosen Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Pada penelitian ini dibuat sebuah sistem pengenalan suara manusia dengan
Lebih terperinciJaringan Syaraf Tiruan pada Robot
Jaringan Syaraf Tiruan pada Robot Membuat aplikasi pengenalan suara untuk pengendalian robot dengan menggunakan jaringan syaraf tiruan sebagai algoritma pembelajaran dan pemodelan dalam pengenalan suara.
Lebih terperinciOPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK
OPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG Oleh: Ellys Kumala Pramartaningthyas, Melania Suweni Muntini Jurusan Fisika Fakultas Matematika
Lebih terperinciDETEKSI KERUSAKAN RODA GIGI DENGAN ANALISIS SINYAL GETARAN
Available online at Website http://ejournal.undip.ac.id/index.php/rotasi DETEKSI KERUSAKAN RODA GIGI DENGAN ANALISIS SINYAL GETARAN *Achmad Widodo, Djoeli Satrijo, Toni Prahasto Jurusan Teknik Mesin, Fakultas
Lebih terperinciEMOSI merupakan salah satu fitur penting dan kompleks
1 Klasifikasi Emosi Berdasarkan Gelombang Otak Sinyal EEG Menggunakan Metode k-nearest Neighbour Imania Puspita Sari 1, Dr. Diah Puspito W, ST., M.Sc. 1 and Dr. Ir. Yoyon Kusnendar S, M.Sc. 1 1 Departmen
Lebih terperinciANALYSIS OF TIME SERIES DATA (EL NINO and Sunspot) BASED ON TIME- FREQUENCY
ANALISIS DATA TIME SERIES (EL NINO dan SUNSPOT) BERBASIS WAKTU- FREKUENSI Marnianty Muin, Bannu Abdul Samad, Halmar Halide, Eko Juarlin Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciBAB 2 LANDASAN TEORI. mencakup teori speaker recognition dan program Matlab. dari masalah pattern recognition, yang pada umumnya berguna untuk
6 BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar / Umum Landasan teori dasar / umum yang digunakan dalam penelitian ini mencakup teori speaker recognition dan program Matlab. 2.1.1 Speaker Recognition Pada
Lebih terperinciBIOMETRIK SUARA DENGAN TRANSFORMASI WAVELET BERBASIS ORTHOGONAL DAUBENCHIES
Agustini, Biometrik Suara Dengan Transformasi Wavelet 49 BIOMETRIK SUARA DENGAN TRANSFORMASI WAVELET BERBASIS ORTHOGONAL DAUBENCHIES Ketut Agustini (1) Abstract: Biometric as one of identification or recognition
Lebih terperinciDeteksi Respon Konsentrasi Terhadap Rangsangan Suara Secara Real-Time Menggunakan Wavelet dan Support Vector Machine
Deteksi Respon Konsentrasi Terhadap Rangsangan Suara Secara Real-Time Menggunakan Wavelet dan Support Vector Machine endra Cahya Permana 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas
Lebih terperinciIDENTIFIKASI SINYAL EEG MENGGUNAKAN KOEFISIEN REGRESI DAN JARINGAN SYARAF TIRUAN
IDENTIFIKASI SINYAL EEG MENGGUNAKAN KOEFISIEN REGRESI DAN JARINGAN SYARAF TIRUAN Hindarto Jurusan Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Sidoarjo hindartomay@yahoo.com Abstrak Dalam
Lebih terperinciBAB III METODOLOGI. dari suara tersebut dapat dilihat, sehingga dapat dibandingkan, ataupun dicocokan dengan
23 BAB III METODOLOGI 3.1 Metodologi Penelitian Penelitian ini ingin membangun sistem yang dapat melakukan langkah dasar identifikasi, yaitu melakukan ektraksi suara Gamelan Bonang, dengan ekstrasi ini,
Lebih terperinciBAB III PENGOLAHAN DATA
BAB III PENGOLAHAN DATA Pengolahan data pada penelitian ini meliputi tahapan pengambilan data, penentuan titik tengah area yang akan menjadi sampel, pengambilan sampel, penentuan ukuran window subcitra
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.. Respon Impuls Akustik Ruangan. Respon impuls akustik suatu ruangan didefinisikan sebagai sinyal suara yang diterima oleh suatu titik (titik penerima, B) dalam ruangan akibat suatu
Lebih terperinciPerbandingan Estimasi Selubung Spektral dari Bunyi Voiced Menggunakan Metoda Auto-Regressive (AR) dengan Weighted-Least-Square (WLS) ABSTRAK
Perbandingan Estimasi Selubung Spektral dari Bunyi Voiced Menggunakan Metoda Auto-Regressive (AR) dengan Weighted-Least-Square (WLS) Bogerson/0322076 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.
Lebih terperinciPENINGKATAN KUALITAS SINYAL SUARA DENGAN METODE PENDEKATAN SUBRUANG ABSTRAK
PENINGKATAN KUALITAS SINYAL SUARA DENGAN METODE PENDEKATAN SUBRUANG David Paroki Butarbutar / 0322138 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Seluruh aktivitas tubuh manusia dikendalikan dan dikuasai oleh otak. Otak manusia mengarahkan seluruh tindakan yang dilakukan oleh manusia. Otak menjadi bagian terpusat
Lebih terperinciINSTITUT TEKNOLOGI BANDUNG
KAJIAN PENCOCOKAN CITRA DIGITAL BERDASARKAN KORELASI KOEFISIEN-KOEFISIEN WAVELET 2-D TUGAS AKHIR Karya tulis sebagai salah satu syarat untuk memperoleh gelar sarjana. Oleh: Muhammad Aldien Said NIM 151
Lebih terperinciANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK
ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK Kharisma Yusea Kristaksa ) Hanna Arini Parhusip ), dan Bambang Susanto 3) ) Mahasiswa Program Studi Matematika ) 3) Dosen Program Studi Matematika
Lebih terperinciRancang Bangun Sistem Pemantauan Aktivitas Gelombang Otak Secara Real Time Menggunakan Bio Sensor
Rancang Bangun Sistem Pemantauan Aktivitas Gelombang Otak Secara Real Time Menggunakan Bio Sensor Destyan Sulisetyo Nugroho, Iman Fahruzi 2,2 Jurusan Teknik Elektro, Politeknik Negeri Batam Parkway St-
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Fotogrametri adalah suatu seni, pengetahuan dan teknologi untuk memperoleh informasi yang dapat dipercaya tentang suatu obyek fisik dan keadaan sekitarnya melalui proses
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. dicolokan ke komputer, hal ini untuk menghindari noise yang biasanya muncul
37 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil 4.1.1 Pengambilan Database Awalnya gitar terlebih dahulu ditala menggunakan efek gitar ZOOM 505II, setelah ditala suara gitar dimasukan kedalam komputer melalui
Lebih terperinciPENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG
PENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG TUGAS AKHIR MUHAMMAD AGUNG NURSYEHA 2211100164 Pembimbing: Dr. Muhammad
Lebih terperinciDeteksi Titik Awal dan Titik Akhir Sinyal Untuk Pemisahan Sinyal Voice dan Unvoice
Jurnal Teknik Elektro dan Komputer, Vol.I, No.2, Oktober 21, 125-129 125 Deteksi Titik Awal dan Titik Akhir Sinyal Untuk Pemisahan Sinyal Voice dan Unvoice Luqman Hakim Program Studi Teknik Mekatronika,
Lebih terperinciEKSTRAKSI FITUR SINYAL ELEKTROENSEFALOGRAF (EEG) UNTUK IDENTIFIKASI UNSPOKEN-SPEECH MENGGUNAKAN EEGLAB
EKSTRAKSI FITUR SINYAL ELEKTROENSEFALOGRAF (EEG) UNTUK IDENTIFIKASI UNSPOKEN-SPEECH MENGGUNAKAN EEGLAB Pembimbing : Ir. Syamsul Arifin, MT. Andi Rahmadiansah, ST. MT. oleh : Bagas Isadewa 2406100077 Teknik
Lebih terperinciKOMPUTASI SINYAL DIGITAL SINYAL DAN SISTEM
KOMPUTASI SINYAL DIGITAL SINYAL DAN SISTEM Sinyal dan Sistem Sinyal dan Sistem Klasifikasi Sinyal Konsep rekuensi Analog to Digital Conversion Sampling SINYAL, SISTEM DAN KOMPUTASI SINYAL Sinyal Besaran-besaran
Lebih terperinciDAFTAR ISI. Halaman LEMBAR PENGESAHAN SURAT PERNYATAAN ABSTRAK... i ABSTRACT... ii KATA PENGANTAR...iii DAFTAR ISI... v DAFTAR GAMBAR...
ABSTRAK Noise merupakan salah satu kendala yang mempengaruhi kualitas sinyal suara yang ditransmisikan. Noise tersebut dapat berasal dari peralatan komunikasi itu sendiri atau pengaruh dari sumber luar.
Lebih terperinciIdentifikasi Respon Emosional Berdasarkan Sinyal Elektroensephalogram Menggunakan Wavelet dan Support Vector Machine
Identifikasi Respon Emosional Berdasarkan Sinyal Elektroensephalogram Menggunakan Wavelet dan Support Vector Machine Diansyah Andri Ramdhany 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika,
Lebih terperinciBAB III METODE PENGAMBILAN DAN PENGOLAHAN DATA SEISMOELEKTRIK. palu. Dari referensi pengukuran seismoelektrik di antaranya yang dilakukan oleh
BAB III METODE PENGAMBILAN DAN PENGOLAHAN DATA SEISMOELEKTRIK 3.1 Metode Pengambilan Data Ada beberapa konfigurasi pengukuran yang digunakan dalam pengambilan data seismoelektrik di lapangan. Konfigurasi
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan ilmu pengetahuan dan teknologi berkembang dengan pesat, terutama bidang elektronika dan komputer yang diterapkan pada bidang medis. Kemajuan teknologi
Lebih terperinciBAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Model Penelitian Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1. Suara Burung Burung Kacer Burung Kenari Pengambil an
Lebih terperinciDAFTAR ISI. BAB I PENDAHULUAN 1.1 Latar Belakang Tujuan Penelitian Manfaat Penelitian... 4
DAFTAR ISI Halaman Judul... Halaman Pengesahan... Halaman Pernyataan... Halaman Pernyataan Publikasi... Kata Pengantar... Daftar Isi... Daftar Gambar... Daftar Tabel... Daftar Arti Lambang... Daftar Singkatan...
Lebih terperinciAPLIKASI SPECTRUM ANALYZER UNTUK MENGANALISA LOUDSPEAKER
APLIKASI SPECTRUM ANALYZER UNTUK MENGANALISA LOUDSPEAKER Leo Willyanto Santoso 1, Resmana Lim 2, Rony Sulistio 3 1, 3 Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Kristen Petra
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Dalam melakukan diagnosa terhadap sistem pernapasan seseorang, praktisi kesehatan atau dokter menggunakan suatu alat yang dinamakan stetoskop. Dengan stetoskop, praktisi
Lebih terperinciBAB 1 PENDAHULUAN. meruntuhkan bangunan-bangunan dan fasilitas umum lainnya.
BAB 1 PENDAHULUAN 1.1. Latar Belakang Gempa bumi merupakan fenomena alam yang sudah tidak asing lagi bagi kita semua, karena seringkali diberitakan adanya suatu wilayah dilanda gempa bumi, baik yang ringan
Lebih terperinciKata kunci Brain Computer Interface; Learning Vector Quantization; Sinyal EEG; Spektral Daya; Video Game. I. PENDAHULUAN
Aksi Game Berbasis Brain Computer Interface dengan Spektral Daya dan Learning Vector Quantization Aditya Setiawan Putra*, Esmeralda C. Djamal, Rezki Yuniarti Jurusan Informatika Fakultas MIPA Universitas
Lebih terperinciKOMPRESI CITRA MENGGUNAKAN COMPRESSED SENSING BERBASIS BLOK
KOMPRESI CITRA MENGGUNAKAN COMPRESSED SENSING BERBASIS BLOK Disusun Oleh : Ardyan Lawrence (1022068) Jurusan Teknik Elektro, Fakultas Teknik,, Jl. Prof. Drg. Suria Sumantri, MPH No.65, Bandung, Indonesia.
Lebih terperinciTRANSFORMASI MP-WAVELET TIPE B DAN APLIKASINYA PADA PEMAMPATAN CITRA
J. Math. and Its Appl. ISSN: 1829-605X Vol. 13 No. 1 Mei 2016 49-58 TRANSFORMASI MP-WAVELET TIPE B DAN APLIKASINYA PADA PEMAMPATAN CITRA Kistosil Fahim 1 Mahmud Yunus 2 Suharmadi 3 1 Jurusan Matematika
Lebih terperinciJURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA :38:54
Rekonstruksi Citra pada Super Resolusi menggunakan Projection onto Convex Sets (Image Reconstruction in Super Resolution using Projection onto Convex Sets) JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciTEKNIK PEMBUATAN DIGITAL AUDIO WATERMARKING DAN TEKNIK UNTUK MENDETEKSINYA
TEKNIK PEMBUATAN DIGITAL AUDIO WATERMARKING DAN TEKNIK UNTUK MENDETEKSINYA Teuku Reza Auliandra Isma Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung e-mail: reza.auliandra@gmail.com
Lebih terperinciPENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION
PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION Suhendry Effendy Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University
Lebih terperinciGambar 1 : Sistem Penempatan Elektoda [1]
Cara Kerja EEG Rekaman EEG umumnya melalui elektroda yang diletakkan di kulit kepala atau dapat juga ditanam intra kranial. Untuk meningkatkan kontak listrik antara elektroda dan kulit kepala digunakan
Lebih terperinciSeminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN:
Perintah Suara Berbahasa Indonesia untuk Membuka dan Menutup Aplikasi dalam Sistem Operasi Windows Menggunakan Metode Mel Frequency Cepstrum Coefficient dan Metode Backpropagation Zakaria Ramadhan 1, Sukmawati
Lebih terperinciIDENTIFIKASI SPEKTRUM FREKUENSI ISYARAT ELEKTROKARDIOGRAF MENGGUNAKAN JARINGAN SYARAF TIRUAN KOMPETISI PENUH
IDENTIFIKASI SPEKTRUM FREKUENSI ISYARAT ELEKTROKARDIOGRAF MENGGUNAKAN JARINGAN SYARAF TIRUAN KOMPETISI PENUH NAZRUL EFFENDY, ST., MT Staf Pengajar Jurusan Teknik Fisika, Fakultas Teknik Universitas Gadjah
Lebih terperinciJony Sitepu/ ABSTRAK
PERBANDINGAN ESTIMASI SELUBUNG SPEKTRAL DARI BUNYI VOICED MENGGUNAKAN METODE AUTO-REGRESSIVE (AR) DENGAN OPTIMIZATION OF THE LIKELIHOOD CRITERION (OLC) Jony Sitepu/0422166 Jurusan Teknik Elektro, Fakultas
Lebih terperinciPENGENALAN NADA SULING REKORDER MENGGUNAKAN FUNGSI JARAK CHEBYSHEV
PENGENALAN NADA SULING REKORDER MENGGUNAKAN FUNGSI JARAK CHEBYSHEV Marianus Hendra Wijaya 1), Linggo Sumarno 2) 1) Program Studi Teknik Elektro Fakultas Sains dan Teknologi Universtas Sanata Dharma Yogyakarta
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Konsep transformasi wavelet awalnya dikemukakan oleh Morlet dan Arens (1982), di bidang geofisika untuk menganalisis data seismik yang tidak stasioner,
Lebih terperinciIdentifikasi Neuropsikologis Terhadap Video Iklan Secara Real-Time Menggunakan Fast Fourier Transform dan Support Vector Machine
Identifikasi europsikologis Terhadap Video Iklan Secara Real-Time Menggunakan Fast Fourier Transform dan Support Vector Machine Reza Indrawan 1, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas
Lebih terperinciPENGOLAHAN SINYAL DIGITAL (PSD) Modul 1. Overview Digital Signal Processing
PENGOLAHAN SINYAL DIGITAL (PSD) Modul 1. Overview Digital Signal Processing Content What is Digital Signal Processing? Sejarah Perkembangan PSD Posisi Matakuliah PSD diantara mata kuliah lainnya Kelemahan
Lebih terperinciAnalisis Data Sekuensial Pada Condition Monitoring Untuk Meningkatkan Ketersediaan Sistem
SENATIK 2017 Seminar Nasional Teknologi Informasi & Komputer Analisis Data Sekuensial Pada Condition Monitoring Untuk Meningkatkan Ketersediaan Sistem Dr.Ing. SUDARNO, DEA Pamulang, 9 November 2017 STMIK
Lebih terperinciAnalisis Jarak Microphone Array dengan Teknik Pemrosesan Sinyal Fast Fourier Transform Beamforming
85 Analisis Jarak Microphone Array dengan Teknik Pemrosesan Sinyal Fast Fourier Transform Beamforming Moh Fausi, Agus Naba dan Djoko Santjojo Abstract The main problem in the application of the sound source
Lebih terperinciIDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK
IDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK Ade Fruandta dan Agus Buono Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor Jl. Meranti
Lebih terperinciBAB I PENDAHULUAN. darah. Penyakit Jantung (cardiovascular disease) adalah setiap kondisi yang
BAB I PENDAHULUAN A. Latar Belakang Masalah Jantung merupakan organ tubuh yang paling fungsional karena peranannya sebagai pemompa darah agar dapat mengalir ke seluruh tubuh melalui pembuluh darah. Penyakit
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masin-masing komponen perangkat.
Lebih terperinciAnalisa dan Sintesa Bunyi Dawai Pada Gitar Semi-Akustik
Analisa dan Sintesa Bunyi Dawai Pada Gitar Semi-Akustik Eko Rendra Saputra, Agus Purwanto, dan Sumarna Pusat Studi Getaran dan Bunyi, Jurdik Fisika, FMIPA, UNY ABSTRAK Penelitian ini bertujuan untuk menganalisa
Lebih terperinciDAFTAR ISI. i ABSTRACT. ii KATA PENGANTAR. viii DAFTAR GAMBAR
ABSTRAK Keberadaan noise dalam sinyal elektrokardiograf (EKG) dapat menyebabkan kesalahan interpretasi informasi jantung, yang pada akhirnya menyebabkan kesalahan pada penilaian kondisi jantung. Untuk
Lebih terperinciBAB I PENDAHULUAN. bahkan di Dunia. Penyakit jantung dapat dideteksi dengan alat elektrokardiograf
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penyakit jantung adalah penyebab kematian terbesar di Indonesia, bahkan di Dunia. Penyakit jantung dapat dideteksi dengan alat elektrokardiograf (EKG). Petugas
Lebih terperinciDeteksi Wajah Manusia pada Citra Menggunakan Dekomposisi Fourier
NATURALA Journal of Scientific Modeling & Computation, Volume 1 No.1 2013 14 ISSN 23030135 Deteksi Wajah Manusia pada Citra Menggunakan Dekomposisi Fourier Dewi Yanti Liliana 1, Muh. Arif Rahman 2, Solimun
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. 4.1 Spesifikasi Hardware dan Software yang digunakan dalam penelitian
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Hardware dan Software yang digunakan dalam penelitian Penelitian ini dilakukan dengan menggunakan satu set komputer dengan prosesor berkecepatan 1,18 GHz,
Lebih terperinciIdentifikasi Suara Serak Berbasis Transformasi Wavelet Dan Algoritma Jaringan Syaraf Tiruan
9 Identifikasi Suara Serak Berbasis Transformasi Wavelet Dan Algoritma Jaringan Syaraf Tiruan Luqman Hakim *, Achmad Arifin, Tri Arief Sardjono Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember
Lebih terperinciBAB I PENDAHULUAN. Maret hingga Agustus. Kondisi ini didukung oleh suhu rata-rata 21 0 C 36 0 C dan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Kota Dumai merupakan salah satu dari 12 Kabupaten/Kota di Provinsi Riau. Kota Dumai sangat dipengaruhi oleh iklim laut. Musim hujan jatuh pada bulan September hingga
Lebih terperinciDETEKSI SINYAL FLICKER MENGANDUNG NOISE BERBASIS HILBERT HUANG TRANSFORM
DETEKSI SINYAL FLICKER MENGANDUNG NOISE BERBASIS HILBERT HUANG TRANSFORM Mohammad Jasa Afroni 1), Oktriza Melfazen 2) 1),2), Jurusan Teknik Elektro,Fakultas Teknik Universitas Islam Malang Jl. MT Haryono
Lebih terperinciudara maupun benda padat. Manusia dapat berkomunikasi dengan manusia dari gagasan yang ingin disampaikan pada pendengar.
BAB II DASAR TEORI 2.1 Suara (Speaker) Suara adalah sinyal atau gelombang yang merambat dengan frekuensi dan amplitudo tertentu melalui media perantara yang dihantarkannya seperti media air, udara maupun
Lebih terperinciLAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM
LAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM Oleh : Saeful Anwar 2009-51-030 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT
Lebih terperinciBAB I PENDAHULUAN 1.1 LATAR BELAKANG
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Informasi tentang pemasangan iklan di suatu radio (antara lain mengenai, jam berapa suatu iklan ditayangkan, dalam sehari berapa kali suatu iklan ditayangkan dan berapa
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Berikut merupakan desain penelitian yang akan digunakan pada proses penelitian penerapan Hidden Markov Models : 40 Studi Literatur dan Kepustakaan Rumusan
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Manusia dianugrahi oleh Tuhan dua telinga yang memiliki fungsi untuk menangkap sinyal-sinyal suara. Namun untuk mengoptimalkan dari fungsi telinga tersebut manusia harus belajar
Lebih terperinciREALISASI ACTIVE NOISE REDUCTION MENGGUNAKAN ADAPTIVE FILTER DENGAN ALGORITMA LEAST MEAN SQUARE (LMS) BERBASIS MIKROKONTROLER LM3S6965 ABSTRAK
REALISASI ACTIVE NOISE REDUCTION MENGGUNAKAN ADAPTIVE FILTER DENGAN ALGORITMA LEAST MEAN SQUARE (LMS) BERBASIS MIKROKONTROLER LM3S6965 Nama : Wito Chandra NRP : 0822081 Jurusan Teknik Elektro, Fakultas
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION ABSTRAK Eka Putri Tambun (0722118) Jurusan Teknik Elektro Universitas Kristen
Lebih terperinciANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA
ISSN: 1693-6930 159 ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA Iwan Suhardi, Riana T. Mangesa Jurusan
Lebih terperinciSistem Pencari Lokasi Sumber Manusia Menggunakan Metode ITD
Sistem Pencari Lokasi Sumber Manusia Menggunakan Metode ITD M. Afridon 1, Khairudinsyah 2 Politeknik Negeri Bengkalis Jl. Bathin Alam Sei. Alam, (0766) 7008877 e-mail: mohd_afridon@yahoo.co.id Abstrak
Lebih terperinciBAB I PENDAHULUAN. waktu adalah suatu deret observasi yang berurut dalam waktu. Analisis data
BAB I PENDAHULUAN 1.1. Latar Belakang Analisis time series (runtun waktu) banyak digunakan dalam berbagai bidang, misalnya ekonomi, teknik, geofisik, pertanian dan kedokteran. Runtun waktu adalah suatu
Lebih terperinciKOMPRESI SINYAL SUARA DENGAN MENGGUNAKAN STANDAR MPEG-4
KOMPRESI SINYAL SUARA DENGAN MENGGUNAKAN STANDAR MPEG-4 Disusun Oleh : Nama : Michael Darmawan Nrp : 0322130 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof.Drg.Suria Sumantri,
Lebih terperinciDESAIN DAN IMPLEMENTASI SISTEM PENINGKATAN KUALITAS PEREKAMAN AUDIO DENGAN WAVELET NOISE REDUCTION DAN AUTOMATIC GAIN ADJUSTMENT
DESAIN DAN IMPLEMENTASI SISTEM PENINGKATAN KUALITAS PEREKAMAN AUDIO DENGAN WAVELET NOISE REDUCTION DAN AUTOMATIC GAIN ADJUSTMENT Mayo Ama Kella Loing, Koredianto Usman, Rita Magdalena Institut Teknologi
Lebih terperinci