KLASIFIKASI SINYAL EEG MENGGUNAKAN KOEFISIEN AUTOREGRESIF, F SCORE, DAN LEAST SQUARES SUPPORT VECTOR MACHINE

Transkripsi

1 Jurnal TIF, Vol. No., Juli 0 KLASIFIKASI SINYAL EEG MENGGUNAKAN KOEFISIEN AUTOREGRESIF, F SCORE, DAN LEAST SQUARES SUPPORT VECTOR MACHINE Moch. Anang Karyawan, Agus Zainal Arifin dan Ahmad Saikhu 3,, 3 Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember, Surabaya, 60 moch_anang_k@yahoo.com ABSTRAK Elektroensefalografi (EEG) banyak digunakan untuk penelitian fungsi otak dan gangguan neurologis. Analisis secara visual tidak mungkin dilakukan secara rutin, sehingga sistem komputer telah diusulkan. Analisis sinyal EEG yang telah dikembangkan adalah menggunakan koefisien Autoregresif (AR) dan Least Square Support Vector Machine (LS SVM). Tiga masalah pada SVM yaitu; bagaimana memilih fungsi kernel, berapa jumlah fitur input yang optimal, dan bagaimana menentukan parameter kernel terbaik. Jumlah fitur dan nilai parameter kernel saling mempengaruhi, sehingga seleksi fitur diperlukan dalam membangun sistem klasifikasi. Pada penelitian ini diajukan metode klasifikasi sinyal EEG menggunakan koefisien AR, F Score, dan LS SVM. Koefisien AR diperoleh dari hasil proses ekstraksi fitur sinyal EEG menggunakan Burg AR. Fitur fitur hasil ekstraksi tersebut diseleksi dengan F Score. F Score diperoleh dengan menghitung nilai diskriminan fitur fitur dari dua kelas pada data training. Nilai F Score masing masing fitur diurutkan secara descending dan hasilnya digunakan untuk membuat kombinasi fitur. Kombinasi fitur tersebut digunakan sebagai input LS SVM. Berdasarkan hasil uji coba, metode yang diusulkan tersebut mampu meningkatkan rata rata hasil akurasi klasifikasi sinyal EEG sebesar 0,07% dari 99,57% menjadi 99,64%. Kata kunci : Sinyal EEG, Burg Autoregresive, Least Square Support Vector Machine, Features Selection ABSTRACT Electroencephalogram (EEG) is widely used to study brain function and neurological disorders. Visual analysis may not be done routinely, so that the computer system has been proposed. The autoregressive (AR) coefficient and the Least Square Support Vector Machine (LS SVM) has been used to analyze EEG signal. Three problems in the SVM, namely: how to choose a kernel function, how the optimal number of input features, and how to determine the best kernel parameters. The number of features and the value of required kernel parameters influence each other, so that feature selection is needed in building a classification system. In this study we propose a method of classification of EEG signals using AR coefficients, F Score, and LS SVM. AR coefficients obtained from the EEG signal feature extraction process using the Burg AR. The extracted features are selected with F Score. F Score is obtained by calculating the discriminant value of the features in the two classes of training data. F Score values of each feature are sorted in descending order and the results is used to make the combination of features. The combination of these features are used as input to LS SVM. Based on the results experiment, the proposed method was able to increase the average results of the EEG signal classification accuracy rate of 0.07% from 99.57% to 99.64%. Keyword : EEG Signal, Burg Autoregresive, Least Square Support Vector Machine, Features Selection PENDAHULUAN Aktivitas pada otak manusia menunjukkan berbagai pola aktivasi baik dalam kondisi normal maupun abnormal. Kondisi normal mencakup kondisi fisik (seperti tidur, terjaga, dan bekerja) dan kondisi mental (seperti ketenangan, kebahagiaan, dan kemarahan). Kondisi abnormal terutama diamati pada gangguan neurologis dan ketidak

2 Moch. Anang Karyawan, Klasifikasi Sinyal EEG Menggunakan Koefisien AR, F Score, dan LS SVM seimbangan akibat pengaruh obat obatan, termasuk kejang pada epilepsi dan demensia []. Penelitian aktivitas otak memerlukan citra fungsional yang dihasilkan dari pengukuran sinyal otak dengan electroencephalogram (EEG), Magneto Enchepalography (MEG), dan functional Magnetic Resonance Imaging (fmri). Pengukuran sinyal otak dengan EEG adalah salah satu teknik yang relatif paling murah dibandingkan dengan MEG dan fmri. EEG mempunyai resolusi temporal yang tinggi dan cepat merespon segala perubahan aktivitas otak dibandingkan dengan MEG dan fmri [], sehingga penelitian sinyal EEG berkembang cepat. Perkembangan yang cepat ini karena EEG bersifat noninvasif dan merupakan alat diagnostik yang praktis untuk penelitian berbagai kondisi otak, terutama kondisi abnormal pada kasus gangguan neurologis. Popularitas EEG karena dua kelebihan utama: ) biaya tenaga ahli khusus dan peralatan yang digunakan rendah, dan ) kenyamanan yang dirasakan oleh pasien []. Sinyal EEG merupakan sinyal yang sangat kompleks dan menjadi sumber informasi utama untuk penelitian fungsi otak dan gangguan neurologis. Epilepsi adalah gangguan neurologis yang mempengaruhi lebih dari 50 juta orang di seluruh dunia. Epilepsi dianggap sebagai gangguan neurologis kedua yang paling umum setelah stroke. Epilepsi ditandai dengan kelebihan jumlah listrik yang keluar dari sel sel otak, yang bisa menyebabkan kejang dan gerakan abnormal. Teknik pencitraan seperti MRI dapat digunakan untuk mendiagnosis gangguan struktural otak, tapi EEG telah menjadi prosedur rutin untuk memeriksa fungsi otak pada epilepsi [3]. Sinyal EEG pada serangan epilepsi memiliki pola karakteristik yang memungkinkan profesional kesehatan untuk membedakannya dari kondisi normal (nonseizure). Tetapi, analisis secara visual tidak mungkin dilakukan secara rutin, karena sinyal EEG yang dihasilkan dari sistem monitoring EEG sangat besar dan cukup memakan waktu [4]. Masalah yang lain yang muncul adalah kurangnya perbedaan yang jelas pada sinyal EEG antara serangan epilepsi dan nonepilepsi. Beberapa teknik deteksi otomatis telah diuji coba untuk mempercepat dan meningkatkan akurasi identifikasi bentuk gelombang EEG patologis yang dihubungkan dengan serangan epilepsi, dan diusulkan untuk mendeteksi lonjakan dalam EEG untuk memprediksi kejadian epilepsi [3]. Pang dkk. 003, membandingkan kinerja classifier berbasis jaringan saraf tiruan (JST) dan menyimpulkan bahwa antara JST yang dilatih dengan fitur yang dipilih menggunakan algoritma seleksi fitur dan sinyal EEG asli dapat menghasilkan akurasi yang sama, dan berkisar dari 8,83% sampai dengan 86,6%. Bigan, 998, menggunakan teknik wavelet untuk mengekstraksi fitur dari sinyal EEG untuk mengembangkan suatu sistem analisis otomatis dan identifikasi serangan epilepsi. Karakteristik EEG epilepsi menunjukkkan jumlah perubahan frekuensi yang lebih banyak dari EEG nonepilepsi. Jaringan saraf dengan multilayer perceptron digunakan untuk proses analisisnya [3]. Nigam dan Graupe, 004 menggunakan multistage nonlinear preprocessing filter yang digabungkan dengan artificial neural network (ANN) untuk deteksi otomatis serangan epilepsi pada sinyal EEG. Güler dkk., 005 menggunakan recurrent neural networks (RNNs) dan ekstraksi fitur Lyapunov yang di training dengan algoritma Levenberg Marquardt. Übeyli, 006 menggunakan multilayer perceptron neural network (MLPNN). Übeyli, 00 menggunakan Least Square Support Vector Machine (LS SVM) dan koefisien Autoregressive (AR). Data sinyal EEG yang digunakan adalah data sinyal EEG set A dan set E [4]. Sinyal EEG set A adalah sinyal EEG yang direkam dari sukarelawan sehat dengan mata terbuka. Sinyal EEG set E adalah sinyal EEG yang direkam dari penderita epilepsi saat terjadi serangan [5] ( bonn.de/cms/front_content.php?i dcat=93&lang=3&changelang=3). Proses ekstraksi fitur menggunakan analisis spektral Burg Autoregressive (Burg AR). Sebelas dari dua belas fitur hasil ekstraksi digunakan sebagai fitur input LS SVM. Tingkat akurasi yang dihasilkan adalah 99,56% [4]. Seleksi fitur adalah salah teknik terpenting dan sering digunakan dalam pre processing aplikasi machine learning. Seleksi fitur adalah proses memilih subset dari fitur asli sehingga jumlah fitur berkurang secara opti

3 Jurnal TIF, Vol. No., Juli 0 mal sesuai dengan kriteria yang ditentukan. Teknik ini terbukti efektif mengurangi fiturfitur yang tidak relevan dan berlebihan, meningkatkan efisiensi dalam proses learning, dan meningkatkan kinerja learning seperti akurasi prediksi. Data dimensi tinggi dapat berisi banyak sekali informasi yang tidak relevan dan berlebihan yang sangat mungkin menurunkan kinerja dari algoritma learning. Oleh karena itu, seleksi fitur menjadi sangat diperlukan oleh aplikasi machine learning ketika menghadapi data dengan dimensi yang tinggi [6]. Chen & Lin, 005 mengusulkan metode kombinasi seleksi fitur dengan SVM [7]. Salah satu metode seleksi fitur yang diusulkan adalah F Score. F Score adalah sebuah teknik sederhana untuk menghitung diskriminan dari dua himpunan bilangan real [7]. Kombinasi metode SVM dan F Score digunakan untuk mendiagnosis penyakit kanker payudara dan menghasilkan tingkat akurasi yang lebih baik dari LS SVM [8]. Polat dan Gunes mengusulkan seleksi fitur yang disebut kernel F Score feature selection (KFFS). KFFS terdiri dari dua tahap, pertama fitur input ditransformasikan ke ruang kernel dengan fungsi kernel, kedua nilai F Score dalam ruang dimensi tinggi dihitung menggunakan rumus F score sehingga mean F score dihasilkan. Hanya fitur dengan F score lebih besar dari mean F score yang dipilih [9]. Jumlah fitur yang optimal adalah salah satu dari tiga masalah yang muncul pada SVM. Tiga masalah pada SVM termasuk juga LS SVM adalah: bagaimana memilih fungsi kernel, dan menentukan berapa jumlah fitur input yang optimal, dan bagaimana menentukan parameter kernel terbaik. Masalahmasalah tersebut penting karena jumlah fitur dan nilai parameter kernel yang diperlukan saling mempengaruhi. Dengan demikian, seleksi fitur diperlukan dalam membangun sistem klasifikasi, karena dengan pembatasan/ pengurangan jumlah fitur input dalam classifier maka akan mengurangi kompleksitas komputasi [8]. Pada penelitian ini diajukan metode kombinasi seleksi fitur dengan F Score, analisis spektral Burg AR, dan LS SVM untuk mengklasifikasikan sinyal EEG set A dan set E. Metode kombinasi seleksi fitur menggunakan F Score. Penambahan metode kombinasi seleksi fitur tersebut diharapkan mampu meningkatkan hasil akurasi dan mendapatkan kombinasi fitur dengan akurasi terbaik di antara kombinasi fitur yang ada. TINJAUAN PUSTAKA Sinyal EEG Elektroensefalografi (EEG) adalah metode yang digunakan dalam mengukur aktivitas listrik spontan dari otak yang diperoleh dengan menembakkan sinyal listrik ke neuron dalam otak [0]. Proses perekamam sinyal EEG dilakukan dalam waktu singkat, biasanya selama 0 40 menit. Rekaman diperoleh dengan menempatkan elektroda pada berbagai posisi pada kulit kepala []. Terdapat dua pendekatan untuk mendapatkan sinyal EEG yaitu pendekatan invasif dan non invasif [0]. Pendekatn noninvasif dapat diterapkan berulang ulang untuk pasien, orang dewasa normal, dan anak anak dengan hampir tidak ada risiko atau pembatasan [], sehingga hampir semua rekaman EEG dewasa ini dilakukan secara non invasif [0]. Data Sinyal EEG Data sinyal EEG digital dapat diperoleh dari database yang tersedia di Universitas Bonn yang tersedia secara online dan dibuat oleh Dr. Ralph Andrzejak dari Pusat Epilepsi di Universitas Bonn, Jerman ( logie bonn.de/cms/front_content.php?idcat= 93&lang=3&changelang=3). Selain itu data sinyal EEG dalam bentuk digital dapat diperoleh di /publicly_available_eeg_data.html [5]. Data sinyal EEG dari Universitas Bonn terdiri atas lima kelas dataset yaitu A, B, C, D, dan E. Tiap dataset berisi 00 segmen EEG saluran tunggal dengan durasi selama 3.6 detik. Setiap segmen dipilih dan dipotong dari rekaman EEG multichannel secara kontinyu setelah inspeksi artefak secara visual, misalnya gerakan mata atau aktivitas otot. Set A dan B adalah sinyal yang diambil dari rekaman EEG yang dilakukan pada lima sukarelawan sehat dengan skema penempatan elektroda standar (International 0 0 system). Relawan dalam kondisi santai dan terjaga dengan mata terbuka (untuk set A) 3

4 Moch. Anang Karyawan, Klasifikasi Sinyal EEG Menggunakan Koefisien AR, F Score, dan LS SVM dan mata tertutup (untuk set B). Set C E berasal dari arsip EEG diagnosis presurgical. EEG dari lima pasien dipilih, dan semua telah mencapai kontrol kejang yang lengkap, setelah reseksi dari salah satu formasi hippocampal, sehingga didiagnosis dengan benar masuk zona epileptogenic. Sinyal set D direkam saat zona epileptogenic, dan berada pada interval tanpa kejang dan set C berasal dari pembentukan hippocampus pada belahan yang berlawanan dari otak. Sementara set C dan D berisi aktivitas yang hanya diukur selama interval tanpa kejang, sedangkan set E hanya berisi aktivitas kejang. Data set A dan set E tersebut yang digunakan dalam penelitian ini. Sesuai dengan referensi yang ada, semua sinyal EEG direkam dengan sistem amplifier dengan kanal 8. Digitalisasi data dengan frekuensi 73,6 sampel per detik menggunakan A/D converter bit. Band pass filter diatur pada 0,53 40 Hz ( db / oct) [5]. Masing masing data sinyal EEG digital tersebut terdiri atas 4097 data diskrit. Plot potongan sinyal EEG set A dan set E yang digunakan dalam penelitian ini dalam bentuk gelombang ditunjukkan Gambar. Model Autoregresif Model autoregresif adalah salah satu dari kelompok formula prediksi linier yang mencoba untuk memprediksi output dari suatu sistem berdasarkan input dan output sebelumnya. Model yang hanya bergantung pada output sistem sebelumnya disebut model autoregressive (AR), sementara model yang hanya bergantung pada masukan sistem disebut model moving average (MA), dan model yang bergantung pada input dan output disebut model autoregressive movingaverage (ARMA). Sesuai dengan arti autoregresif, model ini melakukan proses regresi pada dirinya sendiri. Model autoregresif orde p (AR (p)), didefinisikan dengan persamaan: Y(t) = β0 + βy(t ) βpy(t p) + et, () di mana: Y = variabel dependen Yt, Yt p = kelambanan (lag) dari Y еt = residual (kesalahan pengganggu) p = orde (tingkat) AR μ V μ V Plot of EEG Signal (Set-A) Samples (a) Plot of EEG Signal (Set-E) Samples (b) Gambar. Bentuk Gelombang Potongan Sinyal EEG dengan Panjang 56 untuk Set A (a) dan Set E (b) Terdapat tiga metode estimasi parameter/koefisien autoregresif dari sampel data yaitu pendekatan least squares (LS), Yule Walker (YW) dan Burg (Burg). Metode Burg adalah pendekatan estimasi parameter yang saat ini dianggap sebagai yang paling tepat. Berbeda dengan metode least squares dan Yule Walker, yang memperkirakan parameter autoregresif langsung, metode Burg terlebih dahulu memperkirakan koefisien refleksi, yang didefinisikan sebagai estimasi parameter autoregresif terakhir untuk masing masing model orde p. Dengan demikian, estimasi parameter ditentukan menggunakan algoritma Levinson Durbin. Koefisien refleksi merupakan estimasi bias dari koefisien korelasi parsial []. Metode Burg Autoregresif Metode Burg adalah dikembangkan dari estimasi spektrum yangdikenal sebagai maximum entropy method (metode entropi maksimum). Bagian dari metode ini adalah 4

5 Jurnal TIF, Vol. No., Juli 0 koefisien refleksi dihitung secara berurutan dengan meminimalkan mean squares error (MSE) prediksi maju dan mun dur [3]. F Score F score adalah teknik sederhana yang mengukur diskriminan dua himpunan bilangan real. Pada vektor training xk, dengan k =,,..., m, jika jumlah kasus positif dan negatif adalah n+ dan n, maka F score masing masing fitur i didefinisikan sebagai : ( + ) ( ) ( xi xi ) + ( xi xi ) Fi = n+ n ( + ) ( + ) ( ) ( ) ( xk, i xi ) + ( xk, i xi ) n n + k = + k =, () di mana xi, xi (+), xi ( ) adalah rata rata dari fitur ke i keseluruhan, dataset positif, dan negatif, xk,i (+) adalah fitur ke i dari kasus positif ke k, dan xk,i ( ) adalah fitur ke i dari kasus negatif ke k. Pembilang menunjukkan diskriminasi antara himpunan positif dan negatif, dan penyebut menunjukkan fitur fitur dalam dua himpunan. Semakin besar F score, kemungkinan fitur lebih diskriminatif semakin besar pula [7]. Support Vector Machines (SVM) SVM yang diusulkan oleh Vapnik [4] telah dipelajari secara ekstensif untuk klasifikasi, regresi dan estimasi kepadatan. Gambar adalah arsitektur SVM. SVM memetakan pola input ke ruang fitur dimensi yang lebih tinggi melalui pemetaan nonlinier berdasar teori yang dipilih. Bidang pemisah linier ini kemudian dibangun dalam ruang fitur dimensi tinggi. Dengan demikian, SVM adalah linear classifier di ruang parameter, tapi itu menjadi nonlinear classifier sebagai akibat dari pemetaan nonlinear dari ruang pola input ke ruang fitur dimensi tinggi. Bila data pelatihan berdimensi m adalah xi (i =,..., M) dan masing masing kelas labelnya adalah yi, di mana yi = dan yi = untuk kelas dan. Jika data input terpisah secara linier di ruang fitur, maka fungsi keputusan dapat ditentukan: D(x) = w t g(x) + b, (3) di mana g(x) adalah fungsi pemetaan yang memetakan x ke dalam ruang dimensi, w adalah vektor dimensi dan, dan b adalah Gambar. Arsitektur SVM skalar. Untuk memisahkan data secara linier, fungsi keputusan memenuhi kondisi berikut: yi(w t g(xi) + b) > untuk i =,..., M. (4) Jika masalah terpisah secara linier dalam ruang fitur, maka fungsi keputusan yang memenuhi persamaan (4) jumlahnya tak terbatas. Di antara fungsi fungsi tersebut, diperlukan hyperplane dengan margin terbesar antara dua kelas. Margin adalah jarak minimum yang memisahkan hyperplane terhadap data input dan ini dihasilkan dari D(x) / w. Sehingga didapatkan hyperplane pemisah dengan margin maksimal yang optimal memisahkan hyperplane. Dengan asumsi bahwa margin adalah ρ, kondisi berikut harus memenuhi: yi D( xi ) ρ untuk i =,..., M. (5) w Hasil perkalian produk dari ρ dan w adalah tetap: ρ w =. (6) Untuk mendapatkan hyperplane pemisah yang optimal dengan margin maksimal, w dengan w yang memenuhi persamaan (5) harus ditemukan. Persamaan (6) mengarahkan ke pemecahan masalah optimasi berikutnya. Dengan meminimalkan w t w, (7) dan mengikuti batasan: yi(w t g(xi) + b) > untuk i =,..., M. (8) Bila data pelatihan tidak linier dipisahkan, digunakan slack variable ξi ke persamaan (8): yi(w t g(xi) + b) > ξi, ξi > 0, untuk i =,..., M. (9) Hyperplane pemisah yang optimal telah ditentukan sehingga maksimalisasi dari 5

6 Moch. Anang Karyawan, Klasifikasi Sinyal EEG Menggunakan Koefisien AR, F Score, dan LS SVM margin dan meminimalisasi dari kesalahan training didapatkan. Dengan meminimalkan n t C ρ w w + ξ, (0) i i= mengikuti batasan: yi(w t g(xi) + b) > ξi, ξi > 0 untuk i =,..., M, () di mana C adalah parameter yang menentukan tradeoff antara margin maksimum dan kesalahan klasifikasi minimum, dan ρ adalah atau. Jika ρ =, SVM disebut SVM dengan soft margin L (L SVM), dan jika ρ =, SVM dengan soft margin L (L SVM). Pada SVM konvensional, hyperplane pemisah yang optimal diperoleh dengan memecahkan masalah pemrograman kuadratik. Fungsi kernel memungkinkan operasi yang akan dilakukan di ruang input bukan di ruang fitur dimensi tinggi. Beberapa contoh fungsi kernel adalah K(u, v) = v T u (SVM linier); K(u, v) = (v T u + ) n (SVM polinomial derajat n); K(u, v) = exp( u v / σ ) (SVM fungsi radial bases SVM RBF); K(u, v) = tanh(kv T y + ο) (neural SVM dua layer) di mana σ, ĸ, ο adalah konstanta [4, 5]. Namun, fungsi kernel yang tepat untuk suatu masalah tertentu tergantung pada data, dan sampai saat ini belum ada metode yang dianggap terbaik tentang cara memilih fungsi kernel. Least Squares Support Vectors Machine (LS SVM) Least Squares Support Vectors Machine (LS SVM) adalah salah satu modifikasi dari SVM [6]. Jika SVM dikarakteristik oleh permasalahan konveks quadratic programming dengan pembatas berupa pertidaksamaan, LS SVM sebaliknya, diformulasikan menggunakan pembatas yang hanya berupa persamaan. Sehingga solusi LS SVM dihasilkan dengan menyelesaikan persamaan linier. Hal ini tentulah berbeda dengan SVM yang mana solusinya dihasilkan melalui penyelesaian quadratic programming. Saat ini, LS SVM banyak dilakukan pada klasifikasi dan estimasi fungsi [6]. LS SVM di training dengan meminimalkan n t C w w + ξ, () i i= dan mengikuti batasan persamaan: yi(w t g(xi) + b) > ξi, ξi > 0 untuk i =,..., M. (3) Pada LS SVM, batasan persamaan digunakan sebagai pengganti pertidaksamaan yang digunakan pada SVM konvensional. Karena itu, solusi yang optimal dapat diperoleh dengan menyelesaikan sekumpulan persamaan linier bukan dengan penyelesaian quadratic programming. Untuk menurunkan dua masalah persamaan () dan (3) digunakan Lagrange multiplier, yaitu : Q( w, b, α, ξ ) =, n n t C t w w + ξ i α i{ yi ( w g( xi ) + b) + ξ i} i= i= (4) di mana α = (α,..., αm) t adalah Lagrange multiplier yang bisa bernilai positif atau negatif pada rumus LS SVM. Kondisi yang optimum diperoleh dengan mendifferensialkan persamaan di atas terhadap w, ξi, b, dan αi dan persamaan dihasilkan sama dengan nol [6, 7]. Seperti pada SVM konvensional, fungsi kernel memungkinkan operasi yang akan dilakukan di ruang input bukan di ruang fitur dimensi tinggi. Beberapa penelitian menggunakan LS SVM dan fungsi kernel RBF (LS SVM RBF) secara empiris menghasilkan hasil yang optimal [4, 9, 6, 8]. Untuk masalah klasifikasi dua spiral yang kompleks dapat ditemukan dengan LS SVM RBF dengan kinerja yang sangat baik dan komputasi rendah [6]. METODE PENELITIAN Tahapan dalam metodologi penelitian terdiri atas tiga, yaitu ekstraksi fitur data sinyal EEG, seleksi fitur dengan F Score, dan klasifikasi kombinasi fitur dengan LS SVM. Ekstraksi Fitur Data Sinyal EEG Ekstraksi fitur adalah salah satu tahap yang penting pada sistem pengenalan pola. Ekstraksi fitur tidak dilakukan pada data sinyal EEG secara langsung, tetapi dilakukan melalui dua tahap. Tahap pertama adalah memecah data menjadi segmen segmen dengan ukuran 56 data dari dua dataset sinyal EEG set A dan set E yang masing masing terdiri atas 00 buah segmen. Tiap segmen berisi 4097 buah data diskrit yang kemudian 6

7 Jurnal TIF, Vol. No., Juli 0 dilakukan windowing (pemotongan) dengan panjang 56, seperti yang dilakukan oleh Übeyli [4], didapatkan segmen data yang lebih kecil sebanyak 4097/56 = 6 segmen. Jumlah segmen data keseluruhan yang diperoleh dari pemotongan sinyal EEG set A dan E adalah x 00 x 6 = 300 segmen data. Tahap kedua adalah melakukan proses ekstraksi fitur pada potongan segmen data tersebut menggunakan Burg AR orde 0. Proses ekstraksi fitur dengan Burg AR orde 0 menghasilkan koefisien AR, dan residual (noise). Dua belas koefisien AR tersebut selanjutnya disebut sebagai fitur hasil ekstraksi. Koefisien AR yang pertama tidak digunakan karena nilainya selalu, sehingga jumlah fitur yang digunakan adalah. Jadi jumlah data yang digunakan adalah 300 yang terdiri atas fitur. Data hasil ekstraksi fitur tersebut dibagi secara random untuk training dan testing menggunakan metode cross validation dengan prosorsi 50% data training dan 50% data testing. Pemilihan data training dan testing dilakukan baik untuk uji coba penentuan parameter LSV RBF maupun untuk uji coba dengan kombinasi seleksi fitur. Seleksi Fitur Seleksi fitur adalah tahap kedua dari metode penelitian. Proses seleksi fitur inilah yang membedakan penelitian ini dengan penelitian Übeyli [4]. Proses seleksi fitur dilakukan dengan menghitung nilai F Score dari data training. Perhitungan nilai F Score dari data training tersebut berbeda dengan metode yang kombinasi seleksi fitur yang diusulkan oleh Chen & Lin [7]. Pada metode Chen & Lin, perhitungan F Score dilakukan baik data training maupun testing, sehingga kombinasi seleksi fitur yang dihasilkan dari beberapa uji coba adalah sama. Sedangkan pada penelitian ini kemungkinan akan didapatkan kombinasi yang berbeda dari tiap uji coba yang dilakukan. Perhitungan nilai F Score menggunakan rumus (). Nilai F Score tersebut diurutkan secara descending untuk membuat kombinasi fitur yang akan digunakan baik untuk training maupun testing. Kombinasi fitur pertama dibuat dari fitur dengan nilai F Score terbesar. Kombinasi fitur kedua dibuat dari fitur dengan nilai F Score terbesar pertama dan terbesar kedua, dan seterusnya sehingga didapatkan sebelas macam kombinasi fitur. Sebagai contoh, misal hasil pengurutan secara descending untuk F Score dari data training adalah Fitur 4 (F4), Fitur (F), Fitur 3 (F3), Fitur 7 (F7), Fitur 5 (F5), Fitur 0 (F0), Fitur 8 (F8), Fitur (F), Fitur (F), Fitur 6 (F6), dan Fitur 9 (F9). Urutan tersebut dapat ditulis (F4, F, F3, F7, F5, F0, F8, F, F, F6, F9). Berdasarkan hasil pengurutan tersebut dapat dibuat kombinasi fitur yaitu F4, F4F, F4FF3, F4FF3F7,..., F4FF3F7F5F0F8FFF6F9. Sebelas macam kombinasi tersebut menjadi input pada LS SVM dengan RBF kernel (LS SVM RBF). Kombinasi fitur model # digunakan sebagai input pada LS SVM RBF baik untuk proses training mapun testing. Proses training mapun testing tersebut kemudian diulang lagi untuk kombinasi fitur model #, #3, #4, dan seterusnya sampai dengan model #. Kombinasi fitur model #, yaitu F4FF3F7F5F0F8FFF6F9 merupakan kombinasi input LS SVM pada penelitian Übeyli [4]. Jadi hasil proses klasifikasi pada model kombinasi # merupakan representasi hasil klasifikasi untuk penelitian Übeyli. Klasifikasi Kombinasi Fitur dengan LS SVM Tahap ketiga dari metode penelitian adalah melakukan klasifikasi kombinasi fitur dengan LS SVM RBF. LS SVM RBF juga digunakan pada penelitian Übeyli [4]. Data training untuk masing masing kombinasi fitur yang dihasilkan di training dengan LS SVM RBF. Proses training dilakukan dengan nilai parameter LS SVM RBF (γ dan σ ) yang ditentukan secara trial and error melalui uji coba penentuan parameter percobaan. γ adalah adalah parameter regulerisasi, yang menentukan trade off antara margin maksimum dan kesalahan klasifikasi minimum. Pada beberapa penelitian lain nilai γ disebut sebagai C penalty [4, 8]. Sedangkan σ adalah bandwidth untuk fungsi kernel RBF. Penentuan nilai awal dan akhir parameter γ dan σ secara trial and error dengan merujuk pada nilai yang terdapat pada manual toolbox Matlab LS SVMlab.5 [9, 0]. Nilai parameter γ dan σ yang dipilih untuk proses training tiap kombinasi fitur adalah yang menghasilkan akurasi tertinggi dan waktu 7

8 Moch. Anang Karyawan, Klasifikasi Sinyal EEG Menggunakan Koefisien AR, F Score, dan LS SVM komputasi terendah. Hasil training dari masing masing kombinasi fitur pada classifer LS SVM RBF digunakan untuk menguji kombinasi fitur data testing. Hasil prediksi class label tersebut dibandingkan dengan class label sebenarnya, sehingga penelitian ini termasuk supervised learning. Pengujian dilakukan dengan nilai parameter γ dan σ yang sama dengan saat training. Parameter Percobaan Nilai parameter γ ditentukan pada variasi antara sampai dengan 0, dengan interval. Nilai σ ditentukan pada variasi antara,0 sampai dengan,0 dengan interval 0,. Penentuan parameter ini menggunakan seluruh fitur hasil ekstraksi dengan pembagian data 50% untuk training dan 50% untuk testing menggunakan metode cross valudation. Tingkat akurasi dan waktu komputasi yang dihasilkan dari gabungan nilai γ dan σ tersebut disimpan dalam bentuk tabel (matriks). Tingkat akurasi adalah perbandingan jumlah class label yang benar hasil prediksi dibandingkan dengan jumlah class label sesungguhnya. Sedangkan waktu komputasi adalah waktu yang diperlukan untuk proses training dan testing. Data nilai γ, σ, tingkat akurasi dan waktu komputasi tersebut kemudian diurutkan secara descending berdasarkan tingkat akurasi, dan ascending berdasarkan waktu komputasi. Gabungan nilai γ dan σ yang menghasilkan tingkat akurasi tertinggi dan membutuhkan waktu komputasi terendah akan digunakan dalam uji coba. Uji Coba Uji coba klasifikasi dari kombinasi seleksi fitur dilakukan sebanyak sepuluh kali. Beberapa penelitian tidak menyebutkan secara eksplisit jumlah uji coba yang dilakukan, tetapi hanya menampilkan hasil terbaik dari uji coba yang telah dilakukan [4, 8]. Uji coba dimulai dengan pemilihan data training dan testing mengunakan metode cross validation sebanyak sepuluh kali. Selanjutnya adalah seleksi fitur dengan F Score dilakukan sebanyak sepuluh kali. Lalu dilakukan proses training dan testing dari kombinasi seleksi fitur F Score dengan LS SVM RBF. Data yang dihasilkan selama Tabel. Aktual Positif Negatif Matriks Konfusi Positif True Positive (TP) False Positive (TP) Prediksi Negatif False Negative (FN) True Negative (TN) proses uji coba adalah tingkat akurasi, sensitivitas, spesifitas, waktu komputasi, dan kombinasi fitur. Evaluasi Evaluasi dilakukan dengan tujuan untuk mengevaluasi efektivitas metode dan sistem yang telah dibuat. Ukuran atau parameter yang digunakan untuk evaluasi antara lain akurasi klasifikasi, sensitivitas, spesifisitas, nilai prediksi positif, nilai prediksi negatif, kurva ROC dan matriks konfusi (confusion matrix). Matriks konfusi berisi informasi tentang klasifikasi yang sebenarnya dan yang diperkirakan dari hasil sistem klasifikasi. Tabel adalah matriks konfusi untuk dua kelas klasifikasi. Akurasi klasifikasi, sensitivitas, spesifisitas, nilai prediksi positif dan nilai prediksi negatif dapat didefinisikan menggunakan elemen elemen matriks konfusi sebagai berikut: Akurasi (%) = TP + TN, TP + FP + FN + TN Sensitivitas (%) = TP, TP + FN Spesifisitas (%) = TN, FP + TN Nilai prediksi positif = TP 00, TP + FP Nilai prediksi negatif = TN 00. FN + TN Kurva ROC adalah teknik yang dapat diandalkan karena didasarkan pada nilainilai true positive dan false positive sehingga menunjukkan trade off antara sensitivitas dan spesifisitas [8]. HASIL DAN PEMBAHASAN Implementasi dilakukan menggunakan Matlab (R007a) yang dilengkapi toolbox LS SVMlab.5 [9, 0]. Ekstraksi Fitur Proses ekstraksi fitur dilakukan terhadap 300 segmen data sinyal EEG set A 8

9 Jurnal TIF, Vol. No., Juli 0 dan set E. Proses ekstraksi fitur pada masing masing segmen data menggunakan Burg AR orde 0. Contoh hasil ekstraksi fitur untuk sinyal EEG set A dapat dilihat pada Tabel dan set E pada Tabel 3. Rekapitulasi statistik koefisien AR dapat dilihat pada Tabel 4. Seleksi Fitur Seleksi fitur dilakukan dengan menghitung nilai F Score dari data training. Contoh hasil perhitungan nilai F Score dapat dilihat pada Tabel 5. Berdasarkan tabel F Score yang sudah diurutkan tersebut dibuat kombinasi fitur seperti terlihat pada Tabel 6. Uji Coba Penentuan Parameter LS SVM RBF Data hasil uji coba penentuan parameter LS SVM berisi data akurasi dan waktu komputasi. Data tersebut kemudian diurutkan berdasarkan tingkat akurasi secara descending dan waktu komputasi secara ascending. Lima besar data hasil uji coba yang sudah diurutkan dapat dilihat pada Tabel 7. Tingkat akurasi tertinggi dan waktu komputasi terendah diperoleh dengan nilai γ = 3 dan nilai σ =. Nilai γ dan σ tersebut digunakan dalam uji coba klasifikasi dengan kombinasi seleksi fitur. Uji Coba Klasifikasi dengan Kombinasi Seleksi Fitur Hasil uji coba sebanyak sepuluh kali dengan γ = 3 dan σ =. Hasil sepuluh kali uji coba tersebut dapat dilihat pada Tabel 8. Klasifikasi sinyal EEG dengan akurasi terbaik sebesar 99,8% didapatkan untuk model kombinasi #8. Evaluasi Evaluasi terhadap efektivitas metode yang dikembangkan dilakukan melalui pengukuran tingkat akurasi, waktu komputasi, dan model kombinasi yang dihasilkan. Evaluasi dilakukan dengan membandingkan hasil uji coba dengan penelitian penelitian sebelumnya. Parameter pengukuran yang digunakan adalah akurasi klasifikasi, sensitivitas, spesifisitas, nilai prediksi positif dan nilai prediksi negatif, matriks konfusi dan kurva ROC. Tabel. Hasil Ekstraksi Fitur dengan Burg AR Orde 0 untuk Sinyal EEG Set A Koefisien AR a(0) a() a() a(3) a(4) a(5) a(6) a(7) a(8) a(9) a(0) E Nilai,000,805,00 0,03 0,34 0,93 0,09 0,69 0,839 0,73 0,5 47,75 Tabel 3. Hasil Ekstraksi Fitur dengan Burg AR Orde 0 untuk Sinyal EEG Set E Koefisien AR a(0) a() a() a(3) a(4) a(5) a(6) a(7) a(8) a(9) a(0) E Nilai,000,7,566 0,5 0,74 0,06 0,753 0,57 0,078 0,047 0,00 539,09 Tabel 4. Rekapitulasi Statistik Hasil Ekstraksi Fitur dengan Burg AR Orde 0 untuk Sinyal EEG Set E Koefisien Varians Mean AR Set A Set E Set A Set E a(0) a() a() a(3) a(4) a(5) a(6) a(7) a(8) a(9) a(0) 0,000 0,049 0,3 0,049 0,0 0,043 0,036 0,06 0,33 0,090 0,03 0,000 0,080 0,378 0,87 0,49 0,49 0,085 0,03 0,09 0,055 0,009,000,694 0,795 0,7 0,355 0,049 0,050 0,7 0,409 0,309 0,058,000,85,76 0,9 0,85 0,045 0,609 0,334 0,56 0,07 0,048 E 7.86, ,035 0, ,096 9

10 Moch. Anang Karyawan, Klasifikasi Sinyal EEG Menggunakan Koefisien AR, F Score, dan LS SVM Tabel 5. Nilai F Score untuk masing masing Fitur Tingkat Akurasi Klasifikasi 99,90 No. Fitur F Score,3705 0,8384 0,0345 0,603 0,0005,347 0,054 0,799 0,8994 0,5 0,09 % 99,80 99,70 99,60 99,50 99,40 99,30 99,0 99,0 99, Uji Coba Gambar 3. Grafik Perbandingan Akurasi Klasifikasi antara Übeyli, #8 F Score Receiver Operating Characteristic curve, area=0.9983, std = Übeyli #8 F-Score Tabel 6. Kombinasi Fitur untuk F Score Model Jumlah Fitur # # #3 #4 #5 #6 #7 #8 #9 #0 # F Score F FF6 FF6F9 Kombinasi Fitur FF6F9F FF6F9FF8 FF6F9FF8F4 FF6F9FF8F4F0 FF6F9FF8F4F0F FF6F9FF8F4F0FF7 FF6F9FF8F4F0FF7F3 FF6F9FF8F4F0FF7F3F5 Sensitivity Specificity Gambar 4. Kurva ROC untuk Hasil Klasifikasi Terbaik Model #8 F Score Sensitivity Receiver Operating Characteristic curve, area=0.9975, std = Tabel 7. Lima Besar Data Hasil Uji Coba Penentuan Parameter LS SVM RBF γ σ Akurasi (%) Waktu (detik) 3,0 99,50 5,47 3,9 99,50 5,6 4,8 99,50 56,73 4,9 99,50 57,59 4,0 99,50 59,6 Tingkat Akurasi Klasifikasi Tabulasi data tingkat akurasi klasifikasi terhadap model kombinasi dari sepuluh kali uji coba untuk F Score dapat dilihat pada Tabel 8. Rata rata tingkat akurasi klasifikasi terbaik didapatkan untuk model #8 yaitu 99,64%. Pada model # (tanpa seleksi fitur) tingkat akurasi klasifikasi rata rata adalah 99,57%. Perbandingan tingkat akurasi dalam bentuk grafik antara metode yang diusulkan dengan metode peneliti sebelumnya dapat Waktu Komputasi (detik) Specificity Gambar 5. Kurva ROC untuk Hasil Klasifikasi Terbaik Model # (Übeyli) 6,00 60,00 58,00 56,00 54,00 5,00 50,00 48,00 46,00 Grafik Perbandingan Waktu Komputasi Uji Coba Übeyli F-Score Gambar 6. Grafik Perbandingan Waktu Komptasi antara Übeyli, #8 F Score, dan #8 P Score dilihat pada Gambar 3. Peningkatan akurasi juga dihasilkan pada penelitian Akay, 009 [8]. Matriks konfusi hasil klasifikasi sinyal 0

11 Jurnal TIF, Vol. No., Juli 0 Tabel 8. Tabulasi Tingkat Akurasi Klasifikasi (%) terhadap Model Kombinasi pada F Score No Model # # #3 #4 #5 #6 #7 #8 #9 #0 # 89,3 97,06 97,94 98,63 98,50 99,38 99,06 99,63 99,50 99,69 99,50 88,50 97,38 97,94 98,69 99,3 99,3 99,3 99,69 99,63 99,75 99, ,06 97,56 97,94 98,50 99,00 99,00 99,3 99,50 99,50 99,50 99, ,06 97,3 97,94 98,3 98,94 98,94 99,06 99,56 99,56 99,63 99, ,38 98,9 98,44 99,00 99,3 99,56 99,3 99,8 99,69 99,63 99, ,3 97,3 97,75 98,00 98,75 98,75 99,06 99,44 99,44 99,50 99, ,56 97,56 98,06 98,63 98,8 99,3 99,3 99,75 99,56 99,63 99, ,3 97,56 98,3 98,69 99,9 98,8 98,94 99,63 99,63 99,63 99, ,63 97,75 98,06 98,75 99,06 99,3 99,5 99,69 99,5 99,38 99,3 0 88,06 97,69 98,9 98,8 99,9 99,50 99,56 99,69 99,50 99,56 99,63 Rata 88,7 97,5 98,06 98,60 98,99 99,5 99,6 99,64 99,53 99,59 99,57 Tabel 9. Matriks Konfusi untuk Hasil Klasifikasi Terbaik Model #8 F Score Aktual Set A Set E Set A 799 Prediksi Set E 798 Tabel 0. Matriks Konfusi untuk Hasil Klasifikasi Terbaik Model # (Übeyli) Aktual Set A Set E Set A Prediksi Set E 797 Tabel. Model Kombinasi #8 pada F Score No. Model Akurasi (%) Kombinasi #8 99,63 F6FF9FF4F8F0F #8 99,69 FF6F9FF8F4F0F 3 #8 99,50 FF6F9FF8F4F0F 4 #8 99,56 FF6F9FF8F4F0F 5 #8 99,8 F6FF9FF8F4F0F 6 #8 99,44 FF6FF9F8F4F0F 7 #8 99,75 FF6F9FF4F8F0F 8 #8 99,63 FF6F9FF8F4F0F 9 #8 99,69 F6FF9FF8F4F0F 0 #8 99,69 FF6F9FF8F4F0F Rata rata 99,64 EEG yang terbaik untuk model #8 F Score dan # (Übeyli) dapat dilihat pada Tabel 9 dan 0, dalam bentuk kurva ROC dapat dilihat pada Gambar 4 dan 5. Waktu Komputasi Perbandingan waktu antara metode yang diusulkan dengan metode Übeyli dapat dilihat pada Gambar 6. Waktu komputasi adalah waktu yang dibutuhkan untuk proses training dan testing. Model kombinasi #8 membutuhkan rata rata waktu komputasi lebih lama dibandingkan dengan model #, karena nilai parameter untuk LS SVM RBF yang digunakan adalah nilai parameter untuk sebelas fitur (model #).. Penelitian yang dilakukan oleh Akay, 009 menggunakan F Score untuk kasus kanker payudara tidak menunjukkan secara eksplisit waktu komputasi yang diperlukan. Sedangkan salah satu alasan yang mendasari penelitian tersebut adalah membatasi jumlah fitur yang digunakan dalam classifier dapat meningkatkan akurasi dan mengurangi komputasi [8]. Model Kombinasi Evaluasi model kombinasi ini bertujuan untuk menguji apakah model kombinasi dengan tingkat akurasi tertinggi tersebut merupakan kombinasi fitur yang tetap. Model kombinasi #8 dari sepuluh kali uji coba dapat dilihat pada Tabel. Model kombinasi #8 selama sepuluh kali uji coba

12 Moch. Anang Karyawan, Klasifikasi Sinyal EEG Menggunakan Koefisien AR, F Score, dan LS SVM adalah tetap yaitu FF6F9FF8F4F0F. KESIMPULAN Penambahan metode kombinasi seleksi fitur F Score terbukti mampu meningkatkan tingkat akurasi rata rata klasifikasi sinyal EEG set A dan set E. Tingkat akurasi ratarata yang dihasilkan oleh F Score adalah 99,64%. Tingkat akurasi rata rata klasifikasi tanpa kombinasi seleksi fitur adalah 99,57%. Pengurangan jumlah fitur pada LS SVM RBF tidak secara langsung mengurangi waktu komputasi yang diperlukan untuk proses klasifikasi sinyal EEG set A dan set E, karena parameter classifier yang digunakan adalah untuk sebelas fitur. Hasil uji coba menunjukkan bahwa model kombinasi dengan tingkat akurasi klasifikasi terbaik adalah tetap. Penelitian tentang pengaruh parameter γ dan σ terhadap tingkat akurasi dan waktu komputasi LS SVM RBF dapat diperluas dengan menambah rentang nilai γ dan σ yang digunakan. Optimasi parameter classifier (LS SVM RBF) dengan jumlah fitur yang berbeda beda dapat digunakan untuk menguji pengaruh pengurangan fitur terhadap tingkat akurasi dan waktu komputasi. DAFTAR PUSTAKA [] Ghosh Dastidar, S. (007). Models of EEG data mining and classification in temporal lobe epilepsy: wavelet chaosneural network methodology and spiking neural networks. Dissertation, The Ohio State University. [] Ningrum, R.M., Purwananto, Y. & Soelaiman, R. (00). Ekstraksi fitur EEG dengan menggunakan faktorisasi kernel matriks nonnegatif, Tugas Akhir, Teknik Informa tika, Fakultas Teknologi Informasi, ITS. [3] Begg, R., Lai, D.T.H. & Palaniswami, M. (008). Computational intelligence in biomedical engineering. First Edition. CRC Press. [4] Übeylï, E. D. (00a). Least squares support vector machines employing modelbased me thods coefficients for analysis of EEG signals, Expert Systems with Applications 37, (00), [5] Andrzejak, R. G., Lehnertz, K., Mormann, F., Rieke, C., David, P., & Elger, C. E. (00). Indications of nonlinear deterministic and finite dimensional structures in time series of brain electrical activity: Dependence on recording region and brain state. Physical Review E, 64, [6] Yu, L. & Liu, H. (003). Feature selection for high dimensional data: a fast correlation based filter solution. Proceedings of the Twentieth International Conference on Machine Learning (ICML 003), Washington DC. [7] Chen, Y. W., & Lin, C. J. (005). Combining SVMs with various feature selection strategies. Available from csie.ntu.edu.tw/~cjlin/papers/features.p df. [8] Akay, M.F. (009). Support vector machines combined with feature selection for breast cancer diagnosis. Expert Systems with Applications 36, [9] Polat, K., & Günes, S (009). A new feature selection method on classification of medical datasets: Kernel F score feature selection. Expert Systems with Applications, 36, [0] Talwar, D. (004). Primer of EEG with a Mini Atlas 3, 378. [] Teplan, M. (00), Fundamentals of EEG measurements, Measmt. Sci. Rev., Vol.. [] De Hoon, M.J.L., Van Der Hagen, T.H.J.J., Schoonewelle, H., and Van Dam, H. Why Yule Walker should not be used for autoregressive modelling, Interfaculty Reactor Institute, Delft University of Technology, Delft, Netherlands, Unpublished. [3] Kamel, N. & Baharudin, Z. (007). Short term load forecast using Burg autoregressive technique, International Conference on Intelligent and Advanced Systems 007, [4] Vapnik, V. (995). The nature of statistical learning theory. New York:

13 Jurnal TIF, Vol. No., Juli 0 Springer Verlag. [5] Cortes, C., & Vapnik, V (995). Support vector networks. Machine Learning, 0(3), [6] Suykens, J. A. K., & Vandewalle, J (999). Least squares support vector machine classifiers. Neural Processing Letters, 9 (3), [7] Tsujinishi, D., & Abe, S. (003). Fuzzy least squares support vector machines for multiclass problems. Neural Networks, 6, [8] Übeylï, E. D., Cvetkovic, D., Holland, G., Cosic, I. (00b). Analysis of sleep EEG activity during hypopnoea episodes by least squares support vector machine employing AR coefficients, Expert Systems with Applications 37, [9] Pelckmans K., Suykens J.A.K., Van Gestel T., De Brabanter J., Lukas L., Hamers B., De Moor B. & Vandewalle J. (00). LS SVMlab: a Matlab/C toolbox for Least Squares Support Vector Machines. Internal Report 0 44, ESAT SISTA, K.U.Leuven (Leuven, Belgium), (presented at NIPS00 Vancouver in the demo track). [0] Pelckmans, K., Suykens, J.A.K., Van Gestel, T., De Brabanter, J., Lukas, L., Hamers B., De Moor, B. & Vandewalle, J. (003). LS SVMlab Toolbox User s Guide version.5. Katholieke Universiteit Leuven Department of Electrical Engineering, ESAT SCD SISTA Kasteelpark Arenberg 0, B 300 Leuven Heverlee, be/sista/lssvmlab/, ESAT SCD SISTA Technical Report