EMOSI merupakan salah satu fitur penting dan kompleks

Transkripsi

1 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 Teknik Komputer, Fakultas Teknologi Elektro, Institut Teknologi Sepuluh Nopember imania.puspita.sari13@mhs.te.its.ac.id, diah@te.its.ac.id, yoyonkusnendar@ee.its.ac.id Abstrak Penelitian mengenai pengenalan emosi pada manusia beberapa diantaranya menggunakan ekspresi wajah, suara, dan sinyal EEG sebagai datanya. Pada penelitian kali ini digunakan sinyal EEG. Electroencephalography atau EEG merupakan suatu teknik pencitraan medis yang mampu mencatat hasil perekaman aktivitas listrik di kulit kepala manusia. Data berupa sinyal EEG didapatkan dari DEAP Dataset yang terdiri dari rekaman gelombang otak 32 orang responden. Selama proses perekaman, setiap responden distimulus dengan beberapa video musik dan diminta melakukan sebuah self assessment terhadap tingkat valence dan arousal. Sinyal EEG yang digunakan diambil dari empat channel yaitu F8, T7, F3, dan C4. Sinyal tersebut kemudian didekomposisi menjadi lima kelompok frekuensi berbeda (alpha, beta, gamma, delta, theta) dan ditransformasikan menggunakan Continous Wavelet Transform fungsi sym8. Proses klasifikasi dilakukan menggunakan metode k-nearest Neighbour dan dilakukan pengujian untuk mengetahui kinerjanya. Dengan mengubah beberapa parameter seperti nilai k, frekuensi, serta channel, maka didapatkan nilai f-measure tertinggi sebesar 0,82 ketika melibatkan frekuensi delta dan 0,78 ketika melibatkan seluruh frekuensi tanpa frekuensi theta. Keywords Emosi; EEG; Wavelet Transform; K-Nearest Neighbour Abstrak Some research on human emotion recognition using facial expressions, voices, and EEG signals as the data. In this research, EEG signal are used. Electroencephalography or EEG is a medical imaging technique which is able to record the electrical activity in the human scalp. The data in the form of EEG signals obtained from DEAP Dataset which is consist of recordings of brain waves 32 people respondents. During the recording process, each of the respondents stimulated with some musicvideos and asked to do a self assessment against the level of arousal and valence. EEG signals that are used are taken from the four channel T7, F8, F3, and C4. Then, the signal is decomposed into five groups of different frequencies (alpha, beta, gamma, delta, theta) and transformed using Continous Wavelet Transform function sym8. The process of classification is performed using k-nearest Neighbour and do testing to know its performance. By changing some parameters such as the value of k, the frequency, and channel, then the f- measure is obtained the highest value in 0.82 when involving delta frequencies and 0.78 when involves the entire frequency without frequency theta. Keywords Emotion; EEG, Wavelet Transform, K-Nearest Neighbour I. PENDAHULUAN EMOSI merupakan salah satu fitur penting dan kompleks yang dimiliki oleh manusia [1]. Keberadaan emosi ini juga penting terkait dengan hubungan antara manusia dan mesin. Tanpa adanya kemampuan mengolah emosi, mesin atau komputer akan kesulitan bahkan tidak bisa berkomunikasi dengan manusia secara alami. Seperti yang kita ketahui bahwa keberadaan mesin kini dapat membantu kerja manusia sehingga lebih mudah, namun hal tersebut tentunya tidak akan tercapai ketika mesin tidak dapat memahami bahasa dan maksud manusia, dalam hal ini yang dimaksud adalah emosi. Beberapa tahun terakhir, penelitian pada bidang Human Computer Interaction (HCI) sedang fokus pada penguatan fungsi mesin dalam mengenali dan memahami emosi manusia. Sebagian besar diantaranya menggunakan pengenalan wajah, namun adapula yang menggunakan sinyal gelombang otak atau Electroencephalograph (EEG) ketika responden diperdengarkan musik atau sebuah video [2]. Electroencephalography (EEG) merupakan teknik pencitraan medis yang memungkinkan untuk membaca aktivitas listrik di kulit kepala yang dihasilkan oleh struktur otak. Electroencephalogram adalah alat untuk merekam aktivitas listrik dari otak dengan menggunakan pena yang menulis di atas gulungan kertas. Tes ini mampu menunjukkan tanda penyakit alzheimer dan epilepsy. Sumber lain menjelaskan bahwa EEG adalah sebuah pemeriksaan penunjang yang berbentuk rekaman gelombang elektrik sel saraf yang berada di otak yang memiliki tujuan untuk mengetahui adanya gangguan fisiologi fungsi otak [3]. Para peneliti meyakini bahwa keadaan otak ikut berubah seiring dengan perubahan yang terjadi pada perasaan seseorang sehingga EEG ini cocok untuk melakukan perekaman adanya perubahan gelombang otak yang berbedabeda sesuai dengan perasaan atau emosi[4]. EEG memiliki beberapa kelebihan sehingga dipilih untuk mempelajari emosi manusia. Beberapa kelebihannya yaitu high-speed, noninvasive dan tidak menimbulkan rasa sakit pada subjek. Hal tersebut penting untuk mendapatkan emosi asli dari subjek [3]. Namun perlu diperhatikan adanya beberapa noise diluar objek pengukuran yang mungkin muncul seperti halnya faktor kelelahan tubuh atapun faktor eksternal lainnya [4]. Electroencephalograph (EEG) dapat didekomposisi ke

2 2 dalam lima frekuensi berbeda yaitu delta, theta, alpha, beta, dan Gamma. Rentang frekuensi tersebut menunjukkan adanya perbedaan kondisi fisik pada seseorang [5], akan tetapi pembagian frekuensi tersebut belum cukup untuk mengenali emosi seseorang. Sebab, dalam sebuah rekaman sinyal EEG terdapat beberapa frekuensi berbeda yang membentuk pola tertentu. Dengan mengalami proses ekstraksi fitur menggunakan Continous Wavelet Transform (CWT) dan metode pengelompokan knn (k-nearest Neighbour), diharapkan dapat mengenali keadaan emosi seseorang. II. D ESAIN S ISTEM DAN I MPLEMENTASI Tujuan dari penelitian ini yaitu dapat mengenali dan mengklasifikasi emosi manusia ke dalam 2 kelompok emosi yaitu emosi senang dan tidak senang. Dengan menggunakan sinyal EEG, berikut ini adalah alur metodologi yang dilalui untuk mencapai tujuan tersebut di atas. 1) Pengumpulan Data Sinyal EEG yang dijadikan input atau masukan untuk proses klasifikasi didapatkan dari DEAP Dataset [6]. Sinyal tersebut merupakan sinyal preprocessed data, sudah dihilangkan noise dan artefact nya serta sudah melalui proses downsample sehingga frekuensi samplingnya menjadi 128 Hz. Kemudian sinyal-sinyal tersebut dipilih sesuai dengan kriteria atau parameter yang sudah ditentukan yakni dengan melihat nilai valence dan arousalnya serta memilih channel tertentu. 2) Preprocessing Data Setelah semua data yang memenuhui kriteria dan parameter dikumpulkan, sinyal-sinyal tersebut akan di dekomposisi ke dalam lima kelompok frekuensi gelombak otak yakni delta, theta, alpha, beta dan gamma. Setelah didekomposisi, sinyal tersebut ditransformasikan dengan menggunakan metode wavelet transform. Wavelet adalah sebuah bentuk gelombang dengan durasi terbatas yang memiliki nilai rerata nol [7]. Jika Fourier Transform mengubah sinyal berdomain waktu menjadi domain frekuensi, maka Wavelet Transform mengubah sinyal berdomain waktu menjadi berdomain skala-waktu. Sedangkan Continous Wavelet Transform adalah jumlah keseluruhan sinyal yang telah dikalikan dengan fungsi wavelet yang berskala atau dapat dilihat pada persamaan 1. Z C(s,τ ) = f (t)ψ(s,τ ) (1) Setelah didekomposisi dan ditransformasikan dengan fungsi CWT, maka didapatkan nilai koefisian CWT untuk setiap kelompok frekuensi. Langkah berikutnya adalah menghitung nilai entropy dari setiap koefisien tersebut. 3) Klasifikasi Data Proses klasifikasi data menggunakan metode KNearest Neighbour. k-nearest Neighbour adalah algoritma supervised learning yang sederhana dan banyak digunakan untuk melakukan proses klasifikasi pada sinyal dan gambar [4]. Pengambilan keputusan pada knn dilakukan berdasarkan nilai mayoritas sejumlah k-titik terdekat dengan data yang akan diklasifikasikan. Dengan kata lain, suatu data uji akan diklasifikasikan berdasarkan data training sejumlah titik yang diinginkan. Menentukan jarak antar titik terdekat dihitung berdasarkan jarak Euclidian dengan perhitungan sebagai berikut [8]: v u p ux (2) di = t (x2i x1i )2 i=1 Gambar 1: Diagram Alur Metodologi Pengklasifikasian Emosi pada Sinyal EEG dengan x1i sebagai data training, x2i sebagai data testing, p sebagai dimensi data dan d adalah jarak atau Euclidian.

3 3 yang berbeda, yaitu perhitungan F-measure ketika menggunakan kelima frekuensi, ketika menggunakan per frekuensi, dan ketika dikurangkan satu frekuensi untuk perfrekuensinya. Gambar menunjukkan perbedaan performansi nilai rata-rata F- measure di setiap channel untuk semua nilai K. Gambar 3: Perbandingan nilai F-measure untuk setiap nilai K Gambar 2: Flowchart Algoritma k-nearest Neighbour Ketepatan algoritma knn, salah satunya dipengaruhi oleh ada tidaknya fitur-fitur yang tidak relevan atau terlalu berpengaruh nilainya selama proses klasifikasi. Beberapa penelitian yang menggunakan knn melakukan percobaan hingga berkali-kali dengan beberapa skenario pengurangan fitur hingga didapatkan fitur-fitur yang berpengaruh terhadap nilai klasifikasi. III. PENGUJIAN Untuk mengetahui bagaimana performansi suatu metode, maka diperlukan suatu proses pengujian. Pada tugas akhir ini, proses pengujian data menggunakan perhitungan F-measure yang persamaannya dapat dilihat pada persamaan 3. F = 2 precision recall precision + recall Pengujian yang dilakukan terdiri dari tiga skenario pengujian dengan data dan parameter yang berbeda-beda. Skenario pengujian yang dilakukan adalah: A. Pengujian Jumlah Channel Total keseluruhan data yang digunakan berasal dari 4 channel yakni channel F8, T7, F3 dan C4. Pengujian pertama ini melibatkan seluruh channel dan menggunakan nilai ratarata f-measure. Diambil nilai rata-rata F-measure karena pada setiap channel menggunakan setidaknya 11 tipe parameter (3) Dengan melihat visualisasi data pada gambar, setiap titiktitik data saling terhubung menjadi suatu garis, dan setiap garis mewakili setiap channel. Garis berwarna biru menyatakan nilai F-measure untuk keempat channel yakni F8, T7, F3, dan C4. Jika dibandingkan dengan 4 single channel lainnya, dapat dilihat bahwa grafik untuk keempat channel menunjukkan konsistensi nilai data dan nilainya relatif lebih tinggi dibanding dengan keempat channel lainnya, nilai maksimum f-measure pada pengujian ini yakni sebesar 0,63. Dengan melihat grafik tersebut dapat disimpulkan bahwa penambahan jumlah channel berpengaruh terhadap kenaikan nilai f-measure. Semakin banyak channel yang digunakan maka nilai f-measure juga semakin tinggi. B. Pengujian Frekuensi Selain melakukan proses pengujian terhadap pengaruh jumlah channel, juga dilakukan pengujia terhadap frekuensi. Pada tahap pengujian frekuensi ini, proses pengujian akan dibagi ke dalam dua jenis yakni pengujian frekuensi tunggal dengan kelima frekuensi dan pengujian dengan pengurangan satu frekuensi dari kelima frekuensi. 1) Pengujian terhadap Frekuensi Tunggal Pada pengujian ini, akan nilai f-measure pada setiap frekuensi akan dibandingkan dengan nilai f-measure pada kelima frekuensi untuk melihat channel atau frekuensi manakah yang berpengaruh terhadap nilai f- measure. Jika dilihat pada gambar, terlihat bahwa nilai f-measure berada di posisi tinggi atau nilai yang relatif lebhh tinggi pada saat menggunakan kelima frekuensi secara bersamaan dan pada saat hanya menggunakan frekuensi Delta. Grafik untuk frekuensi Delta mencapai maksimum dengan nilai f-measure sebesar 0,82. Sedangkan

4 4 terhadap nilai f-measure. C. Pengujian Jumlah K Setelah melakukan proses pengujian terhadap jumlah channel dan variasi penggunaan frekuensi, di tahap pengujian yang ketiga ini yang akan diuji adalah pengaruh perubahan nilai K. Gambar 4: Perbandingan nilai F-measure untuk setiap frekuensi untuk frekuensi lainnya kisaran nilainya masih berada di bawah nilai frekuensi Delta. Melihat sebaran nilai ini, dapat disimpulkan bahwa Frekuensi Delta merupakan Frekuensi yang memiliki pengaruh besar dalam naiknya atau tinggi nya nilai f-measure. 2) Pengujian terhadap Pengurangan Frekuensi Jika pada poin sebelumnya yang diujikan adalah satu per satu frekuensi, maka pada poin ini yang diujikan yakni dengan mengurangkan satu frekuensi. Pengujian ini dilakukan untuk mengetahui frekuensi-frekuensi mana sajakah yang mungkin tidak atau kurang berpengaruh terhadap nilai F-measure khususnya dalam proses pengklasifikasian emosi senang dan tidak. Gambar 6: Perbandingan nilai F-measure untuk setiap nilai K Grafik tersebut menggunakan kelompok frekuensi tanpa Theta dan frekuensi Delta, karena pada pengujian sebelumnya kelompok ini memiliki sebaran nilai f-measure yang lebih tinggi dari kelompok lainnya. Untuk frekuensi delta yang direpresentasikan menggunakan warna jingga, dapat dilihat bahwa grafiknya mengalami kenaikan nilai. Nilai f-measure cenderung meningkat dan semakin tinggi ketika nilai k nya semakin besar dan nilai f-measurenya maksimal pada titik k = 17 dengan angka 0.82 dari skala 0 hingga 1. Sedangkan pada frekuensi tanpa theta, nilai f-measure cenderung menurun dan semakin kecil ketika nilai k nya semakin besar, dan nilai f-measurenya maksimal hanya pada titik k = 5 yakni dengan nilai 0, 78 dari skala 0 hingga 1. IV. KESIMPULAN Gambar 5: Perbandingan nilai F-measure untuk setiap frekuensi Gambar menunjukkan nilai untuk kelompok frekuensi tanpa Theta memiliki nilai yang relatif lebih tinggi bila dibandingkan dengan kelompok frekuensi lainnya yakni dengan nilai maksimum f-measure sebesar 0,78. Selain itu, disusul dengan kelompok frekuensi tanpa Beta. Dengan ini dapat disimpulkan bahwa frekuensi Theta merupakan frekuensi yang paling kurang berpengaruh Dalam tugas akhir ini, proses klasifikasi emosi dari sinyal otak gelombang EEG dilakukan dengan melakukan pengumpulan data dari DEAP Dataset kemudian data yang ada dilakukan ekstraksi fitur berupa nilai entropy dan diklasifikasikan dengan metode knn. Dari tahapan metodologi tersebut hingga proses pengujian, maka didapatkan kesimpulan sebagai berikut : 1) Nilai rata-rata F-Measure cenderung stabil pada angka yang tinggi ketika melibatkan banyak channel bila dibandingkan dengan nilai f-measure untuk single channel seperti yang dapat dilihat pada gambar III-A. 2) Pada pengujian terhadap frekuensi, didapatkan hasil a) frekuensi delta merupakan frekuensi yang paling berpengaruh dalam penelitian ini yakni dengan nilai f-measure sebesar 0, 82 dari skala 0 hingga 1, seperti yang dapat dilihat pada gambar 4.

5 5 b) frekuensi theta merupakan frekuensi yang paling kurang berpengaruh dalam penelitian ini yakni dengan nilai f-measure untuk tanpa frekuensi theta sebesar 0, 78 dari skala 0 hingga 1, seperti yang dapat dilihat pada gambar 2. 3) Pada pengujian nilai k didapatkan hasil (lihat gambar 6) a) Ketika melibatkan kelompok frekuensi yang banyak, nilai f-measure menurun seiring kenaikan nilai k. Nilai f-measure tertinggi sebesar 0, 78 pada nilai k = 5 yakni ketika pengujian menggunakan seluruh frekuensi tanpa frekuensi theta. b) Ketika melibatkan satu frekuensi, nilai f-measure meningkat seiring kenaikan nilai k. Nilai f-feasure tertinggi sebesar 0, 82 pada nilai k = 17 yakni ketika pengujian hanya menggunakan frekuensi delta. DAFTAR PUSTAKA [1] S. G. Aydin, T. Kaya, and H. Guler, Wavelet-based study of valence arousal model of emotions on eeg signals with labview, Brain Informatics, vol. 3, pp , Jan [2] S. Koelstra, C. Muhl, M. Soleymani, J. S. Lee, A. Yazdani, T. Ebrahimi, T. Pun, A. Nijholt, and I. Patras, Deap: A database for emotion analysis ;using physiological signals, IEEE Transactions on Affective Computing, vol. 3, pp , Jan [3] M. Teplan, Fundamental of eeg measurement, IEEE Measurement Science Review, vol. 2, pp. 1 11, [4] M. Murugappan, Human emotion classification using wavelet transform and knn, in 2011 International Conference on Pattern Analysis and Intelligence Robotics, vol. 1, pp , June [5] S. Saeid and C. J.A., EEG Signal Processing. John Wiley Sons, Ltd, [6] I. Patras, Deapdataset : a dataset for emotion analysis using eeg, physiological and video signals, Januari [7] Baharuddin and R. Anggraini, Transmisi citra medis pada kanal wireless, Teknika UNAND, vol. 2, April [8] S. R. Yohanes, L. A. S.M, and S. S. R.U.A, Simulasi sistem pengacak sinyal dengan metode fft, e-journal Teknik Elektro dan Komputer, 2014.