Klasifikasi Sinyal EEG Menggunakan Metode Fuzzy C-Means Clustering (FCM) Dan Adaptive Neighborhood Modified Backpropagation (ANMBP)

Transkripsi

1 Klaifikai Sinyal EEG Mnggunakan Mtod Fuzzy C-Man Clutring (FCM Dan Adaptiv Nighborhood Modifid Backpropagation (ANMBP Dian Candra Rini Novitaari Juruan Matmatika Univrita Ilam Ngri Sunan Ampl, Surabaya. Abtrak Intrumn EEG (lctroncphalography mrupakan uatu intrumn yang digunakan bagai prkam aktivita otak dngan mmprlihatkan glombang otak. Prinip kra EEG adalah dngan mndtki prubahan muatan cara tibatiba dari l nuron yang ditandai dngan adanya intrictal pik-and-wav pada hail EEG (lctroncphalogram. Trdapat uatu data t inyal EEG, dirkam pada ukarlawan normal dan pilpi. Pada pnlitian ini dngan mnggunakan data trbut akan dilakukan uatu itm klaifikai inyal EEG dngan brdaar pada kondii normal dan pilpi. Klaifikai inyal EEG mnggunakan Mtod Adaptiv Nighborhood Ba Modifid Backpropagation (ANMBP. Hail ktraki fitur dari inyal EEG dngan mnggunakan mtod Fuzzy C-Man (FCM Clutring, dimana pro awalnya mlalui dkompoii wavlt mnggunakan Dicrt Wavlt Tranform (DWT dngan lvl didapatkan 3 kofiin wavlt kmudian pada maing maing kofiin trbut di clutring mnggunakan FCM dngan clutr hingga mnghailkan 6 fitur yang akan mnadi vktor fitur. Dari vktor fitur trbut digunakan bagai inputan untuk dilakukan pro klaifikai dngan mnggunakan mtod ANMBP. Hail itm mntara didapatkan rcognition rat bar 74.37%. Kata kunci: EEG, Wavlt, FCM, Backpropagation, Modifid. Abtract EEG (lctroncphalography i an intrumnt ud to rcord brain activity and how om brain wav. Th working principl i to dtct chang in EEG uddn charg of nuron cll charactrizd by intrictal pik-and-wav on th EEG. Thr i a data t of EEG ignal, rcordd from normal voluntr and pilpy. By uing th data, w will build claification of EEG ignal ytm and th claification ytm bad on th EEG ignal, normal and pilpy condition. Claification of EEG ignal i uing Adaptiv Nighborhood Ba Modifid Backpropagation (ANMBP mthod. Th rult of EEG ignal fatur xtraction, uing Fuzzy C-Man (FCM Clutring. Uing wavlt dcompoition lvl and uing FCM with clutr ach ub-band of wavlt cofficint thn th probability ditribution of ach clutr in ach ub-band i calculatd. Th rult of probability ditribution in ach clutr of ach ub-band i th fatur vctor and will b inputd to th claification proc by uing ANMBP. Th tmporary rult ytm giv th accuracy of 74.37%. Kyword: EEG, Wavlt, FCM, Backpropagation, Modifid. 3 P a g

2 . Pndahuluan Pnyakit pilpi adalah pnyakit yang dapat tradi pada iapun walaupun dari gari kturunan tidak ada yang prnah mngalami pilpi ini. Akan ttapi pnyakit pilpi tidak dapat mnular. Epilpi ini mrupakan buah gangguan yang tradi di itm yaraf otak manuia yang dibabkan adanya aktifita klompok l nuron yang trlalu brlbihan hingga akhirnya tradi brbagai raki pada pndritanya. Epilpi dapat tradi karna lpanya muatan litrik yang brlbihan dan mndadak pada otak hingga pnrimaan rta pngiriman impul dari otak k bagian-bagian lain dalam tubuh trganggu [0]. Untuk mndiagnoi pnyakit pilpi mnggunakan pmrikaan EEG. Karna intrumn lctroncphalogram (EEG dapat digunakan untuk prkaman yang mnunukkan aktivita litrik otak, hal trbut dapat mmbrikan uatu pngtahuan mngnai gangguan aktivita otak. Dalam kontk ini, rkaman EEG diukur dalam intrval bba kang dari pain pilpi dianggap bagai komponn pnting untuk pro diagnoi atau prdiki [][6]. Mkipun tradinya rangan pilpi tampaknya tidak trduga [7], lbih banyak upaya yang difokukan pada pngmbangan modl komputai untuk dtki otomati dbit pilpi, yang kmudian dapat digunakan untuk mmprdiki tradinya kang [][3]. Banyak itm diagnoi yang digunakan untuk mngklaifikaikan inyal EEG untuk mngklaifikaikan antara pilpi dngan kondii normal [6][7][8]. Adaptiv Nighborhood Ba Modifid Backpropagation (ANMBP, mrupakan uatu mtod klaifikai yang angat handal [][9]. ANMBP ini mmodifikai mtod backpropagation, dngan mnggabungkan rror linir dan non linir, adaptif larning rat rta nighborhood pada backpropagation. Pada pnlitian kali ini, akan dibuat uatu itm klaifikai, dimana mnggabungkan antara Dicrt Wavlt Tranform (DWT, Fuzzy C-Man Clutring (FCM, dan Prhitungan Probabilita bagai pro ktraki fiturnya, dan mnggunakan ANMBP bagai mtod klaifikainya. Diharapkan dngan mnggabungkan bbrapa mtod trbut dapat mnghailkan itm klaifikai yang handal yaitu mmbdakan kondii normal atau pilpi dngan mnggunakan data EEG.. Data Data inyal EEG digital dapat diprolh dari databa yang trdia di Univrita Bonn yang trdia cara onlin dan dibuat olh Dr. Ralph Andrzak dari Puat Epilpi di Univrita Bonn, Jrman dan dapat di download atau di unduh dari link brikut: ( t.php?idcat=93&lang=3&changlang=3. Slain itu, data inyal EEG dalam bntuk digital dapat diprolh di availabl_eeg_data.html. Data inyal EEG dari Univrita Bonn trdiri ata lima kla datat yaitu A, B, C, D, dan E. Tiap datat brii 00 gmn EEG aluran tunggal dngan durai lama 3.6 dtik. Stiap gmn dipilih dan dipotong dari rkaman EEG multichannl cara kontinyu tlah inpki artfak cara viual, mialnya grakan mata atau aktivita otot. Sblum dilakukan pro ktraki fitur, blumnya dilakukan untuk prprocing trhadap data yang akan digunakan dalam pnlitian ini. Pro prprocing prtama adalah mmcah data mnadi gmn-gmn dngan ukuran 56 data dari data t inyal EEG, yaitu t A dan t E. Dari maingmaing kla data, trdiri dari 00 gmn data dngan panang maing-maing data Data tiap gmn banyak 4097 trbut kmudian dilakukan windowing (pmotongan dngan panang 56. Hail pmotongan inyal didapatkan data yang lbih kcil banyak 4097/56 = 6 gmn. Jumlah gmn data kluruhan yang diprolh dari pmotongan inyal EEG t A dan t E didapatkan data banyak x00x6 = 300 gmn data (kt: mrupakan kla dari t A dan t E, 00 adalah umlah maing-maing data awalnya, 6 mrupakan gmn pr data awal. Jadi 300 gmn data inilah yang nanti akan digunakan bagai data training dan data tting. 3 P a g

3 3. Mtodologi Mtod yang ditrapkan dalam pnlitian ini, dapat dilihat pada gambar flowchart pada gambar. Sinyal EEG filtring mnghailkan panang data 64 yang di but aprokimai (A dan brdaarkan lowpa filtring mnghailkan panang data 64 yang dibut dtil (A. Dicrt Wavlt Tranform Fuzzy C-Man Clutring (FCM Adaptiv Nighborhood Modifid Backpropagation(ANMBP Gambar. Diagram alur itm pro klaifikai inyal EEG 3. Ektraki Fitur Pro ktraki fitur yang prtama dilakukan dngan mnggunakan mtod Dicrt Wavlt Tranform (DWT, dimana pro awalnya DWT mnguraikan inyal k dalam ub-band dngan mnggunakan low-pa filtring dan high-pa filtring dari domain waktu inyal. ow-pa filtring mnghailkan aprokimai dan high-pa filtring mnghailkan kofiin dtil. Dimana pada lvl lanutnya dkompoii dilakukan dngan mnggunakan aprokimai pada lvl blumnya. Pada pnlitian ini tip wavlt yang digunakan adalah Daubchi Wavlt ordr (db, hal trbut didapatkan dari hail pnlitian blumnya. Scara gari bar, dkompoii mmbagi panang data mnadi, yaitu brdaarkan lowpa filtring dan high-pa filtring. Dilakukan prmialan data mmpunyai panang 56, didkompoiikan pada lvl brdaarkan lowpa filtring mnghailkan panang data 8 yang di but aprokimai (A dan brdaarkan high-pa filtring mnghailkan panang data 8 yang di but dtil (D. Untuk mlakukan dkompoii pada lvl maka mnggunakan aprokimai dngan panang 8, didkompoiikan low-pa 33 P a g Hail Klaifikai Gambar. Pro Dkompoii inyal EEG Untuk pro lanutnya, dilakukan clutring pada maing-maing kofiin wavlt mnggunakan FCM dngan clutr, adi aprokimai dibagi k dalam clutr, dtil dibagi k dalam clutr, dan dtil dibagi k dalam clutr. FCM mnggunakan fungi kanggotaan untuk mncari kamaan antara kumpulan data dngan cntr, mnggunaan fungi obktif dan mmpartii data mauk kdalam klutr-klutr hingga optimai dari fungi obktif trcapai. Dari hail clutring mnggunakan FCM ini didapatkan 6 buah clutr, lanutnya maingmaing clutr dihitung nilai probabilitanya. Pro ktraki fitur yang trakhir yaitu prhitungan probabilita dari maing-maing clutr, karna aprokimai dari pro FCM mnghailkan clutr, untuk prhitungan probabilitanya dimialkan P dan P, P didapatkan dari umlah kofiin wavlt yang mauk k clutr dibagi dngan panang data aprokimai dan P didapatkan dari umlah kofiin wavlt yang mauk k clutr dibagi dngan panang data aprokimai. Untuk dtil, dari pro FCM mnghailkan clutr untuk prhitungan probabilitanya dimialkan P3 dan P4, P3 didapatkan dari umlah kofiin wavlt yang mauk k clutr dibagi dngan panang data dtil dan P didapatkan dari umlah kofiin wavlt yang mauk k clutr dibagi dngan panang data dtil. Hal trbut uga brlaku untuk dtil, dimana mnghailkan dua nilai probabilita

4 dimialkan P5 dan P6, P5 didapatkan dari umlah kofiin wavlt yang mauk k clutr dibagi dngan panang data dtil dan P6 didapatkan dari umlah kofiin wavlt yang mauk k clutr dibagi dngan panang data dtil. Pro ktraki fitur cara kluruhan dapat dilihat pada gambar brikut ini: Gambar 3. Contoh hail ktraki fitur 3. Klaifikai Untuk klaifikai mtod yang digunakan adalah mtod Adaptiv Nighborhood Modifid Backpropagation (ANMBP. Mtod trbut mrupakan pngmbangan dari mtod backpropagation yaitu dngan mnggabungkan dari pnumlahan rror linir dan rror non linir mnggunakan adaptiv paramtr larning dan trdapat truktur nighborhood pada hiddn layr. Untuk mncari nilai nt/aringan digunakan rumu brikut: n u w i y i i f ( ( ( u y ( Dngan n mnunukkan umlah nuron dan w adalah bobot dari nuron k i dari layr (- i k nuron k dari layr. Untuk mnghitung rror (E yang didapatkan dari pnumlahan dari kuadrat rror linir dan non linir yang dihailkan dari output. n n E p ( ( (3 dimana λ adalah larning rat, rror non-linir di imbolkan dngan dan rror linir diimbolkan dngan yang diprolh rumu: d y (4 ld (5 ld f ( d (6 Simbol d adalah output yang diinginkan dan y adalah output yang dihailkan dari itm. Shingga prubahan bobot pada layr output mnadi prti rumu brikut: E i W (7 i i i y W y i W i W i y i ' ( wi f u (8 Error linir dan non linir pada hiddn layr ( adalah: n ' f ( ur r f ( u n r ir w r r w r ( 9 (0 Shingga prubahan bobot pada hiddn layr adalah : ' i f ( u ( Paramtr larning μ dan μλ diganti dngan paramtr adaptiv η dan μ ' ' f ( u y ( i ' ' f ( u (3 Dimana μ, λ adalah kontanta dngan nilai kcil poitif dan ε kontanta dngan nilai kcil poitif untuk mnamin adanya ktidaktabilan ktika rror mnuu 0. Shingga prubahan bobot yang tradi pada layr output dan hiddn layr mnadi : 34 P a g

5 ' ' ' ( wi f u (4 ' ' ' ( wi f u (5 w( t w( t w( t (9 Prubahan bobot hanya dilakukan pada bobot di nod-nod layr hiddn dan nod layr output yang mrupakan nighborhood dari nuron-nuron yang trpilih di layr hiddn. Nighborhood trlihat prti gambar 4, dimana diilutraikan dngan gari putu-putu. mnggunakan ANMBP trukturnya dibuat prti gambar 6. Gambar 4. Struktur aringan dngan nighborhood 4. Pmbahaan Hail Dari pro ktraki fitur yang mnghailkan 6 fitur yang kmudian diadikan atu mnadi vktor fitur digunakan bagai inputan pada klaifikai mnggunakan ANMBP. Contoh hail ktraki fitur dngan lvl dkompoii wavltnya dan klatr pada FCM ditntukan banyak dapat dilihat pada gambar 5. Gambar 5. Tabl Contoh Hail Ektraki Fitur Stlah didapatkan hail ktraki fitur, vktor fitur trbut yang digunakan bagai maukkan / inputan pada pro klaifikai mnggunakan ANMBP. Untuk hail klaifikai 35 P a g Gambar 6. Jaringan ANMBP yang dibangun Dngan mnggunakan aringan diata, tidak mutlak mnggunakan kluruhan aringan, karna brifat adaptif maka trgantung gnrat dari paramtr yang digunakan, hingga gari putu-putu diata, mnunukkan contoh bahwa ada bbrapa nt yang tidak dipakai. Untuk training (platihan dan tting (pnguian, maka diambil ampl cara random dari 300 data t. Untuk kla normal (t A umlah data tnya 600, diambil 70% cara random, bgitu pula dngan data t untuk kla pilpi (t E yaitu umlah 0 data t, hingga total yang digunakan bagai data training yaitu 40. Slain data training, atau ia 30% dari data t digunakan bagai data tting (pnguian yaitu banyak 960 data t. Struktur aringan adalah input umlah 6 didapatkan dari hail ktraki fitur, hiddn layr mnggunakan atu layr dngan 8 nod, Fungi aktivai yang digunakan adalah igmoid binr. Untuk mncapai hail yang optimal prlu diprhatikan pmilihan nilai kontanta μ, λ (larning rat dan ε pada adaptif larning rat. Pmilihan nilai ini dilakukan cara huritik. Pada pnlitian ini nilai kontanta μ = 0.3, λ = , dan ε =0. rta bia = 0.5. Dngan mnggunakan paramtr trbut

6 hail atu kali training dan atu kali tting (ui data, dngan mnggunakan paramtr ui rcognition rat brikut. Rcognition rat =, didapatkan yang trui bnar adalah 74 dari 960 data, hingga didapatkan akurai bar 74.37%. 5. Kimpulan Dari itm yang tlah dibuat pnuli maih auh dari mpuna, dimana hail rcognition rat nya maih cukup rndah dibandingkan dua pnlitian blumnya yaitu bar 74.37%. Pada pnlitian blumnya bahkan ANMBP mampu ampai mlbihi 90% untuk rcognition rat-nya. Untuk pnlitian lanutnya prlu dilakukan ui coba dalam bbrapa hal, antara lain:. Pnggunakan umlah lvl dkompoii wavlt.. Pnggunaan umlah klutr, untuk mtod FCM. 3. Paramtr-paramtr yang digunakan pada aringan adaptiv nighborhood ba modifid backpropagation (ANMBP prti umlah hiddn layr, larning rat, dan lain bagainya. Pnlitian ini maih auh dari kata mpurna, karna maih dilakukan atu kali training dan atu kali tting (pnguian maka akan tru dilakukan pnguian data dngan mnggunakan paramtr-paramtr yang ada baik pada pro ktraki fitur maupun klaifikai yang ada. Rfrni []Wrdiningih, Indah. Tranformai Wavlt dan Adaptiv Nighborhood Ba Modifid Backpropagation (ANMBP untuk Klaifikai Data Mamogram.Jurnal SCAN vol IX no. 04. [] Adli H, Zhou Z, Dadmhr N. Anal of EEG rcord in an pilptic patint uing wavlt tranform. J Nuroci Mthod; 3(: Elivir Scinc td [3] Elif Drya Übylï. at quar upport vctor machin mplong modl-bad mthod cofficint for anal of EEG ignal, Exprt Sytm with Application 37, Elivir Scinc td. 00. [4] Hkim, M., & Orhan, U. Subtractiv approach to fuzzy c-man clutring mthod. Journal of ITU-D, 0(. 0. [5] Orhan, U., Hkim, M., & Ozr, M. Epilptic Sizur Dtction Uing Probability Ditribution Bad On Equal Frquncy Dicrtization. Journal of Mdical Sytm. doi :0.007/ y. Springlr td. 0. [6] Subai, A. EEG ignal claification uing wavlt fatur xtraction and a mixtur of xprt modl. Exprt Sytm with Application, 3, [7] Subai, A., & Erclbi, E. Claification of EEG ignal uing nural ntwork and logitic rgrion. Computr Mthod and Program in Biomdicin, 78, Elivir Scinc td [8] Novitaari, Dian Candra Rini., Klaifikai Sinyal EEG Mnggunakan Mtod Fuzzy C- Man (FCM Clutring dan Adaptiv Nuro Fuzzy Infrnc Sytm (ANFIS. Undrgraduat Thi, Dpartmnt of Information Tchnology, Faculty of Information Tchnology, Intitut Tknologi Spuluh Nopmbr, Indonia, 03 [9] Wrdiningih, Indah. Sitm Diagnoi Kankr Payudara Mnggunakan Wavlt Tranform dan Modifid Backpropagation Pada Data Mamogram. Undrgraduat Thi, Dpartmnt of Information Tchnology, Faculty of Information Tchnology, Intitut Tknologi Spuluh Nopmbr, Indonia, 0 [0] Pnyakit Epilpi. Diak tanggal 7 Agutu P a g