Analisis Data EEG pada Beberapa Kondisi menggunakan Metode Dekomposisi dan Korelasi berbasis Wavelet (Dekorlet)
|
|
- Ridwan Makmur
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 Komputer dan Elektronika, Fak. MIPA Universitas Gadjah Mada, Yogyakarta, Indonesia 1 agfi@ugm.ac.id, 2 catur_atmaji@ugm.ac.id Abstrak Data rekam EEG (Electroencephalogram) yang berupa sinyal digital dapat dianalisis dengan metode dekomposisi dan korelasi berbasis wavelet (dekorlet) untuk mengekstraksi informasi frekuensi yang terkandung di dalamnya. Dekomposisi berbasis wavelet digunakan untuk membagi frekuensi yang terkandung mendekati klasifikasi frekuensi ritme EEG, yaitu delta, theta, alpha dan beta. Sedangkan proses korelasi digunakan untuk memperoleh informasi dominasi frekuensi EEG pada data rekam EEG yang bersangkutan. Data EEG yang dianalisis berupa data dari 3 mahasiswa yang berusia 20 sampai 30 tahun (selanjutnya dinamai subjek 3, 4 dan 5). Setiap subjek melakukan lima aktivitas yaitu baseline, multiplication, letter-composing, rotation dan counting. Data dianalisis dengan metode dekorlet dengan wavelet induk Daubechies 3 dan Coiflet 3. Hasil analisis menunjukkan bahwa subjek 3 lebih dominan dalam aktivitas otak kanannya, sedangkan subjek 4 dan subjek 5 lebih dominan otak kirinya. Kemunculan beta pada occipital lobe subjek 5 menunjukkan kemungkinan kelainan pada occipital atau temporal lobe. Pengguna dengan dominasi aktivitas otak kanan lebih mengaktifkan peran parietal lobe, sedangkan pada subjek dengan dominasi otak kiri lebih mengaktifkan peran occipital lobe. Metode Dekorlet mampu mengekstraksi informasi dominasi frekuensi otak, dengan perbedaan hasil dari wavelet induk Daubechies 3 dan Coiflet 3 kurang dari 3% (0,03). Keywords EEG, Wavelet, Dekorlet I. PENDAHULUAN Electroencephalogram (EEG) adalah suatu rekaman dari aktivitas elektrik otak. Perekaman EEG berdasar pada prinsip bahwa suatu aktivitas neuron yang menyalurkan informasi dari satu sel ke sel yang lain, akan membawa elektron dari satu sel ke sel lain melalui jaringan saraf manusia [1]. Grafik rekam EEG dipengaruhi oleh kondisi pada saat perekaman dan diklasifikasikan berdasar daerah frekuensinya. Selain itu, ternyata grafik EEG juga dipengaruhi oleh kelainan-kelainan pada kondisi pengambilan datanya. Para ahli syaraf telah menunjukkan bahwa penyakit syaraf semisal epilepsi menyebabkan grafik EEG yang berbeda. Berdasar hal tersebut, saat ini para ahli syaraf menjadikan grafik EEG sebagai salah satu acuan pokok dalam menganalisis aktivitas epileptik pada pasien. Namun, selain karena penyakit kejiwaan, aktivitas tubuh, semacam kedipan mata dan gerakan otot, juga mempengaruhi grafik EEG. Hal-hal semacam itu seringkali disebut sebagai abnormal EEG. Dalam beberapa dekade terakhir, penelitian mengenai hasil pembacaan EEG tidak hanya dijamah oleh para ahli syaraf. Beberapa ahli pemrosesan sinyal digital juga meneliti fenomena abnormal EEG. Penelitian-penelitian tersebut memantau grafik EEG untuk kemudian melakukan interpretasi terhadap EEG yang dibaca. Harapan yang disematkan adalah untuk membantu para ahli syaraf dalam melakukan pembacaan dengan lebih mudah, mengingat saat ini para ahli syaraf masih harus melakukan pembacaan terhadap grafik EEG pada kertas yang cukup panjang. Ketelitian manusia yang dimiliki para ahli adalah terbatas, dan akurasi yang dimilikinya pun tidak selamanya baik. Penelitian ini bertujuan untuk mengetahui gambaran aktivitas kelistrikan pada beberapa kondisi pada saat perekaman EEG, dengan memetakan komposisi ritme EEG pada setiap kanal perekaman menggunakan dekomposisi dan korelasi berbasis wavelet. Selanjutnya diharapkan bahwa dari penelitian ini, dengan melihat hasil ekstraksi informasi dari data rekam EEG pada subjek, dapat disusun langkahlangkah terapis untuk menanggulangi kelainan-kelainan yang dideteksi, bagi ahli terapi dan medis. II. TINJAUAN PUSTAKA Penelitian-penelitian mengenai EEG telah banyak dilakukan sebelum penelitian ini. Penelitian mengenai analisis data rekam EEG dengan data serupa pernah dilakukan sebelumnya. Dalam penelitian tersebut, ditunjukkan bahwa Transformasi Fourier mampu mengekstraksi informasi frekuensi utama yang mendominasi hasil rekam EEG yang dianalisis. Dengan analisis tersebut, juga mampu dipetakan, daerah-daerah otak yang memiliki aktivitas dominan pada suatu aktivitas tertentu [2]. Penelitian mengenai EEG pada penderita epilepsi pernah dilakukan dengan melakukan ekstraksi informasi frekuensi yang terkandung dengan menggunakan Transformasi Paket Wavelet. Data yang berupa EEG didekomposisi penuh 4 tingkat. Hasil yang berupa pita frekuensi kemudian dianalisis menggunakan approximate entropy (ApEn), Universitas Gadjah Mada Yogyakarta, 20 Juli
2 ISSN: Teknis CITEE 2010 untuk kemudian dilatihkan ke dalam sebuah algoritma genetika. Hasil yang diperoleh adalah metode tersebut mampu mengklasifikasikan data rekam EEG normal sebesar 94,3%, dan data EEG pada penderita epilepsi sebesar 98% [3]. EEG dalam penelitian-penelitian tersebut merupakan sinyal digital sehingga dapat dikenai operasi Transformasi Fourier ataupun Wavelet. Untuk melakukan analisis terhadap sinyal digital, dalam penelitian lain, telah dikembangkan metode-metode analisis sinyal digital. Metode dekorlet yang merupakan penggabungan dari dekomposisi berbasis wavelet dan kros korelasi berhasil menunjukkan kesamaan sinyal pada frekuensi-frekuensi tertentu. Hasil analisis dari data rekam seismik Gunung Merapi yang dianalisis dalam penelitian tersebut memberikan analisis kualitatif yang dilengkapi dengan jangkauan frekuensi, saat terjadinya suatu event dan berapa lama event tersebut berlangsung [4]. III. METODE PENELITIAN Sumber data rekaman EEG yang akan dianalisis adalah data yang berasal dari Purdue University. Data yang dianalisis berupa 3 subjek, yang masing-masing merupakan mahasiswa universitas yang bersangkuta dengan rentang umur antara 20 hingga 30 tahun. Masing-masing subjek melakukan lima aktivitas, yaitu baseline, multiplication, letter-composing, rotation, dan counting, sebagaimana penjelasan masing-masing tugas ditunjukkan pada Tabel 1. Analisis dilakukan pada enam kanal perekaman yaitu kanal c3, c4, p3, p4, o1, dan o2. Tabel 1. Tugas atau macam-macam aktivitas yang dilakukan ketika perekaman EEG Tugas Baseline task Multiplication task Letter-composing task Rotation task Counting task Keterangan Subjek tidak berpikir apapun dan rileks senyaman-nyamannya Subjek diberikan pertanyaan yang tidak mudah dimengerti seperti 49 x 78 dan menyelesaikan tanpa ucapan dan pergerakan fisik. Subjek diminta untuk menulis surat kepada relasi maupun teman tanpa mengeluarkan suara. Subjek diberikan waktu selama 30 detik untuk mempelajari gambar kotak kompleks tiga dimensi, kemudian gambar disingkirkan, subjek kemudian diminta untuk memvisualisasikan objek tadi seperti dirotasikan pada suatu sumbu. Subjek diminta melakukan perhitungan Metode yang dilakukan adalah metode dekomposisi dan korelasi berbasis wavelet, dengan bahasa pemrograman skrip Matlab. Gambar 1 menunjukkan diagram alir algoritma pemrograman yang dikembangkan. Dalam melakukan dekomposisi frekuensi, digunakan dua macam wavelet induk, yaitu Daubechies 3 (db3) dan Coiflet 3 (coif3). Untuk mendapatkan hasil dekomposisi mendekati daerah jangkauan frekuensi sebagaimana pada klasifikasi EEG, digunakan 5 level dekomposisi pada dekomposisi setengah. Baca input data eegdata.mat mother wavelet; level dekomposisi; Mulai dari kanal pertama Apakah sudah kanal terakhir? tidak lihat fitur korelasi per ritme otak catat hasil korelasi Kanal berikutnya ya urutkan dominasi ritme tampilkan fitur korelasi per paket; tampilkan fitur korelasi per ritme ; Gambar 1. Diagram alir dekomposisi dan korelasi untuk EEG Frekuensi yang digunakan untuk merekam EEG adalah 250 Hz, sehingga frekuensi maksimum yang terkandung sesuai dengan kriteria Nyquist adalah 125 Hz. Dengan level dekomposisi setengah level 5, diperoleh empat pita frekuensi terendah masing-masing mempunyai lebar pita 3,91 Hz, 3,91 Hz, 7,81 Hz, dan 15,63 Hz, dekomposisi tersebut cukup mendekati dengan klasifikasi EEG. Sebagaimana telah diketahui bahwa EEG diklasifikasikan paling tidak dalam empat daerah frekuensi, yaitu 0,5 4 Hz untuk delta, 4 8 Hz untuk theta, 8 13 Hz untuk alpha, serta Hz untuk beta. Dengan pendekatan, maka empat pita frekuensi pertama pada penelitian ini dianggap sebagai dekomposisi untuk delta, theta, alpha, dan beta. Pada kros korelasi terhadap hasil dekomposisi setengah, ditunjukkan korelasi setiap jenis EEG yang diwakili oleh empat pita frekuensi pertama, terhadap EEG asal. Dari sini, akan tampak dominasi ritme otak yang merupakan informasi yang dikandung oleh EEG tersebut. Gambar 2 menunjukkan diagram alir untuk kros korelasi hasil dekomposisi setengah terhadap EEG asalnya. 164 Yogyakarta, 20 Juli 2010 Universitas Gadjah Mada
3 Hasil yang diperoleh dari dekomposisi dan korelasi adalah nilai korelasi masing-masing ritme dengan EEG asal. Keperluan analisis membutuhkan urutan dominasi ritme EEG. Gambar 3 menunjukkan algoritma program yang dikembangkan untuk menentukan urutan dominasi ritme pada setiap kanal perekaman. 0 3,91 Hz: delta (0,5 4 Hz) 3,91 7,81 Hz: theta (4 8 Hz) 7,81 15,63 Hz: alpha (8 13 Hz) 15,63 31,25 Hz: beta (13 30 Hz) Baca input: nilai korelasi ritme Urutkan ritme Baca input: ; mother wavelet; level dekomposisi; frekuensi cuplik; Tampilkan dominasi pada masing-masing kanal dari level pertama apakah sudah level terakhir? tidak Lakukan dekomposisi penuh pada level ini rekonstruksi dari dekomposisi setengah penuh Kros korelasi paket frekuensi dengan asal lihat jangkauan tiap ritme ; ya Gambar 3. Diagram alir untuk menampilkan dominasi ritme EEG pada setiap kanal IV. HASIL DAN PEMBAHASAN Hasil analisis difokuskan pada dominasi frekuensi urutan pertama dan kedua pada setiap kanal perekaman. Hasil pengujian menunjukkan bahwa dari dua macam wavelet induk yang digunakan, yaitu db3 dan coif3 pada tiga subjek dengan masing-masing lima kondisi pada saat perekaman, hanya terdapat tiga kondisi dominan yang memiliki hasil berbeda. Wavelet induk daubechies 3 dan coiflet 3 dipilih berdasarkan sifat-sifatnya yang cocok untuk analisis sinyal yang tidak simetris, mampu melakukan penapisan FIR, dan cocok untuk Transformasi Wavelet Diskrit [5]. Perbedaan hasil pada penggunaan kedua wavelet induk hanya terdapat pada subjek 3 kondisi counting, subjek 4 kondisi letter-composing, subjek 5 kondisi baseline, dan subjek 5 kondisi counting. Tabel 3 menunjukkan perbedaan hasil tersebut. level berikutnya Gambar 2. Diagram alir untuk fitur korelasi dari dekomposisi setengah Hasilnya akan ditampilkan dalam dua tampilan yang berbeda, yaitu berupa diagram batang dan tabel yang berisikan nilai-nilai korelasi ritme pada tiap kanal. Gambar 4 menunjukkan contoh hasil ekstraksi informasi frekuensi yang menampilkan nilainilai korelasi dalam bentuk diagram batang. Sedangkan Tabel 2 menunjukkan contoh nilai-nilai korelasi yang muncul pada tiap kanal beserta urutan dominasi dalam bentuk huruf abjad. Dari Tabel 3, terlihat bahwa perbedaan nilai korelasi pada setiap kanal yang berbeda antara analisis menggunakan wavelet induk db3 dan coif3 tidak mencapai 0,03. Sesuai dengan algoritma kros korelasi yang digunakan, yaitu dengan hasil dinormalisasi pada nilai 1, nilai 0,03 berarti bahwa perbedaan antara dua nilai tersebut tidak lebih dari 3 %. Artinya, perbedaan dominasi kanal pada beberapa kondisi tersebut tidak memiliki perbedaan yang mencapai 3 %. Hal ini mengindikasikan bahwa Metode Dekorlet mampu melakukan ekstraksi informasi pada EEG, sedangkan penggunaan wavelet induk db3 dan coif3 tidak memiliki perbedaan yang signifikan, kecuali perbedaan pada dominasi kanal yang kurang dari 3%. Universitas Gadjah Mada Yogyakarta, 20 Juli
4 ISSN: Teknis CITEE 2010 Hasil ekstraksi informasi pada subjek 5 menunjukkan bahwa beta muncul cukup dominan pada setiap kondisi perekaman. Gelombang beta tersebut muncul sangat dominan pada daerah occipital, sedangkan pada daerah yang lainnya, yaitu pada daerah central dan parietal perbedaan nilai korelasi antar ritme seperti pada subjek 3 dan subjek 4. Kemungkinan yang muncul ketika terjadi pola abnormal, yaitu aktivitas ictal pada alpha atau beta, adalah disebabkan oleh kerusakan lokal atau menyebar pada cerebral pada saat kelahiran, atau terjadi iritasi pada temporal lobe. Contoh penyakit akibat dari gangguan tersebut adalah status epilepticus [6]. Hasil dan pembahasan pada tiap subjek dan kondisi menyimpulkan salah satu hal di antaranya adalah dominasi kanal perekaman dan belahan otak. Kanal perekaman yang terdiri dari tiga bagian, yaitu central, parietal, dan occipital mewakili cerebral cortex yang memiliki empat bagian, yaitu frontal lobe, parietal lobe, occipital lobe, serta temporal lobe. Aktivitas kelistrikan pada frontal dan temporal lobe tidak direkam. Belahan otak terdiri yang dari dua bagian, yaitu otak kiri dan otak kanan mewakili cerebral hemisphere. Pada subjek 3, tiga dari lima kondisi perekaman menampakkan dominasi pada daerah parietal, dan pada empat dari lima kondisi perekaman, otak kanan lebih aktif daripada otak kiri subjek. Pada subjek 4, empat dari lima kondisi perekaman menampakkan dominasi pada daerah occipital, dan pada tiga dari lima perekaman, otak kiri lebih aktif daripada otak kanan subjek. Pada subjek 5, seluruh kondisi perekaman menampakkan dominasi pada daerah occipital, dan pada empat dari lima perekaman, otak kiri lebih aktif daripada otak kanan subjek. Tabel 4 menunjukkan bahwa terdapat enam pasangan parietal dan otak kanan serta dua belas pasangan occipital dan otak kiri. Parietal yang berfungsi dalam pengolahan rangsangan indera dan fungsi bahasa lebih dominan pada subjek dengan belahan otak kanan yang lebih dominan. Begitu pula untuk occipital yang berfungsi dalam penglihatan lebih dominan pada subjek dengan belahan otak kiri lebih dominan. Atau jika dikaitkan dengan fungsi-fungsinya, fungsi bahasa pada parietal bersesuaian dengan fungsi holistik pada otak kanan, sedangkan fungsi penglihatan pada occipital bersesuaian dengan fungsi logika pada otak kiri. V. KESIMPULAN Hasil analisis menunjukkan bahwa subjek 3 lebih dominan dalam aktivitas otak kanannya, sedangkan subjek 4 dan subjek 5 lebih dominan otak kirinya. Kemunculan beta pada occipital lobe subjek 5 menunjukkan kemungkinan kelainan pada occipital atau temporal lobe subjek 5. Selain itu juga menunjukkan bahwa pengguna dominan otak kanan lebih mengaktifkan peran parietal lobe, sedangkan pada subjek dengan otak kiri lebih dominan lebih mengaktifkan peran occipital lobe. Metode Dekorlet mampu mengekstraksi informasi dominasi otak, dengan perbedaan hasil dari wavelet induk daubechies 3 dan coiflet 3 kurang dari 3% (0,03). Wavelet induk Daubechies dan Coiflet memiliki sifatsifat yang cocok untuk melakukan analisis pada data rekam EEG. UCAPAN TERIMAKASIH Penelitian dapat terselenggara atas bantuan pihak Program Studi S1 Elektronika dan Instrumentasi atas Dana Penelitian Tahun Anggaran 2010 serta mahasiswa Tugas Akhir S1 Elektronika dan Instrumentasi, Jurusan Ilmu Komputer dan Elektronika, Fak. MIPA, Universitas Gadjah Mada, Yogyakarta. DAFTAR PUSTAKA [1] Sanei, S. dan Chambers, J. A., 2007, EEG Signal Processing, UK John Willey & Son Ltd., Wet Sussex. [2] Hadikesuma, F., 2009, Studi Pengaruh Beberapa Aktivitas Harian terhadap Aktivitas Kelistrikan Otak pada Hasil Rekam EEG menggunakan FFT, Skripsi, Jurusan Fisika FMIPA UGM, Yogyakarta. [3] Ocak, H., 2008, Optimal Classification of Epileptic Seizures in EEG using Wavelet Analysis and Genetic Algorithm, Elsevier, Kocaeli, Turkey. [4] Putra, A. E., 2006, Transformasi Paket Wavelet, Dekomposisi Wavelet dan Korelasi pada Data Seismik Gunung Merapi, Jawa - Indonesia, Prosiding Seminar Nasional Teknologi Indonesia 2006, Univeritas Tarumanagara, Jakarta. [5] Putra, A. E., 2009, Studi Perbandingan Metode-metode Analisis Sinyal Sederhana berbasis Wavelet, Proceedings of Conference on Information Technology and Electrical Engineering (CITEE) 2009, Jurusan Teknik Elektro, Fakultas Teknik, UGM, Yogyakarta. [6] Spehlmann, R., 1981, EEG Primer, Elsevier/North-Holland Biomediacal Press, Amsterdam. 166 Yogyakarta, 20 Juli 2010 Universitas Gadjah Mada
5 Gambar 4: Hasil korelasi pada EEG yang didekomposisi setengah Tabel 2. Nilai korelasi dan dominasi otak Kanal Nilai korelasi Dominasi otak c3 dan c ;0.4011; dan ;0.4233; d c D C : kanan p3 dan p ;0.4185; dan ;0.4175; d A D c : kiri o1 dan o ;0.3925; dan ;0.3887; d A D a : kiri Tabel 3. Perbedaan dominasi kanal dilihat dari nilai korelasinya Subjek dan kondisi Subjek 3, counting Subjek 4, lettercomposing Subjek 5, baseline Subjek 5, counting Kanal Nilai korelasi perekaman Daubechies 3 Coiflet 3 Selisih C3 0,4367 0,4550 0,0183 P3 0,4134 0,4388 0,0254 C3 0,4167 0,4412 0,0245 C4 0,4198 0,4180 0,0018 C4 0,4081 0,4190 0,0109 O1 0,4104 0,4050 0,0054 O1 0,4497 0,4613 0,0122 O2 0,4509 0,4587 0,0078 Tabel 4: Hubungan dominasi daerah perekaman dan dominasi belahan otak Kondisi Subjek 3 Subjek 4 Subjek 5 Daubechies 3 Baseline Parietal kiri Central kiri Occipital kiri Multiplication Parietal kanan Occipital kiri Occipital kiri Letter-composing Parietal kanan Central kanan Occipital kiri Rotation Parietal kanan Occipital kiri Occipital kanan Counting Parietal kiri Occipital kiri Occipital kanan Coiflet 3 Baseline Parietal kiri Central kiri Central kanan Multiplication Parietal kanan Occipital kiri Occipital kiri Letter-composing Parietal kanan Central kiri Occipital kiri Rotation Parietal kanan Occipital kiri Occipital kanan Counting Central kiri Occipital kiri Occipital kiri Universitas Gadjah Mada Yogyakarta, 20 Juli
BAB I PENDAHULUAN 1.1 Latar Belakang Penelitian terkait Gunung Merapi merupakan hal yang menarik untuk dilakukan. Berbagai metode digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Penelitian terkait Gunung Merapi merupakan hal yang menarik untuk dilakukan. Berbagai metode digunakan untuk mengetahui aktivitas dan karakteristik dari gunung tersebut.
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 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 terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Sinyal PCG Denoising Dekomposisi Frekuensi cuplik 8Khz Frekuensi cuplik 44,1Khz Frekuensi cuplik 48Khz Coiflet Symlet Daubechies Biorthogonal
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 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 terperinciBAB I PENDAHULUAN. Penyakit jantung merupakan salah satu penyebab kematian terbesar di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penyakit jantung merupakan salah satu penyebab kematian terbesar di Indonesia (Depkes, 2011). Penyakit jantung ini merupakan salah satu penyakit yang tidak
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 terperinciABSTRAK. Pemodelan Kecerdasan Buatan Untuk Pengenalan Citra Elektrokardiografi (EKG) Oleh: Imam Tazi, M.Si
1 ABSTRAK Pemodelan Kecerdasan Buatan Untuk Pengenalan Citra Elektrokardiografi (EKG) Oleh: Imam Tazi, M.Si Penelitian kecerdasan buatan untuk mengenali pola semakin banyak dilakukan dan dibutuhkan. Pada
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 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Meningkatnya ilmu pengetahuan dan teknologi khususnya pada bidang komunikasi saat ini berkembang dengan cepat. Kemajuan teknologi bertujuan untuk mempermudah kegiatan
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 terperinciPengaruh Latar Belakang Warna pada Objek Gambar terhadap Hasil Ekstraksi Sinyal EEG
IJEIS, Vol.7, No.2, October 2017, pp. 161~172 ISSN: 2088-3714 161 Pengaruh Latar Belakang Warna pada Objek Gambar terhadap Hasil Ekstraksi Sinyal EEG Catur Atmaji* 1, Zandy Yudha Perwira 2 1 Departemen
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 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 terperinciBAB I PENDAHULUAN. gagal ginjal, epilepsy dan lain sebagainya. Menurut Organisasi Kesehatan Dunia
1 BAB I PENDAHULUAN 1.1. Latar Belakang Penyakit jantung (koroner) merupakan salah satu penyebab kematian terbesar di dunia dan di Indonesia. Penyakit jantung ini merupakan salah satu penyakit yang tidak
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 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 terperinciBAB I PENDAHULUAN. terbesar (39%), diikuti kanker (27%), sedangkan penyakit pernafasan kronis,
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penyakit jantung menduduki peringkat teratas penyebab kematian di dunia. Proporsi penyebab kematian penyakit tidak menular (PTM) pada orangorang berusia kurang
Lebih terperinciBAB I PENDAHULUAN. PSD Bab I Pendahuluan 1
BAB I PENDAHULUAN Pengolahan Sinyal Digital (Digital Signal Processing, disingkat DSP) adalah suatu bagian dari sain dan teknologi yang berkembang pesat selama 40 tahun terakhir. Perkembangan ini terutama
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 terperinciAplikasi Transformasi Wavelet Untuk Menghilangkan Derau Pada Sinyal Peluahan Sebagian
Aplikasi Transformasi Wavelet Untuk Menghilangkan Derau Pada Sinyal Peluahan Sebagian Swastiti Vinana Sari 1, Achmad Hidayatno 2, Abdul Syakur 2 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. yang digunakan dapat dilihat pada Tabel 4.1 dan Tabel 4.2.
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan perbandingan sinyal suara jantung dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan
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 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 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 terperinciANALISIS MULTI WAVELET PADA KOMPRESI SUARA. Disusun Oleh: Immanuel Silalahi. Nrp :
ANALISIS MULTI WAVELET PADA KOMPRESI SUARA Disusun Oleh: Nama : Immanuel Silalahi Nrp : 0422060 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof.Drg.Suria Sumantri, MPH
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. database dan database query, secara keseluruhan menggunakan cara yang sama.
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Experimen Pada dasarnya tahapan yang dilakukan pada proses pengambilan sampel dari database dan database query, secara keseluruhan menggunakan cara yang sama. Berdasarkan
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 terperinciEEG NORMAL PADA ANAK DAN DEWASA
EEG NORMAL PADA ANAK DAN DEWASA Uni Gamayani, Dr, SpS. Bag. I. Penyakit Saraf RS. Hasan Sadikin/ FK. UNPAD EEG Normal adalah gambaran EEG tanpa adanya pola abnormal yang berhubungan dengan kelainan secara
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 terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM. penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari
Lebih terperinciGambar IV-1. Perbandingan Nilai Korelasi Antar Induk Wavelet Pada Daerah Homogen Untuk Level Dekomposisi Pertama
BAB IV ANALISIS IV.1 Analisis Terhadap Hasil Pengolahan Data Gambar IV-1 menunjukkan peningkatan nilai korelasi dari sebelum transformasi wavelet dengan setelah transformasi wavelet pada level dekomposisi
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 terperinciABSTRAK 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 terperinciBAB III METODE PENELITIAN. jantung pasien penyakit jantung secara elektro-akustik atau PCG
BAB III METODE PENELITIAN A. Metode Pengumpulan Data Data penelitian ini diperoleh melalui observasi terhadap pasien penyakit jantung. Penelitian ini menggunakan alat untuk mendeteksi dan perekaman detak
Lebih terperinciBAB I PENDAHULUAN SIMULASI DAN ANALISIS PEMANTAUAN KAMAR PASIEN RAWAT INAP DENGAN DETEKSI DAN KLASIFIKASI SINYAL AUDIO 1
BAB I PENDAHULUAN 1.1 Latar Belakang Pasien rawat inap di rumah sakit membutuhkan perawatan yang intensif dari dokter atau perawat. Hal ini dilakukan dengan memantau kesehatan pasien secara fisik dan psikologi
Lebih terperinci4.2.3 UJI PROTEKSI TERHADAP ARUS LISTRIK RATA RATA BERLEBIH
maksimum 1,54%. Nilai kesalahan rata-rata kurang dari 1% ini menunjukkan proteksi terhadap muatan listrik berlebih memadai untuk diterapkan pada sistem terapeutik. Tetapi data kesalahan maksimum yang mencapai
Lebih terperinci1. Pendahuluan Latar Belakang
1. Pendahuluan 1.1. Latar Belakang Musik merupakan sarana untuk menyimpan hasil karya seseorang. Dan hampir semua notasi musik dituliskan ke dalam not balok. Not balok adalah susunan nada yang ditulis
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Model Penelitian Penelitian yang dilakukan dapat dijelaskan dengan lebih baik melalui blok diagram seperti yang terliat pada Gambar 3.1. Suara Manusia Rekam suara Hasil rekaman
Lebih terperinciANALISIS SINYAL SEISMIK GUNUNG MERAPI, JAWA TENGAH - INDONESIA MENGGUNAKAN METODE ADAPLET (TAPIS ADAPTIF BERBASIS WAVELET)
ANALISIS SINYAL SEISMIK GUNUNG MERAPI, JAWA TENGAH - INDONESIA MENGGUNAKAN METODE ADAPLET (TAPIS ADAPTIF BERBASIS WAVELET) Agfianto Eko Putra 1, Adi Susanto 2, Kirbani Sri Brotopuspito 3, Jazi Eko Istiyanto
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 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Teknologi selalu mengalami perkembangan dari tahun ke tahun salah satunya telepon genggam yang semakin canggih, dari era telepon rumah dengan switching yang dilakukan
Lebih terperinciGambar 2.1 Perangkat UniTrain-I dan MCLS-modular yang digunakan dalam Digital Signal Processing (Lucas-Nulle, 2012)
BAB II TINJAUAN PUSTAKA 2.1 Digital Signal Processing Pada masa sekarang ini, pengolahan sinyal secara digital yang merupakan alternatif dalam pengolahan sinyal analog telah diterapkan begitu luas. Dari
Lebih terperinciBAB III METODE PENELITIAN. Alam Universitas Lampung pada bulan Februari 2014 sampai Mei 2014.
4 BAB III METODE PENELITIAN 3.. Waktu dan Tempat Pelaksanaan Penelitian ini dilaksanakan di Laboratorium Pemodelan Fisika dan Laboratorium Elektronika Dasar Jurusan Fisika Fakultas Matematika dan IImu
Lebih terperinciPENGENALAN CITRA REKAMAN ECG ATRIAL FIBRILATION DAN NORMAL MENGGUNAKAN DEKOMPOSISI WAVELET DAN K-MEAN CLUSTERING
PENGENALAN CITRA REKAMAN ECG ATRIAL FIBRILATION DAN NORMAL MENGGUNAKAN DEKOMPOSISI WAVELET DAN K-MEAN CLUSTERING Mohamad Sofie 1*, Eka Nuryanto Budi Susila 1, Suryani Alifah 1, Achmad Rizal 2 1 Magister
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 terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Database sinyal EKG Pengambilan data dari database Visual Basic 6.0 Discrete Wavelet Transform (DWT) Dekomposisi Daubechies Orde 2
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 terperinciPENGENALAN POLA SINYAL KARDIOGRAFI DENGAN MENGGUNAKAN ALIHRAGAM GELOMBANG SINGKAT
PENGENALAN POLA SINYAL KARDIOGRAFI DENGAN MENGGUNAKAN ALIHRAGAM GELOMBANG SINGKAT Evrita Lusiana Utari 1, Agus Qomaruddin Munir 2 1 Prodi Teknik Elektro, Fakultas Sains & Teknologi Universitas Respati
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 terperinciBAB IV HASIL PENGUKURAN LAPANGAN, PENGOLAHAN, DAN ANALISIS DATA SEISMOELEKTRIK
BAB IV HASIL PENGUKURAN LAPANGAN, PENGOLAHAN, DAN ANALISIS DATA SEISMOELEKTRIK 4.1 Data Hasil Pengukuran Lapangan Dalam bab ini akan dijelaskan hasil-hasil yang diperoleh dari pengukuran langsung di lapangan
Lebih terperinciAnalisa Suara Jantung Normal Menggunakan Discrete Wavelet Transform (DWT) dan Fast Fourier Transform (FFT)
Analisa Suara Jantung Normal Menggunakan Discrete Wavelet Transform (DWT) dan Fast Fourier Transform (FFT) Putri Madona Jurusan Teknik Elektro Program Studi Teknik Elektronika Politeknik Caltex Riau Pekanbaru,
Lebih terperinciBAB IV ANALISIS. Tabel IV-1 Perbandingan Nilai Korelasi Antar Induk Wavelet pada Daerah Homogen. Wavelet
BAB IV ANALISIS IV.1 Perbandingan Nilai Antar Induk Pada daerah homogen, penggunaan transformasi satu dimensi hanya meningkatkan sedikit nilai korelasi, dilihat dari nilai korelasi sebelum dilakukan transformasi
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 1 PENDAHULUAN. berkaitan dengan pemprosesan sinyal suara. Berbeda dengan speech recognition
BAB 1 PENDAHULUAN 1.1 Latar Belakang Speaker recognition adalah salah satu bidang pengenalan pola yang berkaitan dengan pemprosesan sinyal suara. Berbeda dengan speech recognition yang mengenali kata atau
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 terperinciI. PENDAHULUAN. pembuluh darah secara teratur dan berulang. Letak jantung berada di sebelah kiri
I. PENDAHULUAN 1.1. Latar Belakang Jantung merupakan salah satu rongga organ berotot yang memompa darah ke pembuluh darah secara teratur dan berulang. Letak jantung berada di sebelah kiri bagian dada diantara
Lebih terperinciPengukuran dan Analisa Sinyal Otak Manusia dengan Studi Kasus Pemberian Input Suara
Pengukuran dan Analisa Sinyal Otak Manusia dengan Studi Kasus Pemberian Input Suara Measurement and Analysis of Human Brain Signals with Case Study of Sound Input Provision Fashbir Jurusan Fisika, Fakultas
Lebih terperinci4. HASIL DAN PEMBAHASAN
4. HASIL DAN PEMBAHASAN 4.1. Batimetri Selat Sunda Peta batimetri adalah peta yang menggambarkan bentuk konfigurasi dasar laut dinyatakan dengan angka-angka suatu kedalaman dan garis-garis yang mewakili
Lebih terperinciHubungan 1/1 filter oktaf. =Frekuesi aliran rendah (s/d -3dB), Hz =Frekuesi aliran tinggi (s/d -3dB), Hz
Hubungan 1/1 filter oktaf f 1 f 2 f 1 = 2 1/2f c f 1 = 2 1/2f c f 1 = 2f c1 = frekuensi tengah penyaring =Frekuesi aliran rendah (s/d -3dB), Hz =Frekuesi aliran tinggi (s/d -3dB), Hz Analisis oktaf sepertiga,
Lebih terperinciBAB I PENDAHULUAN. Proses pengenalan kata merupakan salah satu fungsi dari
BAB I PENDAHULUAN I.1. Latar Belakang Masalah Proses pengenalan kata merupakan salah satu fungsi dari voice recognition. Voice recognition dibagi menjadi dua jenis, yaitu speech recognition dan speaker
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciMETODE PENELITIAN. Penelitian ini mulai dilaksanakan pada bulan November 2014 sampai dengan
34 III. METODE PENELITIAN A. Waktu dan Tempat Penelitian ini mulai dilaksanakan pada bulan November 2014 sampai dengan April 2015. Perancangan sistem, identifikasi kadar air pada kayu jati dan akasia daun
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 terperinciPenggunaan Bilangan Kompleks dalam Pemrosesan Signal
Penggunaan Bilangan Kompleks dalam Pemrosesan Signal Stefanus Agus Haryono (13514097) 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
1.1. Latar Belakang BAB I PENDAHULUAN Fotogrametri dapat didefinisikan sebagai suatu seni, pengetahuan dan teknologi untuk memperoleh informasi yang dapat dipercaya tentang suatu obyek fisik dan keadaan
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 METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian tugas akhir ini dilaksanakan pada : Waktu : Juni 2014 Maret 2015 Tempat : Laboratorium Terpadu Jurusan Teknik Elektro Universitas Lampung
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 terperinciPROGRAM PASCA SARJANA JURUSAN TEKNIK ELEKTRO ELEKTRONIKA
RANCANG BANGUN SISTEM KOMUNIKASI ANTAR PEMAKAI HELM BERBASIS PENGENALAN WICARA DISUSUN OLEH : YUNUS WICAKSONO SUGIARSO NRP.2208204002 PROGRAM PASCA SARJANA JURUSAN TEKNIK ELEKTRO ELEKTRONIKA INSTITUT TEKNOLOGI
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 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 terperinciAnalisis Dimensi Fraktal Sinyal Elektrokardiografi
Analisis Dimensi Fraktal Sinyal Elektrokardiografi Rizki Yara Exsa Narvinda 1, Arif Surtono 1 dan Amanto 2 1 Jurusan Fisika FMIPA Universitas Lampung Jl. Prof. Dr. Soemantri Brojonegoro No.1 Gedung Meneng
Lebih terperinciBAB I PENDAHULUAN. manusia satu dengan manusia lainnya berbeda-beda intonasi dan nadanya, maka
BAB I PENDAHULUAN 1.1. LATAR BELAKANG MASALAH Suara adalah suatu alat komunikasi paling utama yang dimiliki oleh manusia. Dengan suara, manusia dapat berkomunikasi dengan manusia lainnya. Melalui suara,
Lebih terperinciBAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era yang semakin maju ini, teknologi telah memegang peranan penting dalam kehidupan manusia sehari-hari, sehingga kemajuannya sangat dinantikan dan dinikmati para
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jantung adalah salah satu organ penting dalam tubuh manusia yang berfungsi memompa darah ke seluruh tubuh. Darah yang dipompa ke seluruh tubuh melalui sistem peredaran
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 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 terperinciEkstraksi Fitur Sinyal Elektroensefalograf (EEG) Untuk Identifikasi Unspoken-speech Menggunakan EEGLAB
Ekstraksi Fitur Sinyal Elektroensefalograf (EEG) Untuk Identifikasi Unspoken-speech Menggunakan EEGLAB Bagas Isadewa #1, Ir. Syamsul Arifin, MT. #2, Andi Rahmadiansah, ST. MT. #3 # Jurusan Teknik Fisika,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
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 masing-masing komponen perangkat.
Lebih terperinciBAB III PROTEKSI TRANSFORMATOR DAYA MENGGUNAKAN TRANSFORMASI WAVELET. 1980, dalam bahasa Prancis ondelette, yang berarti gelombang kecil.
BAB III PROTEKSI TRANSFORMATOR DAYA MENGGUNAKAN TRANSFORMASI WAVELET A. Dasar Teori Transformasi Kata dikemukakan oleh Morlet dan Grossmann pada awal tahun 1980, dalam bahasa Prancis ondelette, yang berarti
Lebih terperinciANALISIS FREKUENSI DAN REKAYASA SINYAL KELUARAN TRAFO STEPDOWN DENGAN FFT
Nanang Suwondo Analisis Frekuensi dan ANALISIS FREKUENSI DAN REKAYASA SINYAL KELUARAN TRAFO STEPDOWN DENGAN FFT Oleh: Nanang Suwondo Pendidikan Fisika, Universitas Ahmad Dahlan, Yogyakarta Email nang_sw@yahoo.com
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 SPEAKER IDENTIFICATION DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF
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 terperinciMODUL. Nyquist dan Efek Aliasing, dan Transformasi Fourier Diskrit
MODUL Nyquist dan Efek Aliasing, dan Transformasi Fourier Diskrit PENDAHULUAN Pada awalnya kita hanya mengenal sinyal atau isyarat analog dan kontinyu (terus menerus tanpa ada jeda sedikitpun, misalnya
Lebih terperinciDeteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation
Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation Tri Deviasari Wulan 1, Endah Purwanti 2, Moh Yasin 3 1,2 Program Studi Fisika Fakultas Sains dan Teknologi
Lebih terperinciBAB I PENDAHULUAN. I.1 Latar Belakang Masalah
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Salah satu bentuk aplikasi JST yang terus dikembangkan saat ini adalah Jaringan Kohonen. Kohonen adalah bentuk khusus dari jaringan kompetitif. Jaringan ini
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
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 terperinciBAB I PENDAHULUAN. Fenomena fisika tidak selalu direpresentasikan dalam masalah bendabenda
BAB I PENDAHULUAN 1.1 Latar Belakang Fenomena fisika tidak selalu direpresentasikan dalam masalah bendabenda mati (fisik), tetapi dapat terjadi pula pada benda-benda hidup (hayati), contohnya adalah pada
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Metode Penelitian Dalam metode penelitian ini dijelaskan bagaimana proses pendeteksian kebohongan menggunakan metode SVM untuk sinyal EEG. Metode penelitian dapat dilihat
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 terperinciSISTEM TELECARDIAC MONITORING EKSTRAKSI DAN TRANSMISI PARAMETER TEMPORAL SINYAL JANTUNG MELALUI KANAL RADIO
SISTEM TELECARDIAC MONITORING EKSTRAKSI DAN TRANSMISI PARAMETER TEMPORAL SINYAL JANTUNG MELALUI KANAL RADIO Norma Hermawan 1), Muh. Farid Retistianto 2), Achmad Arifin 3) 1),3 ) Teknik Biomedik, Institut
Lebih terperinciPemampatan Citra Warna Menggunakan 31 Fungsi Gelombang-Singkat
Pemampatan Citra Warna Menggunakan 31 Fungsi Gelombang-Singkat Albertus Joko Santoso Teknik Informatika Fakultas Teknologi Industri Universitas Atma Jaya Yogyakarta albjoko@mail.uajy.ac.id Gede Bayu Suparta
Lebih terperinciDETEKSI OTOMATIS KELAINAN JANTUNG MENGGUNAKAN HIDDEN MARKOV MODEL (HMM)
DETEKSI OTOMATIS KELAINAN JANTUNG MENGGUNAKAN HIDDEN MARKOV MODEL (HMM) Jondri dan Achmad Rizal Institut Teknologi Telkom, Bandung jdn@ittelkom.ac.id dan arz@ittelkom.ac.id ABSTRACT The heart of patient
Lebih terperinciBAB III METODE PENELITIAN. Gambar Gambar Beberapa Gunungapi di Pulau Jawa
BAB III METODE PENELITIAN Data yang digunakan dalam penelitian ini adalah data sekunder dan merupakan data rekaman sinyal seismik Gunungapi Semeru yang diperoleh dari pos pengamatan gunungapi Semeru. Data
Lebih terperinciANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN KATUP JANTUNG PADA MANUSIA
ANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN KATUP JANTUNG PADA MANUSIA Sidang Tesis S2 Teknik Sistem Pengaturan FTI-ITS Surabaya EDY SETIAWAN
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1.1 Latar Belakang BAB I PENDAHULUAN Dewasa ini penciptaan video game tidak hanya ditujukan untuk media hiburan saja melainkan juga diperuntukan sebagai media pendidikan bagi berbagai kalangan khususnya
Lebih terperinci