KLASIFIKASI SINYAL EEG MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) UNTUK DETEKSI KEBOHONGAN
|
|
- Fanny Kusuma
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Fibusi (JoF) Vol. 3 No. 3, Desember 2015 KLASIFIKASI SINYAL EEG MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) UNTUK DETEKSI KEBOHONGAN Bagus Kumbara 1, Arjon Turnip 2*, Waslaluddin 1* 1 Departemen Pendidikan Fisika, Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam, Universitas Pendidikan Indonesia (UPI) 2 Balai Pengembangan Instrumentasi Lembaga Ilmu Pengetahuan Indonesia (BPI LIPI) bagus.kumbara@student.upi.edu, jujhin@gmail.com, waslaluddin@upi.edu ABSTRAK Electroencephalogram (EEG) merupakan aktifitas sinyal listrik yang berasal dari elektroda yang dipasangkan pada area otak. Aktifitas sinyal listrik dari otak menyimpan informasi penting yang merupakan sumber informasi utama dalam mendeteksi kebohongan. Support Vector Machine (SVM) digunakan untuk mengklasifikasi siyal EEG untuk mendapatkan hasil deteksi kebohongan. Penelitian ini bertujuan untuk menghasilkan model SVM yang dapat menentukan data EEG untuk subjek berbohong atau tidak. Dalam perekaman EEG, sinyal yang didapat tidak sepenuhnya berasal dari otak namun dapat terkontaminasi oleh sinyal lain seperti EOG, ECG dan EMG. Sehingga untuk mendapatkan informasi yang sesuai, maka dilakukan tahapan pengolahan sinyal digital pada sinyal EEG. Tahapan pengolahan digital meliputi, remove offset, Independent Component Analysis (ICA), Bandpass filter dan Trial data. Sinyal EEG yang bersih digunakan untuk mengetahui informasi yang disembunyikan oleh subjek, misalnya ketika sedang berbohong. Penelitian yang dilakukan menghasilkan model SVM dengan akurasi 75% dan waktu komputasi detik, sehingga dapat menentukan data EEG untuk subjek berbohong atau tidak. Kata Kunci : EEG, SVM, deteksi kebohongan ABSTRACT Electroencephalogram (EEG) is the activity of bioelectrical signals that recorder from from electrodes on the scalp. Activity of electrical signals from brain bring important information which is the main source of information in lie detecting. Support Vector Machine (SVM) is used to classify the EEG siyal to get results of lie detection. This research is proposed to generated svm model that can determine EEG data for subjects lying or not. In EEG recording, the signal obtained is not entirely derived from the brain but can be contaminated by other signals such as EOG, ECG and EMG. So that to obtain the appropriate information, then do digital signal processing to EEG signals. Digital signal processing process included, remove offset, Independent Component Analysis (ICA), Bandpass filter and Trial data. Clean EEG signals is used to determine the information that hidden by the subject, for example when you're lying. This research conducted a SVM model with accuracy 75% and computation time seconds, so that can determine the EEG data for the subject lying or not. Keywords: EEG, SVM, lie detection *Penulis Penanggung Jawab 1
2 Bagus K, dkk, Klasifikasi Sinyal Eeg Menggunakan Support Vector Machine (Svm) Untuk Deteksi Kebohongan PENDAHULUAN Otak merupakan organ yang sangat penting pada manusia, dimana otak memiliki kemampuan untuk mengendalikan setiap aktivitas yang dilakukan oleh manusia baik dalam keadaan sadar maupun tidak sadar, seperti menggerakan tangan, kaki, mata maupun merasakan keadaan yang ada diluar sistem tubuh manusia. Aktivitas kerja otak merupakan aktivitas kelistrikan yang sifatnya terus menerus atau kontinyu, otak manusia menunjukkan pola aktivasi dalam kondisi normal maupun abnormal dalam melakukan setiap kegiatan. Aktifitas otak manusia banyak digunakan dalam berbagai aplikasi seperti dalam bidang medis (Gourab & Schmit, 2010; Zandi, dkk. 2010), bidang keteknikan: pengendalian robot (Swords, dkk. 2013; Ranky & Adamovich, 2010; Hazrati & Erfanian, 2010), wheelchair atau kursi roda (Ahmed, 2011; Singla & Haseena, 2013), bidang komunikasi: sistem penulisan dan keyboard virtual (Shishkin, dkk. 2011; Akram, dkk. 2014). Penelitian mengenai aktivitas otak dapat dihasilkan dari pengukuran sinyal otak menggunakan electroencephalogram (EEG), magentoencephalography (MEG), dan functional magnetic resonance imaging (fmri). Pengukuran sinyal otak menggunakan EEG merupakan salah satu teknik pengukuran sinyal biolistrik noninvasif yang relatif sering digunakan karena memiliki resolusi temporal yang tinggi dan cepat merespon setiap perubahan aktivitas otak, kemudahan dalam penggunaan, kenyamanan subjek dalam proses perekaman. Sinyal EEG membawa informasi yang penting yang menjadi sumber informasi utama dalam penelitian mengenai fungsi otak dan gangguan neurologis (Halchenko, dkk. 2005). Sinyal EEG terdiri dari berbagai jenis sinyal, yaitu: Slow Cortical Potential (SCP) (Birbaumer, dkk. 1999), Event-Related Desynchronization (ERD) (Kalcher, dkk. 1996), Steady-State Visual Evoked Potential (SSVEP) (Middendorf, dkk. 2000; Hwang, dkk. 2012), dan EventRelated Potential (ERP) (Sellers, dkk. 2006; Shishkin, dkk. 2011). Kebohongan merupakan tindakan menutupi sesuatu informasi sehingga kebenaran dari pernyataan tersebut hanya diketahui oleh orang yang berhohong. Infromasi yang tersembunyi dari subjek berbohong akan menimbulkan respon sinyal EEG dalam bentuk respon sinyal P300. Metode eksperimen yang digunakan untuk menghasilkan respon sinyal P300 adalah metode P300-GKT (P300 Guilty Knowledge Test) (Abootalebi, dkk. 2009). Pengolahan sinyal P300 dilakukan untuk mendapatkan informasi yang terdapat pada sinyal tersebut, pengolahan terdiri dari pengolahan sinyal digital, ekstraksi fitur dan klasifikasi. Pengolahan sinyal digital meliputi tahapan remove offset, Independent Component Analysis (ICA), Bandpass Filter, dan Trial data. Dalam penelitian ini akan digunakan metode klasifikasi menggunakan support vector machines (SVM) dengan sebuah dasar pemikiran bahwa SVM memiliki sistem klasifikasi yang baik dan proses komputasi yang cepat. METODE Penelitian ini dilakukan dalam beberapa tahap, yaitu tahap studi literatur, pengolahan data, pelatihan algoritma SVM, dan Analisis hasil penelitian. Studi literatur bertujuan untuk mempelajari teori-teori yang berkaitan dengan deteksi kebohongan dari sinyal EEG seperti teknik pengambilan data, pengolahan sinyal digital, ekstraksi fitur, klasifikasi menggunakan Support Vector Machine (SVM). Pengolahan data dilakukan untuk menghasilkan data EEG yang baik sehingga ciri untuk deteksi kebohongan dapat diklasifikasi dengan menggunakan SVM. Pelatihan algoritma SVM menggunakan data EEG yang telah melalui 2
3 proses pengolahan data sehingga dihasilkan model SVM yang baik dengan tingkat akurasi tinggi dalam mengklasifikasi data EEG subjek berbohong atau tidak. Tahap akhir dari penelitian adalah analisis hasil penelitian, yaitu meninjau data dari hasil penelitian sehingga didapatkan data-data yang merepresentasikan hasil penelitian yang dilakukan. Dalam proses perekaman sinyal EEG, 11 subjek diikutsertakan dalam proses eksperimen, dimana subjek merupakan orang yang belum terlatih dalam mengikuti proses eksperimen. subjek akan menentukan dirinya sebagai pembohong atau tidak dalam proses eksperimen dimana informasi tersebut hanya diketahui oleh subjek hingga proses perekaman sinyal EEG selesai dilakukan. Metode eksperimen yang dilakukan merupakan metode P300-GKT (Guilty Knowledge Test) (Abootalebi, dkk. 2009). Dalam metode P300-GKT terdapat 3 stimulus yang diberikan, yaitu stimulus irrelevant, probe, dan target. Stimulus irrelevant merupakan benda yang tidak terkait dengan kebohongan maupun tidak dan tidak diketahui baik oleh subjek berbohong atau tidak, stimulus probe merupakan benda yang berhubungan dengan informasi yang hanya diketahui subjek berbohong dan juga peneliti, sehingga bagi subjek berbohong akan mengetahui stimulus ini sedangkan subjek tidak berbohong tidak, dan stimulus target merupakan benda yang menyerupai kedua stimulus diatas, namun pada saat stimulus ini muncul subjek diberi perintah untuk melakukan aktifitas tertentu (dalam penelitian ini subjek diperintahkan untuk menghitung jumlah selama percobaan). Dilakukan beberapa analisis data dalam penelitian ini diantaranya yaitu analisis pengolahan sinyal digital yang meliputi tahapan-tahapan pra-proses, ekstraksi fitur dan klasifikasi SVM. Dalam tahapan praproses analasis data awal (raw data), hasil remove offset, hasil Independent Component Analysis (ICA), hasil bandpass filter, dan hasil trial data. Dari hasil trial data dilakukan tahapan ekstraksi fitur sehingga didapatkan sample data untuk diklasifikasi mengggunakan SVM. HASIL DAN PEMBAHASAN A. Pengolahan Sinyal Digital Pengolahan sinyal digital dilakukan untuk setiap data EEG untuk mendapatkan sinyal EEG yang baik. Pengolahan sinyal digital dilakukan menggunakan software MATLAB. Tahapan pengolahan sinyal digital meliputi Pra-proses, Ekstraksi fitur, dan Klasifikasi SVM. Pengolahan sinyal digital bertujuan untuk mendapatkan informasi yang ada dalam sinyal EEG sehingga dapat menentukan seorang subjek berbohong atau tidak. 1. Pra-Proses Pra-proses merupakan tahapan awal pengolahan sinyal digital yang terdiri dari rangkaian proses: raw data, remove offset, Independent Component Analysis (ICA), Bandpass Filter, dan Trial data. Pada akhir pra-proses diharapkan sinyal EEG merupakan sinyal asli EEG yang telah terpisah dari berbagai noise dan sudah merupakan komponen tunggal dari setiap kanal. a) Raw Data Raw data merupakan sinyal EEG hasil perekaman yang belum mengalami proses pengolahan sinyal. Data ini merupakan data asli sinyal EEG yang didapatkan dari hasil perekaman, rata-rata amplitudo untuk semua subjek memiliki nilai µv. Itu menunjukkan bahwa sinyal EEG tersebut masih bercampur dengan noise yang lain. Raw data sinyal EEG untuk masing-masing grup dapat dilihat pada Gambar 1 dan Gambar 2. 3
4 Bagus K, dkk, Klasifikasi Sinyal Eeg Menggunakan Support Vector Machine (Svm) Untuk Deteksi Kebohongan Gambar 1. Raw data : Grup Berbohong Subjek 8 Gambar 2. Raw data : Grup Tidak Berbohong Subjek 11 b) Remove offset Raw Data Raw Data Removing offset dilakukan untuk menghilangkan sinyal noise yang timbul dari penguatan sinyal yang terukur. Hasil dari remove offset ini mengurangi amplitudo dari sinyal EEG sebesar 5-10 µv dari sinyal raw data. Hasil remove offset sinyal EEG untuk masing-masing grup dapat dilihat pada Gambar 3 dan Gambar 4. ICA berasumsi bahwa saat pengukuran sumber sinyal bercampur dengan tambahan sinyal lain yang disebut noise. Sehingga menghasilkan sinyal campuran disebut. Dalam kasus EEG dalam eksperimen ini, sinyal campuran tersebut berisi informasi sinyal yang terdiri dari 5 channel. ICA berasumsi informasi sinyal dari masingmasing channel tersebut bercampur dengan channel lain, sehingga ICA memisahkan sinyal dari informasi matriks campuran menjadi sinyal dengan informasi matriks yang tidak bercampur atau biasa disebut komponen tunggal. Hasil dari pengolahan ICA pada sinyal EEG ditampilkan pada Gambar 5 dan Gambar 6. ICA Gambar 5. Hasil proses ICA : Grup Berbohong Subjek 8 ICA Remove offset Gambar 3. Hasil remove offset : Grup Berbohong Subjek 8 Remove offset Gambar 4. Hasil remove offset : Grup Tidak Berbohong Subjek 11 c) Independent Component Analysis (ICA) Gambar 6. Hasil proses ICA : Grup Tidak Berbohong Subjek 11 Hasil dari ICA yang dilakukan pada sinyal EEG menghasilkan nilai amplitudo yang berbeda, yaitu adanya penurunan nilai amplitudo dari sinyal EEG. Nilai amplitudo yang dihasilkan sebersar ± 20 µv, nilai yang sangat jauh dibandingkan sinyal awal sebelum proses ICA. Hasil ini menunjukkan bahwa ICA berhasil memisahkan informasi dari setiap channel sehingga masing-masing channel merupakan komponen tunggal, sesuai dengan fungsi ICA. d) Bandpass Filter 4
5 Pada proses ICA sebelumnya menunjukan atas pengurangan nilai amplitudonya dan telah mengalami penghilangan artefak dan noise, akan tetapi untuk lebih mendapat sinyal EEG yang lebih bagus dilakukan kembali proses filter dengan menggunakan Band Pass Filter (BPF) dengan rentang frekuensi dari 0.3 Hz sampai 30 Hz karena dalam penelitian sinyal EEG, frekuensi yang memiliki informasi berada hingga rentang 30 Hz, sehingga untuk mendapatkan hasil frekuensi tersebut maka dilakukan proses Band Pass Filter. Hasil dari Bandpass filter pada sinyal EEG ditampilkan pada Gambar 7 dan Gambar 8. stimulus Probe, dan stimulus Target. Hasil dari trial data yang dilakukan dapat dilihat pada Gambar 9 dan Gambar 10. Target Probe Irrelevant Target Probe Trial Data Time [ms] Gambar 9. Hasil trial data : Grup Berbohong Subjek 8 Trial Data Bandpass Filter Irrelevant Time [ms] Gambar 7. Hasil bandpass filter : Grup Berbohong Subjek 8 Bandpass Filter Gambar 8. Hasil bandpass filter : Grup Tidak Berbohong Subjek 11 Hasil filter ini menghasilkan nilai amplitudo yang berbeda untuk beberapa channel, pengurangan amplitudo sebesar 2-5 µv. Namun ada beberapa channel yang tidak mengalami perubahan nilai amplitudo, karena sinyal tersebut memang berada pada rentang filter yang diterapkan. e) Trial data Trial data merupakan sampel-sampel data yang merupakan stimulus-stimulus yang diterapkan pada eksperimen pengambilan data. Sehingga akan didapatkan sampel stimulus Irrelevant, Gambar 10. Hasil trial data : Grup Tidak Berbohong Subjek 11 Hasil trial data ini yang akan di ekstraksi fitur sehingga dapat diklasifikasikan untuk mendeteksi kebohongan. Setiap stimulus menghasilkan sinyal yang berbeda satu sama lain, stimulus I terlihat berbeda dari stimulus P dan stimulus T sedangkan stimulus P dan stimulus T mempunyari karakteristik yang hampir sama. 2. Ekstraksi Fitur Sampel-sampel data yang dihasilkan dari proses trial data, kemudian diekstraksi fitur untuk melihat ciri dari data tersebut. Ciri ini yang nantinya akan digunakan untuk data sebagai input dari SVM yang akan diklasifikasikan kedalam 2 kelas/kelompok. Hasil dari ekstraksi fitur yang dilakukan terhadap sampel data dapat dilihat pada Tabel 1. 5
6 Bagus K, dkk, Klasifikasi Sinyal Eeg Menggunakan Support Vector Machine (Svm) Untuk Deteksi Kebohongan Tabel 1. Hasil ekstraksi fitur. No Subjek Sampel Ekstraksi Fitur (Amplitudo, µv) Min maks mode median mean Sampel 1-1,529 3,040-1,529 0,971 1,015 Sampel 2-1,214 3,102-1,215 0,766 0,802 Sampel 3-4,976 2,422-4,974-1,103-1,139 1 Subjek 8 Sampel 4-2,268 3,869-2,268 0,572 0,494 Sampel 5-1,920 3,076-1,917 0,946 0,913 Sampel 6-2,605 1,473-2,603-0,501-0,491 Sampel 7-4,474 2,380-4,471-1,434-1,394 Sampel 8-3,605 2,962-3,606-1,369-1,106 Sampel 1-2,896 4,625-2,896-0,411-0,132 Sampel 2-2,233 4,901-2,233 0,001 0,351 Sampel 3-2,382 4,113-2,383-0,552-0,408 2 Subjek 11 Sampel 4-5,317 6,782-5,318-0,346-0,260 Sampel 5-2,489 2,309-2,490-0,263-0,263 Sampel 6-1,070 3,654-1,069 0,861 0,954 Sampel 7-2,993 1,962-2,992-0,344-0,285 Sampel 8-5,290 4,165-5,289-0,399-0, Klasifikasi SVM Dari keseluruhan data stimulus probe yang diekstraksi fiturnya didapatkan 88 sample data mode amplitudo dan 88 data mean amplitudo. Sehingga kita memiliki 88 pasang data (mode amplitudo dan mean amplitudo), untuk proses klasifikasi kita membagi sample data tersebut untuk data pelatihan dan data pengujian. Dalam penelitian ini 80% dari sample data akan digunakan sebagai data pelatihan, yaitu berjumlah 64 pasang data kemudian 24 pasang data lainnya akan digunakan untuk data pengujian. Pelatihan dilakukan dengan mengklasifikasikan data kedalam 2 grup yaitu, grup berbohong dan grup tidak berbohong. Grup berbohong ditandai dengan nilai 1 sedangkan grup tidak berbohong ditandai dengan nilai 0. Setiap subjek memiliki 8 pasang data yang nantinya akan diklasifikasikan, kemudian nilai jumlah data dari hasil klasifikasi untuk setiap subjek kemudian digunakan untuk mendefinisikan subjek tersebut termasuk grup berbohong atau tidak. Pengujian dilakukan terhadap model SVM yang telah dibangun pada proses pelatihan. Model SVM yang mengidentifikasi nilai jumlah data terbaik dalam membagi subjek kedalam grup berbohong atau tidak, maka model tersebut akan digunakan. Dari hasil pelatihan dan pengujian model SVM didapatkan hasil yang akang ditampilkan pada Tabel 2. No. Percobaan Tabel 2. Hasil klasifikasi model SVM. Akurasi model SVM (%) Waktu komputasi (detik) Hasil Klasifikasi 1 Ke Tidak Terklasifikasi 2 Ke Tidak Terklasifikasi 3 Ke Terklasifikasi 6
7 4 Ke Tidak Terklasifikasi 5 Ke Tidak Terklasifikasi 6 Ke Tidak Terklasifikasi 7 Ke Tidak Terklasifikasi 8 Ke Tidak Terklasifikasi 9 Ke Terklasifikasi 10 Ke Terklasifikasi Dari Tabel 2 terdapat 3 hasil model SVM yang dapat mengklasifikasi data dengan nilai akurasi %, % dan 75 %, dengan waktu komputasi detik, detik, dan detik. Dengan mempertimbangkan nilai akurasi, maka model SVM pada percobaan ke-9 yang digunakan untuk dijadikan model SVM pada program deteksi kebohongan. B. Brain Mapping Brain Mapping merupakan hasil pemetaan data EEG yang telah dilakukan proses pengolahan sinyal digital, yang menunjukkan aktifitas gelombang otak yang terekam untuk setiap channelnya. Brain Mapping merupakan komponen tunggal, sehingga hanya akan aktif untuk masing-masing channel yang digunakan pada saat perekaman data dan dapat disimpulkan bahwa proses pengolahan sinyal digital dilakukan dengan baik jika setiap channel aktif secara tunggal. Hasil Brain Mapping untuk setiap channel dapat dilihat pada Gambar 11. Gambar 11. Hasil brain mapping. 7
8 Bagus K, dkk, Klasifikasi Sinyal Eeg Menggunakan Support Vector Machine (Svm) Untuk Deteksi Kebohongan Dari Gambar 11 dapat dilihat semua channel sudah terpisah dengan baik untuk semua subjek, namun pada channel dapat dilihat subjek 4 dan subjek 7 tidak terpisah dengan baik dibandingkan dengan subjek dan channel yang lain. Sehingga dapat disimpulkan hasil pengolahan sinyal digital yang dilakukan terhadap sinyal EEG setiap subjek tepat. C. Sinyal P300 Sinyal P300 merupakan bagian dari sinyal EEG yang termasuk ke dalam ERP (Event- Related Porential) dimana terjadi 300 ms setelah diberikan stimulus. Hasil dari plot data sinyal P300 untuk setiap stimulus dapat dilihat pada Gambar 12. (a) (b) (c) Gambar 12. Rata-rata sinyal P300 (a) stimulus irrelevant (b) stimulus probe (c) stimulus target Dari Gambar 12 dapat dilihat masingmasing stimulus, pada stimulus probe amplitudo rata-rata grup tidak berbohong lebih besar dibandingkan grup berbohong. Sedangkan pada stimulus target amplitudo rata-rata grup tidak berbohong relatif lebih kecil dibandingkan grup berbohong. Dan rata-rata stimulus probe memiliki nilai amplutodo yang lebih besari dibandingkan stimulus yang lain. D. Program SVM Untuk mengimplementasikan penelitian deteksi kebohongan berdasarkan sinyal P300, maka dikembangkan perangkat lunak (GUI : Graphic User Interface) yang memanfaatkan software MATLAB. Secara umum program ini digunakan untuk menerima data EEG yang kemudian akan dilakukan pengolahan sinyal dan klasifikasi untuk deteksi kebohongan. Masukan program ini berupa sinyal EEG hasil rekaman dan akan menghasilkan keluaran beberapa tahapan yang dilakukan, 8
9 seperti pengolahan sinyal digital, ekstraksi fitur dan klasifikasi SVM hingga didapatkan kesimpulan subjek tersebut berbohong atau tidak. Hasil GUI yang dibuat dalam MATLAB dapat dilihat pada Gambar 13. Sehingga metode SVM dapat diterapkan untuk deteksi kebohogan sinyal EEG. REFERENSI Gambar 13. GUI MATLAB program pendeteksi kebohongan Dari hasil GUI yang telah dibuat pada MATLAB, dapat disimpulkan bahwa program tersebut dapat berjalan dengan baik tanpa ada eror yang terjadi ketika program dijalankan. KESIMPULAN 1. Sinyal P300 menghasilkan respon yang sesuai dengan stimulus yang diberikan kepada subjek. 2. Ekstraksi fitur yang dilakukan terhadap sample data dari stimulus probe memberikan ciri terhadap sampel data sehingga dapat digunakan sebagai input data untuk proses klasifikasi. 3. Klasifikasi menggunakan support vectro machine menghasilkan 3 model svm dengan akurasi sebesar %, %, dan 75 %, dengan waktu komputasi detik, detik, dan detik. Dari hasil tersebut model SVM dengan akurasi 75 % yang digunakan sebagai data klasifikasi. Abootalebi, Vahid., Moradi, M Hassan., Khalilzadeh, M Ali. (2009). A new approach for EEG feature extraction in P300-based lie detection. Computer methods and programs in biomedicine, vol.94 hlm Ahmed, K. S. (2011). Wheelchair movement control via human eye blinks. American journal of biomedical engineering, vol.1 hlm Birbaumer, N., Ghanayim, N., Hinterberger, T., Iversen, I., Kotchoubey, B., Kubler, A., Perelmouter, J., Taub, E., Flor, H. (1999). "A Spelling Device for the Paralysed". Nature, vol.398 hlm Gourab, Krishnaj., Schmit, Brian D. (2010). Changes in movement-related b- band EEG signals in human spinal cord injury. Clinical Neurophysiology, vol.121 hlm Halchenko, Yaroslav O., Hanson, Stephen J., Pearlmutter, Barak A. (2005). Multimodal Integration: fmri, MRI, EEG, MEG. hlm Hazrati, M. K., & Erfanian, A. (2010). An online EEG-based brain computer interface for controlling hand grasp using an adaptive probabilistic neural network. Medical Engineering & Physics, vol.32 hlm Hwang, Han-Jeong., lim, Jeong-Hwan., Jung, Young-jin., Choi, Han., Lee, Sang Woo., Im, Chang-Hwan. (2012). Development of an SSVEP-based BCI spelling system adopting a QWERTYstyle LED keyboard. Journal of Neuroscience Methods, vol.208 hlm
10 Bagus K, dkk, Klasifikasi Sinyal Eeg Menggunakan Support Vector Machine (Svm) Untuk Deteksi Kebohongan Kalcher, J., Flotzinger, D., Neuper, Ch., Golly, S., Pfurtscheller, G. (1996). Graz braincomputer interface II: towards communication between humans and computers based on online classification of three different EEG patterns. Medical and Biological Engineering and Computing, vol.34 hlm Middendorf, Matthew., McMillan, G., Calhoun, G., Jones, Keith S. (2000). Brain-computer interfaces based on the steady-state visual-evoked response, IEEE TRANSACTIONS ON REHABILITATION ENGINEERING, VOL.8. Ranky, G. N., & Adamovich, S. (2010). Analysis of a Commercial EEG Device for the Control of a Robot Arm. IEEE. Sellers, Eric W., Keusienski, Dean J., McFarland, Dennis J., Vaughan, Teresa M., Wolpaw, Jonathan R. (2006). A P300 event-related potential brain computer interface (BCI): The effects of matrix size and inter stimulus interval on performance. Biological Psychology, vol.73 hlm Shishkin, S. L., Ganin, I. P., & Kaplan, A. Y. (2011 ). Event-related potentials in a moving matrix modification of the P300 brain computer interface paradigm. Neuroscience Letters, vol.496 hlm Singla, Rajesh., B.a,Haseena. (2013). BCI Based Wheelchair Control Using Steady State Visual Evoked Potentials adn Support Vector Machine. International Journal of Soft Computing and Engineering (IJSCE), vol.3. Swords, D., Sandygulova, A., Abdalla, S., & O'Hare, G. M. (2013). Electroencephalograms for Ubiquitous Robotic Systems. Procedia Computer Science, vol.21 hlm Zandi, A Shahidi., Javidan, Manouchehr., Dumont, Guy A., Tafreshi, Reza. (2010). Automated Real-Time Epileptic Seizure Detection in Scalp EEG Recordings Using an Algorithm Based on Wavelet Packet Transform. IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, vol
KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE
1 BAB I PENDAHULUAN 1.1 Latar Belakang Otak merupakan organ yang sangat penting pada manusia, dimana otak memiliki kemampuan untuk mengendalikan setiap aktivitas yang dilakukan oleh manusia baik dalam
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 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 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 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 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 terperinciPENGENALAN POLA EEG PADA KEMAMPUAN KONSENTRASI DAN MENGHITUNG
Proseding Seminar Nasional Fisika dan Aplikasinya Sabtu, 19 November 2016 Bale Sawala Kampus Universitas Padjadjaran, Jatinangor PENGENALAN POLA EEG PADA KEMAMPUAN KONSENTRASI DAN MENGHITUNG ARTHA IVONITA
Lebih terperinciBAB I PENDAHULUAN. Bab I Pendahuluan
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Perkembangan ilmu biomedikal telah mendorong banyak penelitian dilakukan untuk menghasilkan alat bantu diagnosa berbasis komputer. Salah satunya yaitu pendeteksian
Lebih terperinciLAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM
LAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM Oleh : Saeful Anwar 2009-51-030 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
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 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 terperinciPEMBUATAN SISTEM PENDETEKSI KANTUK DENGAN MENGANALISA GELOMBANG ATTENTION DAN MEDITATION MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
PEMBUATAN SISTEM PENDETEKSI KANTUK DENGAN MENGANALISA GELOMBANG ATTENTION DAN MEDITATION MENGGUNAKAN METODE SUPPORT VECTOR MACHINE Indoriko Shin 5209 100 065 Sistem Informasi, ITS 1. PENDAHULUAN 1.2 PerumusanMasalah
Lebih terperinciALGORITMA DETEKSI ADAPTIF BLIND WATERMARKING PADA CITRA DIGITAL DALAM DOMAIN TRANSFORMASI
ALGORITMA DETEKSI ADAPTIF BLIND WATERMARKING PADA CITRA DIGITAL DALAM DOMAIN TRANSFORMASI Disusun oleh : Gintaris Johanes Tarigan 0922022 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. drg. Suria Sumantri,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dunia kesehatan dewasa ini tidak bisa dipisahkan dengan teknologi yang terus berkembang. Pengembangan teknologi yang erat kaitannya dengan dunia kesehatan atau dunia
Lebih terperinciSimposium Nasional Teknologi Terapan (SNTT) ISSN: X
IDENTIFIKASI SINYAL ELEKTRODE ENCHEPALO GRAPH PADA PERGERAKAN KURSOR MENGGUNAKAN REGRESI PARABOLIK DAN K-NEAREST NEIGHBOR Hindarto Jurusan Teknik Informatika, Fakultas Teknik Universitas Muhammadiyah Sidoarjo
Lebih terperinciKOMPRESI CITRA MENGGUNAKAN COMPRESSED SENSING BERBASIS BLOK
KOMPRESI CITRA MENGGUNAKAN COMPRESSED SENSING BERBASIS BLOK Disusun Oleh : Ardyan Lawrence (1022068) Jurusan Teknik Elektro, Fakultas Teknik,, Jl. Prof. Drg. Suria Sumantri, MPH No.65, Bandung, Indonesia.
Lebih terperinciANALISA HASIL PERBANDINGAN IDENTIFIKASI CORE POINT PADA SIDIK JARI MENGGUNAKAN METODE DIRECTION OF CURVATURE DAN POINCARE INDEX
ANALISA HASIL PERBANDINGAN IDENTIFIKASI CORE POINT PADA SIDIK JARI MENGGUNAKAN METODE DIRECTION OF CURVATURE DAN POINCARE INDEX Mohammad imron (1), Yuliana Melita (2), Megister Teknologi Informasi Institusi
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 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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Elektromiografi (EMG) adalah teknik untuk mengevaluasi dan rekaman aktivitas listrik yang dihasilkan oleh otot rangka. EMG dilakukan menggunakan alat yang disebut Electromyograph,
Lebih terperinciBAB I PENDAHULUAN. bahkan di Dunia. Penyakit jantung dapat dideteksi dengan alat elektrokardiograf
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penyakit jantung adalah penyebab kematian terbesar di Indonesia, bahkan di Dunia. Penyakit jantung dapat dideteksi dengan alat elektrokardiograf (EKG). Petugas
Lebih terperinciBAB 5 KESIMPULAN DAN SARAN
BAB 5 KESIMPULAN DAN SARAN 5.1. Kesimpulan Berdasarkan hasil eksperimen erimen yang meliputi pelatihan dan pengujian jaringan untuk klasifikasi serta analisis hasil klasifikasi ikasi yang telah dilakukan
Lebih terperinciKlasifikasi Sinyal EEG Terhadap Tiga Kondisi Pikiran Menggunakan Autoregressive dan Adaptive Backpropagation
Klasifikasi Sinyal EEG Terhadap Tiga Kondisi Pikiran Menggunakan Autoregressive dan Adaptive Backpropagation Irvan Herdiansyah 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA
Lebih terperinciPREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION
JIMT Vol. 4 No. Juni 207 (Hal 47-55) ISSN : 2450 766X PREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION J.R. Mustakim, R. Ratianingsih 2 dan D. Lusiyanti 3,2,3 Program Studi
Lebih terperinciAnalisis Data EEG pada Beberapa Kondisi menggunakan Metode Dekomposisi dan Korelasi berbasis Wavelet (Dekorlet)
Analisis Data EEG pada Beberapa Kondisi menggunakan Metode Dekomposisi dan Korelasi berbasis Wavelet (Dekorlet) Agfianto Eko Putra 1, Catur Atmaji 2 Program Studi Elektronika & Instrumentasi, Jurusan Ilmu
Lebih terperinciPENINGKATAN KUALITAS SINYAL SUARA DENGAN MENGGUNAKAN METODE INDEPENDENT COMPONENT ANALYSIS ABSTRAK
PENINGKATAN KUALITAS SINYAL SUARA DENGAN MENGGUNAKAN METODE INDEPENDENT COMPONENT ANALYSIS Ambrosius Jonathan / 0222202 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof.
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION ABSTRAK Eka Putri Tambun (0722118) Jurusan Teknik Elektro Universitas Kristen
Lebih 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 terperinciTEKNIK PEMBUATAN DIGITAL AUDIO WATERMARKING DAN TEKNIK UNTUK MENDETEKSINYA
TEKNIK PEMBUATAN DIGITAL AUDIO WATERMARKING DAN TEKNIK UNTUK MENDETEKSINYA Teuku Reza Auliandra Isma Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung e-mail: reza.auliandra@gmail.com
Lebih terperinciVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR ABSTRAK
VERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR Eric (0822026) Jurusan Teknik Elektro Universitas Kristen Maranatha email: eric.wennas@gmail.com ABSTRAK Pola pembuluh
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Persaingan dalam dunia bisnis, terlebih lagi bagi perusahaan besar, tidak lepas dari adanya proses jual beli saham. Saham secara umum merupakan surat berharga yang dapat
Lebih terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Perkembangan multimedia saat ini sangat cepat. Dengan multimedia, pengguna dapat menyerap informasi dengan lebih mudah, sehingga pemilihan informasi yang tepat menjadi penting. Pemilihan informasi
Lebih terperinciIDENTIFIKASI SINYAL ELEKTRODE ENCHEPALO GRAPH UNTUK MENGGERAKKAN KURSOR MENGGUNAKAN TEKNIK SAMPLING DAN JARINGAN SYARAF TIRUAN
Vol. 6, No. 1, Januari211 ISSN 216-44 IDENTIFIKASI SINYAL ELEKTRODE ENCHEPALO GRAPH UNTUK MENGGERAKKAN KURSOR MENGGUNAKAN TEKNIK SAMPLING DAN JARINGAN SYARAF TIRUAN a Hindarto, b Moch. Hariadi, c Mauridhi
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 terperinciIMPLEMENTASI SISTEM PENGENALAN KATA MENGGUNAKAN SINYAL ELECTROMYOGRAPHY BERBASIS RASPBERRY PI
IMPLEMENTASI SISTEM PENGENALAN KATA MENGGUNAKAN SINYAL ELECTROMYOGRAPHY BERBASIS RASPBERRY PI Disusun oleh : Evan Lesmana (1022010) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha
Lebih terperinciABSTRAK. Kata Kunci : klasifikasi, musik digital, jenis musik, support vector machine, fitur ekstraksi, daftar putar musik digital
ABSTRAK Kemudahan dalam mendapatkan musik digital membuat orang-orang dapat memiliki banyaknya koleksi musik digital. Terkadang orang-orang menikmati musik dengan jenis musik tertentu berdasarkan kondisi
Lebih terperinciPEMISAHAN SINYAL SUARA MENGGUNAKAN METODE BLIND SOURCE SEPARATION ABSTRAK
PEMISAHAN SINYAL SUARA MENGGUNAKAN METODE BLIND SOURCE SEPARATION Berkat Willmart Telaumbanua / 0322055 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia
Lebih terperinciDIAGNOSA KETIDAKLURUSAN (MISALIGNMENT) POROS MENGGUNAKAN METODE MULTICLASS SUPPORT VECTOR MACHINE (SVM)
DIAGNOSA KETIDAKLURUSAN (MISALIGNMENT) POROS MENGGUNAKAN METODE MULTICLASS SUPPORT VECTOR MACHINE (SVM) SKRIPSI Diajukan sebagai salah satu syarat Untuk memperoleh gelar Sarjana Teknik Oleh: WANTO NIM.
Lebih terperinciPerancangan Perangkat Lunak untuk Ekstraksi Ciri dan Klasifikasi Pola Batik
JURNAL ILMIAH SEMESTA TEKNIKA Vol. 17, No. 2, 157-165, Nov 2014 157 Perancangan Perangkat Lunak untuk Ekstraksi Ciri dan Klasifikasi Pola Batik (Software Design for Feature Extraction and Classification
Lebih terperinciKOMPARASI METODE SCICA DAN WICA PADA PRAPROSES DATA EEG OTAK MANUSIA UNTUK DETEKSI PENYAKIT EPILEPSI
Bagusmulya, Tjandrasa, dan Fatichah Komparasi Metode SCICA dan WICA pada Praproses Data EEG Otak Manusia untuk Deteksi Penyakit Epilepsi KOMPARASI METODE SCICA DAN WICA PADA PRAPROSES DATA EEG OTAK MANUSIA
Lebih terperinciSCENE COMPLETION MENGGUNAKAN TEMPLATE MATCHING DAN POISSON BLENDING
SCENE COMPLETION MENGGUNAKAN TEMPLATE MATCHING DAN POISSON BLENDING Erick Alfons Lisangan Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Atma Jaya Makassar Alamat email : erick_lisangan@lecturer.uajm.ac.id
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Suara paru terjadi karena adanya turbulensi udara saat udara memasuki saluran pernapasan selama proses pernapasan. Turbulensi ini terjadi karena udara mengalir dari
Lebih terperinciSPEECH RECOGNITION (Pengenalan Ucapan)
MODUL 1 SPEECH RECOGNITION (Pengenalan Ucapan) Komunikasi Bahasa Lisan Human Computer Input Speech Recognition Text Output Speech Synthesis Text Generation Meaning Understanding 1 Speech recognition memiliki
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 I PENDAHULUAN. mengalami perkembangan yang sangat cepat. Atas perimbangan nilai sosial,
BAB I PENDAHULUAN 1.1 Latar Belakang Biomedis merupakan salah satu ilmu interdisipliner yang sangat berkembang di era sekarang. Biomedis merupakan gabungan dari bidang ilmu elektro, informatika, mekanik,
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 terperinciPENGEMBANGAN PEREKAM DIGITAL DAN PENDETEKSI GEMPA MENGGUNAKAN METODE STA/LTA PADA SEISMOGRAF TELEMETERI.
PENGEMBANGAN PEREKAM DIGITAL DAN PENDETEKSI GEMPA MENGGUNAKAN METODE STA/LTA PADA SEISMOGRAF TELEMETERI. T 55I.280 287 SUP ABSTRAK Telah dilakukan pengembangan perangkat perekam digital dan pendeteksi
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 terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL BINARY PATTERN ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL BINARY PATTERN Zeth Pasongli (0222113) Jurusan Teknik Elektro Email: zeth_pasongli@yahoo.com ABSTRAK Pola pembuluh
Lebih terperinciPERANCANGAN PERANGKAT LUNAK KRIPTOGRAFI VISUAL TANPA EKSPANSI PIKSEL DAN ALGORITMA RLE
PERANCANGAN PERANGKAT LUNAK KRIPTOGRAFI VISUAL TANPA EKSPANSI PIKSEL DAN ALGORITMA RLE Dhina Bangkit Kumalasari Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof.Drg.Suria
Lebih terperinciDETEKSI SINYAL FLICKER MENGANDUNG NOISE BERBASIS HILBERT HUANG TRANSFORM
DETEKSI SINYAL FLICKER MENGANDUNG NOISE BERBASIS HILBERT HUANG TRANSFORM Mohammad Jasa Afroni 1), Oktriza Melfazen 2) 1),2), Jurusan Teknik Elektro,Fakultas Teknik Universitas Islam Malang Jl. MT Haryono
Lebih terperinciDETEKSI SEBARAN TITIK API PADA KEBAKARAN HUTAN GAMBUT MENGGUNAKAN GELOMBANG-SINGKAT DAN BACKPROPAGATION (STUDI KASUS KOTA DUMAI PROVINSI RIAU)
TESIS DETEKSI SEBARAN TITIK API PADA KEBAKARAN HUTAN GAMBUT MENGGUNAKAN GELOMBANG-SINGKAT DAN BACKPROPAGATION (STUDI KASUS KOTA DUMAI PROVINSI RIAU) TRI HANDAYANI No. Mhs. : 125301914 PROGRAM STUDI MAGISTER
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 terperinciKLASIFIKASI RESTING-STATE DAN TASK-STATE PADA FUNCTIONAL MAGNETIC RESONANCE IMAGING MENGGUNAKAN CROSS CORRELATION DAN SUPPORT VECTOR MACHINE
KLASIFIKASI RESTING-STATE AN TASK-STATE PAA FUNCTIONAL MAGNETIC RESONANCE IMAGING MENGGUNAKAN CROSS CORRELATION AN SUPPORT VECTOR MACHINE Classification of Resting-State and Task-State In Functional Magnetic
Lebih terperinciPENGKLASIFIKASIAN TINGKAT DANGEROUS DRIVING BEHAVIOR MENGGUNAKAN DATA ELEKTROENSEFALOGRAFI (EEG) DENGAN PENDEKATAN MACHINE LEARNING
PENGKLASIFIKASIAN TINGKAT DANGEROUS DRIVING BEHAVIOR MENGGUNAKAN DATA ELEKTROENSEFALOGRAFI (EEG) DENGAN PENDEKATAN MACHINE LEARNING Nama : Alisca Damayanti NPM : 50412648 Jurusan : Teknik Informatika Fakultas
Lebih terperinciSTIMULATOR SSVEP-BCI DENGAN OPENGL
STIMULATOR SSVEP-BCI DENGAN OPENGL Indar Sugiarto 1 1 Jurusan Teknik Elektro, Fakultas Teknologi Industri, Universitas Kristen Petra 1 Jl. Siwalankerto 121-131, Surabaya 1 indi@petra.ac.id Abstrak Dalam
Lebih terperinciROBUST BLIND WATERMARKING PADA CITRA DIGITAL MENGGUNAKAN TEKNIK KUANTISASI KOEFISIEN DISCRETE WAVELET TRANSFORM
ROBUST BLIND WATERMARKING PADA CITRA DIGITAL MENGGUNAKAN TEKNIK KUANTISASI KOEFISIEN DISCRETE WAVELET TRANSFORM Annissa Yanuvita Prabawaningtyas (1022053) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.
Lebih terperinciBiomedika Fisik ITS. Politeknik Elektronika Negeri Surabaya. Bab 1. Intro 1
Biomedika Fisik Politeknik Elektronika Negeri Surabaya ITS Bab 1. Intro 1 Mg.# Tujuan Instruksional Khusus (TIK) Topik Referensi Media PT/OHP/LCD/PC 1 Mengenalkan pada mahasiswa pengertian tentang materi
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 terperinciREALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION
REALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION FadliWitular (0822043) Jurusan Teknik Elektro Universitas
Lebih terperinciIDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN)
IDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN) SKRIPSI Disusun Oleh : THOMI LUTHFIANTO 1203030010 PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS
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 terperinciBLIND WATERMARKING PADA CITRA DIGITAL MENGGUNAKAN DISCRETE WAVELET TRANSFORM (DWT) DAN SINGULAR VALUE DECOMPOSITION (SVD)
BLIND WATERMARKING PADA CITRA DIGITAL MENGGUNAKAN DISCRETE WAVELET TRANSFORM (DWT) DAN SINGULAR VALUE DECOMPOSITION (SVD) Disusun Oleh : Johansen Valentino (0822062) Jurusan Teknik Elektro, Fakultas Teknik,
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 terperinciAPLIKASI SUPPORT VEKTOR MACHINE (SVM) UNTUK PROSES ESTIMASI SUDUT DATANG SINYAL
APLIKASI SUPPORT VEKTOR MACHINE (SVM) UNTUK PROSES ESTIMASI SUDUT DATANG SINYAL Hosken Ginting / 0322173 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia
Lebih terperinciKlasifikasi Emosi Melalui Sinyal EEG yang Dihasilkan Otak dengan Menggunakan Discrete Wavelet Transform dan Backpropagation Artificial Neural Network
Klasifikasi Emosi Melalui Sinyal EEG yang Dihasilkan Otak dengan Menggunakan Discrete Wavelet Transform dan Backpropagation Artificial Neural Network Emotion Classification Through EEG Signal Produced
Lebih terperinciIMPLEMENTASI PERHITUNGAN KECEPATAN OBJEK BERGERAK BERBASIS WEBCAM DAN PENGOLAHAN CITRA DIGITAL
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2009 IMPLEMENTASI PERHITUNGAN KECEPATAN OBJEK BERGERAK BERBASIS WEBCAM DAN PENGOLAHAN CITRA DIGITAL Bambang Hermanto¹, Koredianto Usman², Iwan Iwut Tirtoasmoro³
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM (SIFT) Vikri Ahmad Fauzi (0722098) Jurusan Teknik Elektro email: vikriengineer@gmail.com
Lebih terperinciIDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID ABSTRAK
IDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID Disusun Oleh : Robin Yosafat Saragih (1022076) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciVerifikasi Sidik Jari Menggunakan Pencocokan Citra Berbasis Fasa Dengan Fungsi Band-Limited Phase Only Correlation (BLPOC)
Verifikasi Sidik Jari Menggunakan Pencocokan Citra Berbasis Fasa Dengan Fungsi Band-Limited Phase Only Correlation (BLPOC) Adryan Chrysti Sendjaja (1022005) Jurusan Teknik Elektro Universitas Kristen Maranatha
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST)
Berkala Fisika ISSN : 1410-9662 Vol. 15, No. 1, Januari 2012, hal 15-20 SISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST) Tri Mulyono, Kusworo Adi dan Rahmat Gernowo Jurusan
Lebih terperinciJurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya
Pengenalan Wajah Menggunakan Metode Adjacent Pixel Intensity Difference Quantization Histogram Generation Oleh : ANDIK MABRUR 1206 100 716 Dosen Pembimbing : Drs. Soetrisno, MI.Komp. Jurusan Matematika
Lebih terperinciDeteksi Sinyal Elektromyogram (EMG) Saat Kontraksi Dan Relaksasi Dengan Personal Komputer
Deteksi Sinyal Elektromyogram (EMG) Saat Kontraksi Dan Relaksasi Dengan Personal Komputer Irmalia Suryani Faradisa 1, Pandu Noortyas 2 1,2) Program Studi Teknik Elektro, ITN Malang e-mail: 1) irmaliafaradisa@yahoo.com,
Lebih terperinciI. PENDAHULUAN. Jantung merupakan salah satu organ tubuh yang sangat vital, karena jantung
I. PENDAHULUAN A. Latar Belakang Jantung merupakan salah satu organ tubuh yang sangat vital, karena jantung berfungsi untuk memompakan darah ke seluruh jaringan tubuh. Jika terjadi gangguan pada jantung
Lebih terperinciRaden Abi Hanindito¹, -². ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Powered by TCPDF (www.tcpdf.org) ANALISIS & IMPLEMENTASI IMAGE DENOISING DENGAN MENGGUNAKAN METODE NORMALSHRINK SEBAGAI WAVELET THRESHOLDING ANALYSIS & IMPLEMENTATION IMAGE DENOISING USING NORMALSHRINK
Lebih terperinciPENDETEKSIAN CITRA PALSU DENGAN MENGGUNAKAN WATERMARKS DAN SUPPORT VECTOR MACHINES. Daniel Hutabarat ( )
PENDETEKSIAN CITRA PALSU DENGAN MENGGUNAKAN WATERMARKS DAN SUPPORT VECTOR MACHINES Daniel Hutabarat ( 0522097 ) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof. Drg. Surya
Lebih terperinciPEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG
PEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG T 610.28 PUT Abstrak Penelitian ini bertujuan untuk memperlihatkan suatu metoda pengenalan multi pola dari
Lebih terperinciKombinasi Sinyal EEG dan Giroskop untuk Kendali Mobil Virtual dengan Menggunakan Modifikasi ICA dan SVM
Musthafa, Kombinasi Sinyal EEG dan Giroskop untuk Kendali Mobil Virtual dengan Menggunakan Modifikasi ICA dan SVM 169 Kombinasi Sinyal EEG dan Giroskop untuk Kendali Mobil Virtual dengan Menggunakan Modifikasi
Lebih terperinciPERANCANGAN DAN PENGEMBANGAN SISTEM DETEKSI RINTANGAN MENGGUNAKAN METODE HAAR-LIKE FEATURE PADA BRAIN-CONTROLLED WHEELCHAIR
PERANCANGAN DAN PENGEMBANGAN SISTEM DETEKSI RINTANGAN MENGGUNAKAN METODE HAAR-LIKE FEATURE PADA BRAIN-CONTROLLED WHEELCHAIR Aristian Jovianto Yunus NRP : 1322022 e-mail : aristian_jovianto@yahoo.com ABSTRAK
Lebih terperinciPENGEMBANGAN ALAT BANTU PEMODELAN TERAPI LENGAN PASCA STROKE DENGAN MEMANFAATKAN SINYAL ELECTROENCEPHALOGRAPHY (EEG) MENGGUNAKAN EMOTIV
DOI: doi.org/10.21009/0305020307 PENGEMBANGAN ALAT BANTU PEMODELAN TERAPI LENGAN PASCA STROKE DENGAN MEMANFAATKAN SINYAL ELECTROENCEPHALOGRAPHY (EEG) MENGGUNAKAN EMOTIV Ester Fatmawati 1,*), Prawito 2,
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 terperinciSIMULASI DAN ANALISIS STEGANOGRAFI BERBASIS DETEKSI PITA FREKUENSI PADA FRAME AUDIO
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 3203 SIMULASI DAN ANALISIS STEGANOGRAFI BERBASIS DETEKSI PITA FREKUENSI PADA FRAME AUDIO SIMULATION AND ANALYSIS OF STEGANOGRAPHY
Lebih terperinciWATERMARKING PADA CITRA DIGITAL MENGGUNAKAN TEKNIK MODIFIKASI INTENSITAS PIKSEL DAN DISCRETE WAVELET TRANSFORM (DWT)
WATERMARKING PADA CITRA DIGITAL MENGGUNAKAN TEKNIK MODIFIKASI INTENSITAS PIKSEL DAN DISCRETE WAVELET TRANSFORM (DWT) Disusun Oleh : Aldo Roy Hardiansa Putra (0922056) Jurusan Teknik Elektro, Fakultas Teknik,
Lebih terperinciREALISASI PERANGKAT LUNAK UNTUK IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL LINE BINARY PATTERN (LLPB)
REALISASI PERANGKAT LUNAK UNTUK IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL LINE BINARY PATTERN (LLPB) Elfrida Sihombing (0922019) Jurusan Teknik Elektro Universitas
Lebih terperinciKLASIFIKASI POLA BATIK DENGAN DETEKSI TEPI (LAPLACIAN DAN ROBERT) BERBASIS JARINGAN SYARAF TIRUAN
LAPORAN SKRIPSI KLASIFIKASI POLA BATIK DENGAN DETEKSI TEPI (LAPLACIAN DAN ROBERT) BERBASIS JARINGAN SYARAF TIRUAN Oleh : Dian Aniswari 2010-51-177 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK MEMPEROLEH
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 terperinciA364. JURNAL TEKNIK ITS Vol. 5, No. 2, (2016) ISSN: ( Print)
A364 Sistem Restorasi Gerak Sendi Siku Menggunakan Functional Electrical Stimulation Erwin Setiawan Widjaja, Achmad Arifin, Fauzan Arrofiqi dan Mohammad Nuh Jurusan Teknik Elektro, Fakultas Teknik Industri,
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA TELINGA DENGAN MENGGUNAKAN METODE TRANSFORMASI HOUGH ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA TELINGA DENGAN MENGGUNAKAN METODE TRANSFORMASI HOUGH Syafril Tua (0822088) Jurusan Teknik Elektro email: syafrilsitorus@gmail.com ABSTRAK Struktur telinga adalah
Lebih terperinci2. Tahapan Penelitian
1 Course Outline 1. Pengantar Penelitian 2. Tahapan Penelitian 3. Masalah Penelitian 4. Literature Review 5. Struktur Penulisan Tesis 6. Kesalahan Penulisan Tesis 7. Metode Eksperimen 8. Pengujian Tesis
Lebih terperinciKLASIFIKASI SINYAL ELEKTRODE ENCHEPALO GRAPH ( EEG ) MENGGUNAKAN METODE WAVELET
KLASIFIKASI SINYAL ELEKTRODE ENCHEPALO GRAPH ( EEG ) MENGGUNAKAN METODE WAVELET Hindarto, S.Kom, MT Jurusan Teknik Informatika Universitas Muhammadiyah Sidoarjo Email : hindartomay@yahoo.com ABSTRAK Dalam
Lebih terperinciSimulasi Estimasi Arah Kedatangan Dua Dimensi Sinyal menggunakan Metode Propagator dengan Dua Sensor Array Paralel
ABSTRAK Simulasi Estimasi Arah Kedatangan Dua Dimensi Sinyal menggunakan Metode Propagator dengan Dua Sensor Array Paralel Disusun oleh : Enrico Lukiman (1122084) Jurusan Teknik Elektro, Fakultas Teknik,
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 terperinciABSTRAK. Kata kunci: biola, Fast Fourier Transform, konversi, nada, not balok. vi Universitas Kristen Maranatha
ABSTRAK Musik merupakan suatu sarana yang dapat membantu manusia dalam menyimpan dan mengapresiasi karyanya dan biasanya digambarkan dalam bentuk notasi balok dengan unsur-unsur paranada, garis birama,
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 terperinciBABI PENDAHULUAN 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Tubuh manusia tersusun atas berbagai macam organ vital yang menunjang kehidupan. Salah satu contoh organ vital manusia adalah jantung. Jantung bertugas memompa darah
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN MODIFIED HAUSDORFF DISTANCE ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN MODIFIED HAUSDORFF DISTANCE Daniel Halomoan (0822056) Jurusan Teknik Elektro Universitas Kristen Maranatha email: daniel170390@gmail.com
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 terperinciKlasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra
Jurnal Ilmiah Ilmu Komputer, Vol 15 No. 2, Desember 2010 : 38-41 Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra Vera Yunita, Yeni Herdiyeni Departemen Ilmu
Lebih terperinci