BAB I PENDAHULUAN. 1.1 Latar Belakang

Transkripsi

1 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 pada sistem saraf manusia yang berfungsi mengendalikan atau mengkoordinasikan seluruh gerakan yang dilakukan oleh manusia, dengan menjadi pusat keputusan dan komunikasi tubuh, serta memiliki peran untuk berfikir [1]. Otak terdiri atas jutaan neuron yang terhubung dan menjadi sumber informasi yang direpresentasikan dalam bentuk sinyal elektris [2]. Sinyal elektris yang dihasilkan di otak mengandung informasi dan direpresentasikan dalam bentuk gelombang yang khas atau yang lebih dikenal sebagai gelombang otak. Gelombang otak dihasilkan oleh setiap neuron yang mendapat daya dari pembuluh darah dan berinteraksi satu sama lain antar neuron. Gelombang otak dikategorikan menjadi lima jenis yakni gelombang alpha, beta, delta, theta, dan gamma [1], [3]. Kelima jenis gelombang otak dibedakan berdasarkan frekuensi masing-masing gelombang otak. Untuk merekam dan mengukur aktivitas gelombang otak dalam bentuk potensial elektris, dengan voltage listrik yang kecil, diperlukan alat elektroensefalogram. Elektroensefalogram (EEG) merupakan sebuah mesin yang dirancang untuk memperoleh, memproses, dan menampilkan sinyal otak dalam bentuk gelombang atau bentuk lain. Sedangkan teknik atau metode merekam potensial elektrik secara spontan yang dihasilkan dari aktivitas otak dinamakan elektroensefalografi. Elektroensefalografi berkembang seiring dengan pesatnya perkembangan ilmu pengetahuan di bidang biomedis. Biomedis merupakan gabungan dari bidang ilmu elektro, informatika, mekanik, kedokteran, dan biologi. Tujuan utama dari biomedis yakni untuk otentifikasi dan identifikasi individu [1].

2 Elektroensefalografi merupakan studi biomedis mengenai sinyal elektromagnetik yang dihasilkan pada aktivitas otak dan memiliki kaitan yang erat dengan fungsi fisik tubuh manusia [2], [4], [5]. Pengembangan EEG di bidang biomedis dapat dilihat dari penggunaan sinyal EEG dalam aplikasi sistem brain computer interface (BCI). BCI merupakan sistem komunikasi untuk mengidentifikasi perintah dari penggunaan headset EEG dan memberikan tanggapan sesuai dengan perintah tersebut. Selain bidang biomedis, teknologi EEG dikembangkan untuk beberapa bidang, diantara lain pengembangan bidang kesehatan, pendidikan, pelatihan, hiburan, dan aplikasi komputer. Pengembangan EEG dan penggunaan variasi sensor atau untuk penelitian dan komersil dengan harga murah berturut-turut terus dilakukan oleh beberapa perusahaan yang ditujukan untuk bidang brain computer interface. EEG memiliki beberapa variasi sensor diantaranya EEG dengan banyak sensor (multi-channel) dan EEG dengan satu sensor (single-channel). Penggunaan sensor (channel) pada EEG tergantung pada penerapan dan kebutuhan pada lingkup bidang tertentu. Penggunaan channel EEG untuk bidang kesehatan pada umumnya menggunakan banyak sensor (multi-channel), sedangkan untuk bidang lainnya penggunaan EEG dengan satu sensor (single-channel) menjadi alternatif. Perbedaan yang signifikan antara single-channel dengan multi-channel terlihat pada penggunaan jumlah sensor (channel) yang terdapat pada alat EEG, pemanfaatan spasial permukaan kulit kepala, serta harga yang relatif murah (low-cost). EEG secara tradisional diperoleh dengan melakukan proses implantasi dengan memasukkan atau menanamkan elektrode ke dalam tengkorak kepala dengan menggunakan gel sebagai media konduksi. Proses implantasi elektrode EEG lebih dikenal dengan metode invasive [3], [6]. EEG juga diperoleh dengan metode non-invasive yakni dengan cara menempatkan elektrode pada permukaan kulit kepala tanpa perlu melakukan pembedahan terhadap otak [7], untuk mendapatkannya diperlukan alat EEG seperti yang terlihat pada Gambar 1.1 [2].

3 Gambar 1.1 Headset EEG model non-invasive : Neurosky Mindset Penggunaan EEG dengan menggunakan metode non-invasive merupakan cara yang dapat diterapkan secara berulang kali pada pasien, orang dewasa, anak kecil dengan hampir tanpa resiko dan batasan [8]. Sinyal EEG merupakan sinyal yang tampak tidak teratur namun berisi informasi tentang kegiatan elektris neuron di dalam otak. Sinyal EEG secara umum diukur berdasarkan frekuensi dan waktu rekaman tertentu. Hasil rekaman sinyal EEG diamati dalam bentuk gelombang, durasi, orientasi sinyal dan iramanya. Hasil rekaman sinyal EEG yang berupa data analog akan dikonversikan menjadi data digital, sehingga data digital EEG dapat dianalisis baik berdasarkan analisis waktu maupun frekuensi [9]. Melalui sinyal EEG dapat diperoleh suatu pola yang dapat menggambarkan ciri dari sinyal tersebut. Ciri yang didapat dari hasil pengenalan pola dari sinyal EEG dapat digunakan sebagai media untuk mengidentifikasi dan mengotentifikasi karakteristik dari individu. Klonovs, J. dkk memaparkan bahwa dengan menggunakan gelombang otak sebagai media untuk mengotentifikasi pengguna memiliki beberapa keunggulan dibandingkan dengan sistem otentikasi biometrik lain seperti sidik jari atau iris scan, karena gelombang otak dan pikiran tidak dapat dibaca oleh orang lain [10]. Yulianto, E. memaparkan bahwa dalam melakukan proses identifikasi karakteristik individu yang diperoleh dari sinyal EEG diperlukan suatu pola aktivitas otak yang bersifat menonjol dan konstan. Pola aktivitas otak tersebut muncul sebagai akibat dari adanya rangsangan tertentu terhadap individu [7]. Hal ini disebabkan karena karakteristik gelombang otak tiap individu menjadi sangat

4 kuat ketika seseorang terkena rangsangan visual. Rangsangan dari tiap individu dapat diperoleh baik secara spontan maupun dengan diberikan stimulus berupa beberapa tugas yang dapat merangsang respon kognitif dari otak atau yang lebih dikenal dengan cognitive task. Cognitive task berfungsi sebagai metode yang membantu untuk menangkap gambaran dari tugas-tugas yang kompleks sehingga dapat diperoleh hasil yang akurat dan lengkap dari proses kognitif dan keputusan [1], [11]. Pentingnya Cognitive Task dijabarkan oleh Clark, R.E. dkk didasarkan pada bukti kuat bahwa para ahli tidak menyadari sekitar 70 % dari keputusan mereka sendiri. Oleh karena itu penggunaan cognitive task menjadi salah satu solusi untuk mengatasi masalah ini dengan cara menentukan strategi pengamatan yang bertujuan untuk mendapatkan hasil yang lebih akurat [12]. Untuk dapat mengenali pola aktivitas otak secara otomatis maka diperlukan pengenalan pola sinyal EEG. Hasil yang diperoleh dari proses pengenalan pola sinyal EEG tersebut belum diketahui bentuk maupun posisi keberadaannya. Hal ini dikarenakan pola sinyal dan kecepatan respon otak dari tiap individu berbeda-beda. Adanya gangguan yang muncul dari luar otak, seperti lingkungan dan berbagai aktivitas kelistrikan jaringan organ tubuh yang lain, juga mempengaruhi sinyal EEG. Oleh karena itu diperlukan metode pengolahan sinyal EEG yang tepat untuk mendapatkan pola aktivitas otak tersebut [7]. Pada penelitian ini akan dilakukan analisis terhadap gelombang otak (brainwave) yang diperoleh dari hasil rekaman menggunakan alat EEG dengan satu sensor (single-channel), Neurosky Mindset. Rangsangan diberikan dengan menggunakan sembilan macam tugas kognitif (cognitive task). Untuk mendapatkan informasi dari data sinyal EEG yang diperoleh maka diperlukan ekstraksi ciri (feature extraction). Penelitian ini merupakan langkah awal untuk mengidentifikasi ciri dari individu. Untuk dapat mengidentifikasi ciri dari individu maka akan dilakukan uji pengenalan pola terhadap data hasil ekstraksi ciri. Pengenalan pola yang dilakukan menggunakan metode multilayer perceptron.

5 1.2 Perumusan masalah Sinyal gelombang otak memiliki karakteristik yang khas dan berbedabeda tiap individu, hal ini dikarenakan gelombang otak tidak dapat ditiru atau dibaca oleh orang sehingga tidak dimungkinkan untuk memliki kesamaan. Meningkatnya ketersediaan EEG sensor di perangkat nirkabel serta kemungkinan penggunaan perangkat EEG dengan menggunakan metode non-invasive yang dapat diterapkan berulang kali tanpa resiko dan batasan menjadi menarik untuk digunakan sebagai media untuk identifikasi ciri (feature) dari gelombang otak. Pemberian bentuk rangsangan yang tepat akan menentukan sinyal EEG yang terukur dan muncul dari aktivitas otak yang sesuai dengan rangsangan yang diberikan. Untuk mendapatkan sinyal EEG secara alami dari individu maka diperlukan rangsangan yang berdasarkan pada penggunaan tugas kognitif (cognitive task). Tugas kognitif berasal dari dua faktor yakni faktor sifat, dalam hal ini otak, dan faktor pengetahuan [11]. Penggunaan metode ekstraksi ciri (feature extraction) pada sinyal EEG banyak dilakukan untuk mendapatkan informasi yang terkandung didalam sinyal tersebut, namun perlu diperhatikan bahwa penggunaan metode ekstraksi ciri yang tepat juga menentukan informasi yang muncul merupakan hasil dari ekstraksi ciri yang tidak merusak fitur alami dari sinyal EEG. Pemilihan metode ekstraksi ciri juga dapat menentukan bentuk spesifik dari sinyal EEG, oleh karena itu untuk dapat melihat kemungkinan kesamaan ciri dari tiap individu yang diperoleh dari hasil ekstraksi ciri maka diperlukan pengenalan pola. 1.3 Batasan masalah Penelitian yang akan dilakukan memiliki batasan-batasan agar lebih terarah dalam penerapannya. Batasan tersebut antara lain: a. Penggunaan sensor EEG dalam penelitian ini menggunakan satu sensor (single-channel) dengan letak penempatan berada pada posisi Fp1 dengan rentang frekuensi 0 Hz hingga 70 Hz. b. Analisis sinyal EEG dalam penelitian ini terfokus pada penggunaan domain waktu (time-domain).

6 c. Jumlah subyek yang digunakan dalam penelitian ini berjumlah enam orang yang terdiri dari tiga orang wanita dan tiga orang laki-laki dengan asumsi bahwa penggunaan subyek memiliki jumlah yang sama atau berimbang. d. Penggunaan tugas kognitif (cognitive task) merupakan kajian berdasarkan penelitian-penelitian sebelumnya, sehingga diasumsikan tugas-tugas tersebut dapat memberikan rangsangan aktivitas otak. e. Penelitian dilakukan dalam kondisi gelombang alpha (8-12Hz), yakni kondisi ketika seseorang berada dalam keadaan relaksasi atau peralihan antara keadaan sadar dan tidak sadar. Sehingga diasumsikan bahwa penerapan tugas kognitif pada individu dapat berjalan dengan baik tanpa gangguan dari luar otak, yaitu dari lingkungan, dan dari berbagai aktivitas lainnya. 1.4 Keaslian penelitian Studi dan penelitian dari beberapa peneliti secara terpisah telah menggunakan beberapa metode dari penggunaan sinyal EEG untuk mendapatkan hasil ekstraksi ciri dari gelombang otak pengguna. Dengan berfokus pada akurasi, penerapan berbagai pola pengenalan baik secara statistik, signal processing, dan machine learning techniques pada berbagai macam sinyal EEG telah banyak dilakukan. Hotama, C.F. dkk., menggunakan metode event related potential (ERP) dan time frequency analysis (TFA) untuk menganalisa citra otak pada color-task dan word-task yang diterapkan pada stroop-task, salah satu jenis tes psikologi yang berguna untuk menguji kemampuan kognitif dan pengambilan keputusan, dengan menggunakan EEG. Pada penelitian ini dilibatkan sebanyak tujuh orang partisipan untuk melakukan beberapa aktivitas guna mengetahui perbedaan respon saat partisipan melihat warna dan saat partisipan membaca tulisan serta pengaruh interferensi yang dialami otak terhadap kemampuan kognitif dan pengambilan keputusan seseorang. Analisa data EEG menunjukkan hasil bahwa aktivitas otak untuk fokus, pengambilan keputusan, kemampuan kognitif saat color-task lebih

7 rendah dibandingkan saat melakukan word-task. Ekstraksi ciri dengan menggunakan metode TFA menunjukkan intensitas gelombang otak berada disekitar frekuensi 30 Hz, gelombang tersebut merupakan jenis gelombang theta [1]. Polat, Komal dkk., menggunakan metode fast fourier transform untuk ekstraksi ciri sinyal EEG guna mendeteksi penyakit epilepsi dan klasifikasi decision tree (DT) untuk mengenali pola sinyal EEG, serta k-fold crossvalidation. Metode tersebut diterapkan pada lima orang pasien epilepsi dan lima orang normal dengan memberikan cognitive task secara bergantian pada tiap individu berupa relaksasi dan perintah buka-tutup mata secara bergantian. Tingkat akurasi deteksi penyakit epilepsi yang dihasilkan pada penelitian ini mencapai 98,72 %. Disamping penerapan EEG bersifat non-invasive, penelitian ini juga berlangsung cepat, mudah dioperasikan, dan murah [13]. Yulianto, Endro mengusulkan ekstraksi ciri menggunakan metode korelasi silang untuk menemukan ciri spesifik sinyal berupa gelombang singkat yang diterapkan khusus untuk membantu penderita yang mengalami gangguan saluran neuromuscular, dalam menggerakan kursi roda untuk belok kanan dan belok kiri. Sinyal EEG dibangkitkan dengan rangsangan belok kanan dan belok kiri. Penelitian ini melibatkan 22 partisipan. Sinyal EEG diukur pada empat titik daerah motor cortex yakni C3, C4, P3, P4 (Central dan Parietal). Korelasi silang dilakukan terhadap data EEG yang telah tersegmentasi dan terkelompok. Korelasi silang dilakukan dengan cara mencari rerata dari titik puncak maksimum dan titik puncak minimum yang berasal dari sinyal hasil korelasi. Gelombang-singkat khusus dibuat berdasarkan bentuk ciri sinyal yang telah didapatkan pada tahapan ekstraksi ciri. Ciri sinyal yang dijadikan sebagai acuan untuk membuat gelombang-singkat khusus adalah ciri sinyal yang memiliki koefisien korelasi terendah. Koefisien korelasi terendah dari pasangan ciri sinyal tersebut mengindikasikan adanya perbedaan paling besar di antara pasangan-pasangan ciri sinyal belok kanan dan belok kiri. Untuk membuat sinyal yang memiliki kemiripan bentuk dengan ciri sinyal dilakukan dengan menggunakan metode

8 curve fitting. Metode curve fitting berfungsi untuk mendapatkan nilai koefisien dari variabel-variabel persamaan matematis hingga membentuk fungsi yang paling sesuai dengan ciri sinyal EEG [7]. Hasil rerata ketelitian pada tahap pengujian dari 22 partisipan untuk 4 jenis pergerakan menunjukkan rerata yang hampir sama yakni 76% untuk pergerakan belok kanan, 76% untuk pergerakan belok kiri, 74% untuk imajinasi belok kanan dan 72% untuk imajinasi belok kiri. Perbedaan tapis bandpass ditunjukkan rentang 4-20 Hz dan perbedaan ciri sinyal terbesar di P4 sedangkan untuk perbedaan imajinasi terbesar di C3. Perbedaan ditunjukkan dari kecilnya nilai koefisien korelasi diantara sinyal EEG [7]. Penelitian yang dilakukan Ashby, Corey dkk., menggunakan low-cost EEG, Emotiv Neurosky Headset dengan 14 sensor untuk otentikasi individu. Kerentanan sistem otentikasi yang mengandalkan pengetahuan, yakni username dan password, dan kepemilikan identitas seperti kartu akses atau personal identity number (PIN) menjadi dasar penelitan ini dilakukan. Ashby, Corey., mengusulkan metodologi otentikasi biometrik yang mengandalkan ciri fisik dan perilaku dari individu sebagai solusi untuk mengatasi kelemahan dari permasalahan kerentanan otentikasi yang ada. Dengan melibatkan lima subyek yakni dua wanita dan tiga pria dengan rentang usia antara 18 tahun sampai dengan 35 tahun dengan kondisi keadaan normal tanpa kelainan atau cacat. Penelitian ini menggunakan empat macam tasking dengan 10 kali pengambilan data. Tasking yang diberikan berupa rangsangan yang memberikan gambaran beberapa tugas tertentu dalam kondisi relaksasi. Data yang diperoleh kemudian dianalisis dan dilakukan ekstraksi ciri menggunakan autoregressive coefficients, power spectral density, spectral power, dan interhemispheric power difference. Fitur yang didapat dari ekstraksi ciri kemudian dilakukan klasifikasi dengan melibatkan 15-fold classification. Setelah melakukan klasifikasi terdapat dua tipe error yakni false accept error (FAE) dan false reject error (FRR). FAE terjadi karena kekeliruan dalam konfirmasi individu sebagai subyek yang diklaim memiliki ciri dari hasil ekstraksi sinyal EEG, sedangkan untuk FRR terjadi karena kekeliruan dalam menolak individu sebagai

9 subyek yang diklaim tidak memiliki ciri dari hasil ekstraksi sinyal EEG. Dalam analisis data sinyal EEG, FAE dan FRR diambil nilai rata-rata setiap task tiap individu. Ada dua aturan yang digunakan untuk klasifikasi dalam penelitian ini, yakni voting rule 1 dan voting rule 2. Voting rule 1 berfungsi untuk mendapatkan hasil klasifikasi dari setiap blok data, sedangkan voting rule 2 berfungsi untuk mendapatkan hasil dari setiap kelompok data. Hasil klasifikasi yang diperoleh dari data mentah (raw data) sinyal EEG sebesar 97,69 %, hasil klasifikasi berdasarkan voting rule 1 sebesar %, dan hasil klasifikasi berdasarkan gabungan antara voting rule 1 dan voting rule 2 sebesar 100 %. Penelitian ini memberikan gambaran kemungkinan penggunaan sistem EEG untuk otentikasi dengan biaya murah [14]. Berbeda dengan penelitian sebelumnya yang menggunakan alat EEG dengan jumlah sensor lebih dari satu (multi-channel), pada penelitian ini akan digunakan alat EEG satu sensor (single-channel) menggunakan alat Neurosky Mindset dengan titik elektrode pada Fp1. Pada penelitian ini akan dilakukan pengambilan gelombang otak untuk mengetahui perbedaan aktivitas otak pada subyek normal dengan kondisi beta yakni saat melakukan proses berfikir. Berbeda dengan penelitian sebelumnya subyek yang digunakan merupakan penderita penyakit epilepsi atau penyandang cacat motorik (difable). Untuk mendapatkan gelombang otak dari subyek yang diteliti, maka akan diberikan rangsangan berupa kumpulan tugas yang kompleks yang berfungsi untuk mendapatkan respon otak dalam proses berfikir atau kognitif dari tiap individu, dalam penelitian ini kumpulan tugas kognitif akan dikelompokkan menjadi satu kesatuan tugas yang dinamakan cognitive task. Cognitive task yang akan digunakan terdiri dari sembilan macam yakni breath (bernafas), color (warna), face (wajah), finger (jari tangan), matematika, object (benda), passthought (password), sing (bernyanyi), dan sport (olahraga). Untuk dapat menemukan ciri yang khas dari sinyal EEG maka diperlukan metode pengolahan yang tepat, dalam penelitian ini ciri diperoleh dari hasil ekstraksi menggunakan metode analisis statistis yang digunakan untuk mendapatkan ciri berupa informasi statistis yang terkandung didalam sinyal EEG, analisis korelasi silang bertujuan untuk mendapatkan ciri

10 spesifik sinyal dari individu, analisis distribusi digunakan untuk mengetahui rentang ketidakpastian dari data, dan analisis komponen utama digunakan untuk menarik unsur yang saling tidak berkorelasi (maximum uncorrelated), membuat jarak sejauh mungkin, dan menghilangkan komponen dengan pengaruh kecil (noise). 1.5 Tujuan Penelitian Penelitian yang dilakukan memiliki beberapa tujuan yaitu: a. Melakukan ekstraksi ciri pada sinyal EEG untuk mengetahui informasi yang terkandung didalam sinyal dan untuk mengetahui bentuk spesifik dari sinyal yang berasal dari tiap individu. b. Melakukan uji pengenalan pola terhadap hasil ekstraksi ciri menggunakan metode multilayer perceptron untuk mendapatkan pola dari tiap individu dan mendapatkan akurasi dari proses identifikasi ciri tiap individu. 1.6 Manfaat Penelitian Manfaat penelitian yang diperoleh dari penelitian ini antara lain: a. Menghasilkan ciri (feature) berupa informasi statistis yang terkandung didalam sinyal EEG. b. Menghasilkan bentuk spesifik sinyal EEG dari tiap individu yang dapat membedakan subyek satu dengan subyek yang lain. c. Mengetahui task yang mempengaruhi terbentuknya ciri individu. d. Menghasilkan hubungan keterikatan (korelasi) antar data sinyal EEG. e. Memberikan pilihan alternatif penggunaan alat EEG yang murah, optimal dan valid untuk mendapatkan pengukuran gelombang otak. f. Dapat menjadi referensi untuk penelitian yang terkait dengan penggunaan EEG.