Perbandingan Algoritma Praproses Data Dalam Pencarian ...
177
TESIS - KS142501 Perbandingan Algoritma Praproses Data Dalam Pencarian Hasil Terbaik Algoritma Adaptive Common Spatial Pattern AHMAD SYAFIQ KAMIL 5215201011 DOSEN PEMBIMBING Dr.Eng. Febriliyan Samopa, S.Kom., M.Kom. NIP: 197302191998021001 PROGRAM MAGISTER JURUSAN SISTEM INFORMASI FAKULTAS TEKNOLOGI INFORMASI DAN KOMUNIKASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2018
Transcript of Perbandingan Algoritma Praproses Data Dalam Pencarian ...
TESIS - KS142501
Perbandingan Algoritma Praproses Data Dalam Pencarian Hasil Terbaik Algoritma Adaptive Common Spatial Pattern AHMAD SYAFIQ KAMIL 5215201011 DOSEN PEMBIMBING Dr.Eng. Febriliyan Samopa, S.Kom., M.Kom. NIP: 197302191998021001 PROGRAM MAGISTER JURUSAN SISTEM INFORMASI FAKULTAS TEKNOLOGI INFORMASI DAN KOMUNIKASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2018
i
ii
TESIS - KS142501
Comparison of Data Preprocess Algorithms to Find The Best Result for Adaptive Common Spatial Pattern Algorithms
AHMAD SYAFIQ KAMIL 5215201011 SUPERVISOR Dr.Eng. Febriliyan Samopa, S.Kom., M.Kom. NIP: 197302191998021001 POSTGRADUATE PROGRAM DEPARTMENT OF INFORMATION SYSTEM FACULTY OF INFORMATION TECHNOLOGY AND COMMUNICATION INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2018
iii
iv
v
Halaman ini sengaja dikosongkan
vi
Perbandingan Algoritma Praproses Data Dalam Pencarian Hasil
Terbaik Algoritma Adaptive Common Spatial Pattern
Nama mahasiswa: Ahmad Syafiq Kamil
NRP : 52152010011
Pembimbing : Dr.Eng. Febriliyan Samopa, S.Kom., M.Kom.
ABSTRAK
Aktifitas otak dapat digambarkan dengan adanya gelombang otak. Aktivitas
otak dapat diamati menggunakan alat rekam khusus yang dapat ditemui di rumah
sakit dan laboratorium. Brain Computer Interface (BCI) adalah sebuah interface
yang menyediakan alat untuk otak berkomunikasi tanpa menggunakan otot.
Terdapat beberapa penelitian terkait dengan BCI, pada penelitian ini berfokus pada
metode adaptive common spatial pattern (ACSP). ACSP adalah metode
pengembangan dari metode Common Spatial Pattern dimana metode ini dapat
digunakan untuk mengklasifikasikan beberapa subjek. metode ini memiliki
kekurangan dimana metode ini akan menghasilkan hasil yang baik ketika masukan
yang diterima dari tahap praproses data baik dan akan menjadi tidak reliabel jika
data yang menjadi masukan memiliki derau sinyal yang buruk. Pada penelitian ini
membandingkan beberapa metode yang ada pada tahap praproses data. Hasil
penelitian ini adalah metode Bandpass adalah metode terbaik yang dapat dijadikan
masukan untuk penelitian ACSP. Penelitian ini juga meneliti mengenai peningkatan
hasil akurasi dengan mengubah parameter dari metode terbaik tersebut. Dengan
mengubah parameter pemotongan sinyal maka didapatkan jarak pemotongan sinyal
terbaik untuk motor imagery pada metode bandpass filtering berada pada jarak 9
Hz – 28 Hz.
Kata Kunci : antar muka otak-komputer, adaptive common spatial pattern,
praproses data, ekstrasi fitur, Bandpass filtering.
vii
Halaman ini sengaja dikosongkan
viii
Comparison of Data Preprocess Algorithms In Search Results
Best Adaptive Common Spatial Pattern Algorithms
Name : Ahmad Syafiq Kamil
NRP : 52152010011
Supervisor : Dr.Eng. Febriliyan Samopa, S.Kom., M.Kom.
ABSTRACT Brain activity can be described in the presence of brain waves. Brain activity
can be observed using specialized recording devices that can be found in hospitals
and laboratories. Brain Computer Interface (BCI) is an interface that provides a tool
for the brain to communicate without the use of muscles. There are several studies
related to BCI, in this study focusing on adaptive common spatial pattern (ACSP)
method. ACSP is a method of development of the Common Spatial Pattern method
where this method can be used to classify multiple subjects. this method has a
drawback where this method will produce good results when the input received
from the data pretreat stage is good and will become unreliable if the input data has
bad signal noise. In this study comparing several methods that exist in the data
preprocessing phase. The result of this research is Bandpass method is the best
method that can be used as input for ACSP research. This study also examines the
improvement of accuracy results by altering the parameters of the best method. By
changing the signal-cutting parameters, the best distance-cutting distance for the
motor imagery in the bandpass filtering method is at a distance of 9 Hz - 28 Hz.
Kata Kunci : Brain Computer Interface,, adaptive common spatial pattern,
preprocessing data, feature Extraction,, Bandpass filtering.
ix
x
KATA PENGANTAR
Alhamdulillah, segala puji syukur kepada Allah SWT yang telah memberi
kesempatan serta kemudahan bagi penulis sehingga penulis dapat menyelesaikan
tesis dengan baik dan tepat pada waktunya. Tesis yang berjudul “Perbandingan
Algoritma Praproses Data Dalam Pencarian Hasil Terbaik Algoritma Adaptive
Common Spatial Pattern”. Tesis ini disusun untuk memenuhi salah satu syarat
menyelesaikan pendidikan pascasarjana di Departemen Sistem Informasi, Fakultas
Teknologi Informasi dan Komunikasi, Institut Teknologi Sepuluh Nopember.
Penyusunan tesis ini tidak lepas dari bantuan berbagai pihak. Oleh karena itu,
penulis menyampaikan terima kasih kepada:
1. Orang tua penulis (Abi Mashudi dan Umi Robiah) yang telah mendoakan dan senantiasa mendukung penulis.
2. Adek adek penullis (M. Reza Wardana, Zidna Mazidah dan Erda Afifah) yang selalu mendukung penulis.
3. Bapak Dr.Eng. Febriliyan Samopa, S.Kom., M.Kom selaku Dosen Pembimbing yang telah meluangkan waktu, tenaga dan pikiran, serta memberikan ilmu, dukungan, dan kesabaran selama membimbing penulis dari awal hingga tesis ini selesai.
4. Bapak Prof.Ir. Arif Djuanaidy, M.Sc, Ph.D, bapak Dr. Ir. Aris Tjahyanto, M.Kom dan ibu Nur Aini Rakhmawati S.Kom, M.Sc.Eng selaku Dosen Penguji yang telah bersedia menguji dan memberikan masukan untuk penelitian ini.
5. Lab IKTI yang telah membantu penulis dalam menyiapkan komputer untuk penelitian.
6. Prof Slamin yang telah dengan mempersilahkan penulis untuk meminjam server di jurusan Sistem Informasi Universitas Jember
7. Teman-teman keluarga besar S2 SI Angkatan 2015 yang telah menemani suka, duka serta dukungannya selama menempuh pendidikan pascasarjana.
xi
8. Teman teman lulusan Sistem Informasi Universitas Jember khususnya erik, fitri, qilba dan hawwin yang juga menempuh pendidikan magister bersama penulis
9. Semua pihak yang tidak dapat disebutkan satu-persatu.
Akhir kata, penulis mengucapkan terimakasih dengan segala hormat dan
kerendahan hati. Penulis berharap semoga tesis ini dapat memberikan manfaat bagi
perkembangan ilmu pengetahuan untuk semua pihak. Apabila pada tesis ini terdapat
kata-kata yang kurang berkenan di hati para pembaca sekalian, maka penulis
memohon maaf yang sebesar-besarnya. Tesis ini juga masih jauh dari kata
sempurna, sehingga penulis sangat terbuka terkait masukan dan kritik dari
pembaca. Pembaca dapat mengirimkan masukan dan saran melalui email
xii
DAFTAR ISI
LEMBAR PENGESAHAN ................................... Error! Bookmark not defined.ABSTRAK .............................................................................................................. viABSTRACT ......................................................................................................... viiiKATA PENGANTAR ............................................................................................. xLEMBAR PENGESAHAN .................................................................................... xiDAFTAR ISI ......................................................................................................... xiiDAFTAR TABEL ................................................................................................. xviDAFTAR GAMBAR ............................................................................................. xxBAB 1 ...................................................................................................................... 1
1.1 Latar Belakang Masalah .......................................................................... 1
1.2 Perumusan Masalah ................................................................................. 5
1.3 Tujuan Penelitian ..................................................................................... 6
1.4 Manfaat Penelitian ................................................................................... 6
1.5 Batasan Penelitian .................................................................................... 6
BAB 2 ...................................................................................................................... 92.1 Penelitian Terdahulu ................................................................................ 9
2.2 Gelombang Otak .................................................................................... 11
2.3 Brain Computer Interface ...................................................................... 13
2.4 Common Spatial Pattern ........................................................................ 14
2.5 Adaptive Common Spatial Pattern ......................................................... 16
2.5.1. Feature variance-based ................................................................... 17
2.5.2. Kullback-Leibler distance .............................................................. 18
2.5.3. Frobenius Norm ............................................................................. 19
2.5.4. Implemetasi ACSP. ........................................................................ 19
2.6 Time-Varying Autoregressions .............................................................. 20
2.7 Stationary Subspace Analysis ................................................................ 22
2.8 Filter Digital ........................................................................................... 23
2.9 Support Vector Machine ........................................................................ 27
1.10. Evaluasi Metode ..................................................................................... 29
BAB 3 .................................................................................................................... 333.1. Studi Literatur ........................................................................................ 33
3.2. Pemilihan Data ....................................................................................... 34
3.3. Praproses Data ....................................................................................... 36
xiii
3.3.1. Time Varying Autoregression ........................................................ 37
3.3.2. Stationay Subspace Analysis ......................................................... 38
3.3.3. Bandpass Filtering ......................................................................... 38
3.4. Ekstraksi Fitur ........................................................................................ 39
3.5. Klasifikasi Data ...................................................................................... 39
3.6. Uji Coba dan Analisis Hasil ................................................................... 40
3.6.1. Uji Coba ......................................................................................... 40
3.6.2. Analisis Hasil Uji Coba ................................................................. 43
3.7. Rencana Penelitian ................................................................................. 44
BAB 4 .................................................................................................................... 474.1. Lingkungan Uji Coba ............................................................................. 47
4.2. Praproses Data ....................................................................................... 47
4.2.1. Time-Varying Autoregressive (TVAR) ........................................... 48
4.2.2. Stationary Subspace Analysis (SSA) .............................................. 51
4.2.3. Bandpass Filtering ......................................................................... 52
4.3. Ekstrasi Fitur .......................................................................................... 54
4.3.1. Intra subjek ..................................................................................... 54
4.3.2. Inter subjek ..................................................................................... 57
4.4. Klasifikasi .............................................................................................. 60
4.4.1. Hasil Klasifikasi Normal ................................................................ 60
4.4.2. Hasil Klasifikasi Dengan Data Parameter yang Diubah ................ 66
4.5. Pembahasan ............................................................................................ 77
BAB 5 .................................................................................................................... 815.1. Perbandingan Menggunakan Data Normal ............................................ 81
5.1.1. Intra Subjek .................................................................................... 81
5.1.2. Inter Subjek Tipe 1 ......................................................................... 83
5.1.3. Inter Subjek Tipe 2 ......................................................................... 85
5.2. Perbandingan Menggunakan Data Dengan Parameter Yang Diubah .... 87
5.2.1. TVAR ............................................................................................. 88
5.2.2. SSA ................................................................................................ 93
5.2.3. Bandpass ...................................................................................... 102
5.3. Perbandingan keseluruhan ................................................................... 112
xiv
BAB 6 .................................................................................................................. 115Daftar Pustaka ...................................................................................................... 117LAMPIRAN ......................................................................................................... 119
A. Sumber kode ACSP Intra-subjek ............................................................. 119
B. Sumber Kode ACSP Inter-subjek 1 ......................................................... 122
C. Sumber Kode ACSP Inter-subjek 2 ......................................................... 125
D. Confusion Matrix dan Kurva ROC dari Hasil klasifikasi Tanpa Menggunakan Praproses .................................................................................. 129
E. Confusion Matrix dan Kurva ROC dari Hasil klasifikasi Menggunakan TVAR ............................................................................................................... 135
F. Confusion Matrix dan Kurva ROC dari Hasil klasifikasi Menggunakan SSA 140
G. Confusion Matrix dan Kurva ROC dari Hasil klasifikasi Menggunakan Bandpass Filtering. ........................................................................................... 147
BIOGRAFI PENULIS ......................................................................................... 153
xv
Halaman ini sengaja dikosongkan
xvi
DAFTAR TABEL Tabel 2.1 Kumpulan Rumus Perhitungan Evaluasi Klasifikasi ............................. 30Tabel 3.1 Spesifikasi Dataset ................................................................................. 35Tabel 3.2 Jumlah percobaan pada dataset IVa ....................................................... 36Tabel 3.3 Perbandingan Data Mentah Dan Data Yang Telah Diproses Dengan Bandpasss ............................................................................................................... 39Tabel 3.4 Tabel Akurasi Hasil Percobaan .............................................................. 41Tabel 3.5 Tabel Presisi Hasil Percobaan ................................................................ 42Tabel 3.6 Tabel Recall Hasil Percobaan ................................................................ 42Tabel 3.7 Tabel Rencana Penelitian ....................................................................... 44Tabel 4.1 Spesifikasi Perangkat Keras ................................................................... 47Tabel 4.2 Spesifikasi Perangkat Lunak .................................................................. 47Tabel 4.3 Tabel akurasi Hasil Klasifikasi Intra Subjek tanpa Menggunakan Praproses ................................................................................................................ 60Tabel 4.4 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 1 tanpa Menggunakan Praproses ................................................................................................................ 61Tabel 4.5 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 2 tanpa Menggunakan Praproses ................................................................................................................ 61Tabel 4.6 Tabel akurasi Hasil Klasifikasi Intra Subjek tanpa Menggunakan TVAR................................................................................................................................ 62Tabel 4.7 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 1 menggunakan TVAR................................................................................................................................ 62Tabel 4.8 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 2 menggunakan TVAR................................................................................................................................ 63Tabel 4.9 Tabel akurasi Hasil Klasifikasi Intra Subjek dengan metode SSA ........ 63Tabel 4.10 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 1 dengan metode SSA................................................................................................................................ 64Tabel 4.11 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 2 dengan metode SSA................................................................................................................................ 64Tabel 4.12 Tabel akurasi Hasil Klasifikasi Intra Subjek dengan metode bandpass................................................................................................................................ 65Tabel 4.13 Tabel akurasi Hasil Klasifikasi inter Subjek tipe 1 dengan metode bandpass ................................................................................................................. 65Tabel 4.14 Tabel akurasi Hasil Klasifikasi inter Subjek tipe 2 dengan metode bandpass ................................................................................................................. 66Tabel 4.15 Tabel akurasi Hasil Klasifikasi Intra Subjek Menggunakan TVAR .... 67Tabel 4.16 Tabel hasil akurasi rangkaian sinyal dengan order 88 hingga 92 ........ 67Tabel 4.17 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 1 menggunakan TVAR dengan order 90 ...................................................................................................... 68
xvii
Tabel 4.18 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 2 menggunakan TVAR dengan order 90 ...................................................................................................... 68Tabel 4.19 Tabel akurasi Hasil Klasifikasi Intra Subjek dengan metode SSA ...... 69Tabel 4.20 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 1 dengan metode SSA................................................................................................................................ 70Tabel 4.21 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 2 dengan metode SSA................................................................................................................................ 70Tabel 4.22 Tabel Percobaan 1 Hasil Klasifikasi Intra Subjek dengan metode bandpass dengan membesarkan jangkauan pemotongan data pada dua sisi .......... 72Tabel 4.23 Tabel Percobaan 2 Hasil Klasifikasi Intra Subjek dengan metode bandpass dengan mengecilkan jangkauan pemotongan data pada dua sisi ........... 73Tabel 4.24 Tabel Percobaan 3 Klasifikasi Intra Subjek dengan metode bandpass dengan membesarkan jangkauan pemotongan data pada satu sisi ......................... 74Tabel 4.25 Tabel Percobaan 4 Klasifikasi Intra Subjek dengan metode bandpass dengan membesarkan jangkauan pemotongan data pada satu sisi ......................... 75Tabel 4.26 Tabel akurasi Hasil Klasifikasi inter Subjek tipe 1 dengan metode bandpass ................................................................................................................. 76Tabel 4.27 Tabel akurasi Hasil Klasifikasi inter Subjek tipe 2 dengan metode bandpass ................................................................................................................. 76Tabel 5.1 Hasil klasifikasi sebelum dioptimasi ................................................... 112Tabel 5.2 Hasil klasifikasi sesudah dioptimasi .................................................... 112Tabel D.1 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Intra Subjek dengan data AA ....................................................................................... 129Tabel D.2 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Intra Subjek dengan data AL ........................................................................................ 129Tabel D.3 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Intra Subjek dengan data AV ....................................................................................... 130Tabel D.4 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Intra Subjek dengan data AW ....................................................................................... 130Tabel D.5 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Intra Subjek dengan data AY ....................................................................................... 131Tabel D.6 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk inter Subjek tipe 1 dengan data .................................................................................... 132Tabel D.7 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Inter Subjek tipe 2 dengan data AA ............................................................................. 132Tabel D.8 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Inter Subjek tipe 2 dengan data AL .............................................................................. 133Tabel D.9 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Inter Subjek tipe 2 dengan data AV ............................................................................. 133Tabel D.10 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Inter Subjek tipe 2 dengan data AW ............................................................................. 134
xviii
Tabel D.11 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Inter Subjek tipe 2 dengan data AY ............................................................................. 134Tabel E.1 Tabel ROC dari klasifikasi menggunakan TVAR untuk intra Subjek dengan data AA .................................................................................................... 135Tabel E.2 Tabel ROC dari klasifikasi menggunakan TVAR untuk intra Subjek dengan data AL .................................................................................................... 135Tabel E.3 Tabel ROC dari klasifikasi menggunakan TVAR untuk intra Subjek dengan data AV .................................................................................................... 136Tabel E.4 Tabel ROC dari klasifikasi menggunakan TVAR untuk intra Subjek dengan data AW ................................................................................................... 136Tabel E.5 Tabel ROC dari klasifikasi menggunakan TVAR untuk intra Subjek dengan data AY .................................................................................................... 137Tabel E.6 Tabel ROC dari klasifikasi menggunakan TVAR untuk Inter Subjek tipe 1 dengan data ....................................................................................................... 137Tabel E.7 Tabel ROC dari klasifikasi menggunakan TVAR untuk inter subjek tipe 2 dengan data AA ................................................................................................. 138Tabel E.8 Tabel ROC dari klasifikasi menggunakan TVAR untuk inter subjek tipe 2 dengan data AL ................................................................................................. 139Tabel E.9 Tabel ROC dari klasifikasi menggunakan TVAR untuk inter subjek tipe 2 dengan data AV ................................................................................................. 139Tabel E.10 Tabel ROC dari klasifikasi menggunakan TVAR untuk inter subjek tipe 2 dengan data AW ................................................................................................ 140Tabel E.11 Tabel ROC dari klasifikasi menggunakan TVAR untuk inter subjek tipe 2 dengan data AY ................................................................................................. 140Tabel F.1 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek dengan data AA ................................................................................................................ 141Tabel F.2 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek dengan data AL ................................................................................................................. 141Tabel F.3 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek dengan data AV ................................................................................................................ 142Tabel F.4 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek dengan data AW ............................................................................................................... 142Tabel F.5 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek dengan data AY ................................................................................................................ 143Tabel F.6 Tabel ROC dari klasifikasi menggunakan SSA untuk inter subjek tipe 1 dengan data .......................................................................................................... 143Tabel F.7 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek tipe 2 dengan data AA .................................................................................................... 144Tabel F.8 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek tipe 2 dengan data AL .................................................................................................... 144
xix
Tabel F.9 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek tipe 2 dengan data AV .................................................................................................... 145Tabel F.10 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek tipe 2 dengan data AW ................................................................................................ 146Tabel F.11 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek tipe 2 dengan data AW ................................................................................................ 146Tabel G.1 Tabel ROC dari klasifikasi menggunakan Bandpass untuk intra subjek dengan data AA .................................................................................................... 147Tabel G.2 Tabel ROC dari klasifikasi menggunakan Bandpass untuk intra subjek dengan data AL .................................................................................................... 147Tabel G.3 Tabel ROC dari klasifikasi menggunakan Bandpass untuk intra subjek dengan data AV .................................................................................................... 148Tabel G.4 Tabel ROC dari klasifikasi menggunakan Bandpass untuk intra subjek dengan data AW ................................................................................................... 148Tabel G.5 Tabel ROC dari klasifikasi menggunakan Bandpass untuk intra subjek dengan data AY .................................................................................................... 149Tabel G.6 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek tipe 1dengan data ................................................................................................. 150Tabel G.7 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek tipe 2 dengan data AA .......................................................................................... 150Tabel G.8 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek tipe 2 dengan data AL .......................................................................................... 151Tabel G.9 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek tipe 2 dengan data AV .......................................................................................... 151Tabel G.10 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek tipe 2 dengan data AW ......................................................................................... 152Tabel G.11 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek tipe 2 dengan data AY .......................................................................................... 152
xx
DAFTAR GAMBAR Gambar 2.1 BCI Non Invasive (Graimann et al., 2010) ........................................ 13Gambar 2.2 BCI Invasive (Abdulkader et al., 2015) ............................................. 14Gambar 2.3 Sistem BCI ......................................................................................... 14Gambar 2.4 Diagram blok dari spectral inversion. (a) adalah sinyal input dimana x[n] diaplikasikan pada 2 sistem secara paralel, memiliki respon impuls yaitu h[n] dan δ[n]. (b) menunjukkan sistem yang memiliki respon impuls yaitu δ[n]-h[n]. ini berarti respon frekuensi dari h[n]. .......................................................................... 25Gambar 2.5 Merancang sebuah filter bandpass (a) filter bandpass dapat dibentuk dengan mengalirkan filter lowpass dan filter highpass. tahap tersebut dapat dikurangi menjadi satu tahap yang setara dengan kerumitan dari filter lowpass dan filter highpass ......................................................................................................... 25Gambar 2.6 filter bandpass ideal (Gunawan and Filbert Himan Juwono, 2012). .. 26Gambar 2.7 Margin Maksimum untuk Dua Kelas yang telah Diklasifikasi .......... 28Gambar 2.8 Margin Minimum dan Maksimun ...................................................... 29Gambar 2.9 Confusion Matrix dengan total tupel positif dan negative (Han and Kamber, 2011) ....................................................................................................... 30Gambar 2.10 Kurva ROC ...................................................................................... 31Gambar 3.1 Alur Penelitian. .................................................................................. 34Gambar 3.2 dataset IVa. gambar a menunjukkan data dari subjek aa. gambar b menunjukkan data dari subjek al. gambar c menunjukkan data dari subjek av. gambar menunjukkan data dari subjek aw. gambar e menunjukkan data dari subjek ay. ........................................................................................................................... 36Gambar 3.3 Data Dummy eeg400 ......................................................................... 37Gambar 3.4 Data dummy untuk metode SSA ........................................................ 37Gambar 3.5 Diagram plot pada matlab dengan data eeg400. A menunjukkan data eeg400 yang belum diproses. B menunjukkan data eeg400 yang telah diproses menggunakan metode TVAR ................................................................................ 38Gambar 3.6 Data Hasil SSA. a Sumber non Statis. b Sumber Statis ..................... 38Gambar 3.7 Sinyal Hasil Filter dan Sinyal Belum Terfilter .................................. 39Gambar 3.8 Tahapan Evaluasi dan Analisis Hasil ................................................. 41Gambar 3.9 Tahapan Pengolahan Data .................................................................. 45Gambar 4.1 gambar data subjek aa pada baris ke 1 ............................................... 48Gambar 4.2 diagram blok dekomposisi sinyal menggunakan TVAR. .................. 48Gambar 4.3 Sumber kode praproses data menggunakan TVAR. .......................... 49Gambar 4.4 plot hasil dekomposisi pada variabel decomp kolom 1 sinyal aw .... 49Gambar 4.5 sumber kode untuk menyusun seluruh komponen yang telah didekomposisi menjadi sebuah vektor sinyal. ....................................................... 50Gambar 4.6 hasil sinyal yang telah disusun menjadi sebuah vektor. ..................... 50Gambar 4.7 Hasil Sinyal Pada Baris 1 sinyal subjek aa. ....................................... 51
xxi
Gambar 4.8 Sumber Kode SSA ............................................................................. 51Gambar 4.9 hasil pengolahan SSA ........................................................................ 52Gambar 4.10 Gambar Hasil SSA pada subjek aa pada baris ke 1 ......................... 52Gambar 4.11 kode sumber dari filter bandpass ..................................................... 53Gambar 4.12 hasil bandpass setiap subjek ............................................................. 53Gambar 4.13 Gambar Sinyal Hasil Bandpass pada Subjek aa baris ke 1 .............. 54Gambar 4.14 baris kode untuk memisahkan data .................................................. 55Gambar 4.15 sumber kode CSP ............................................................................. 55Gambar 4.16 fitur hasil CSP .................................................................................. 56Gambar 4.17 sumber kode ACSP iA ..................................................................... 56Gambar 4.18 sumber kode ACSP iB ..................................................................... 57Gambar 4.19 Sumber kode ACSP iC ..................................................................... 57Gambar 4.20 sumber kode untuk memisahkan data sesuai dengan percobaan ..... 58Gambar 4.21 memisah data sesuai dengan kelasnya ............................................. 58Gambar 4.22 Sumber Kode Perhitungan CSP ....................................................... 59Gambar 4.23 Proses Menghitung Fitur ACSP ....................................................... 59Gambar 4.24 Gambar alur percobaan pada bandpass filtering .............................. 76Gambar 5.1 Hasil perbandingan CSP pada tiap metode ........................................ 81Gambar 5.2 Hasil perbandingan ACSP Ia pada tiap metode ................................. 82Gambar 5.3 Hasil perbandingan ACSP Ib pada tiap metode ................................. 82Gambar 5.4 Hasil perbandingan ACSP Ib pada tiap metode ................................. 83Gambar 5.5 Hasil perbandingan CSP pada tiap metode ........................................ 83Gambar 5.6 Hasil perbandingan ACSP Ia pada tiap metode ................................. 84Gambar 5.7 Hasil perbandingan ACSP Ib pada tiap metode ................................. 84Gambar 5.8 Hasil perbandingan ACSP Ic pada tiap metode ................................. 85Gambar 5.9 Hasil perbandingan CSP pada tiap metode ........................................ 86Gambar 5.10 Hasil perbandingan ACSP Ia pada tiap metode ............................... 86Gambar 5.11 Hasil perbandingan ACSP Ib pada tiap metode ............................... 87Gambar 5.12 Hasil perbandingan ACSP Ic pada tiap metode ............................... 87Gambar 5.13 Hasil perbandingan CSP Intra Subjek pada metode TVAR ............ 88Gambar 5.14 Hasil perbandingan CSP Intra Subjek pada metode TVAR ............ 89Gambar 5.15 Hasil perbandingan ACSP Ia Intra Subjek pada metode TVAR ..... 89Gambar 5.16 Hasil perbandingan ACSP Ia Intra Subjek pada metode TVAR ..... 90Gambar 5.17 Hasil perbandingan ACSP Ib Intra Subjek pada metode TVAR ..... 90Gambar 5.18 Hasil perbandingan ACSP Ib Intra Subjek pada metode TVAR ..... 91Gambar 5.19 Hasil perbandingan ACSP Ic Intra Subjek pada metode TVAR ..... 91Gambar 5.20 Hasil perbandingan ACSP Ic Intra Subjek pada metode TVAR ..... 92Gambar 5.21 Hasil perbandingan ACSP Inter Subjek Tipe 1 pada metode TVAR................................................................................................................................ 92Gambar 5.22 Hasil perbandingan ACSP Inter Subjek Tipe 2 pada metode TVAR................................................................................................................................ 93
xxii
Gambar 5.23 Hasil perbandingan CSP pada metode SSA dengan repetisi 1 kali hingga 10 kali ......................................................................................................... 94Gambar 5.24 Hasil perbandingan ACSP Ia pada metode SSA dengan repetisi 1 kali hingga 10 kali ......................................................................................................... 94Gambar 5.25 Hasil perbandingan ACSP Ib pada metode SSA dengan repetisi 1 kali hingga 10 kali ......................................................................................................... 95Gambar 5.26 Hasil perbandingan ACSP Ic pada metode SSA dengan repetisi 1 kali hingga 10 kali ......................................................................................................... 96Gambar 5.27 Hasil perbandingan CSP Inter Subjek tipe 1 pada metode SSA dengan repetisi 1 kali hingga 10 kali .................................................................................. 97Gambar 5.28 Hasil perbandingan ACSP Ia Inter Subjek tipe 1 pada metode SSA dengan repetisi 1 kali hingga 10 kali ..................................................................... 97Gambar 5.29 Hasil perbandingan ACSP Ib Inter Subjek tipe 1 pada metode SSA dengan repetisi 1 kali hingga 10 kali ..................................................................... 98Gambar 5.30 Hasil perbandingan ACSP Ic Inter Subjek tipe 1 pada metode SSA dengan repetisi 1 kali hingga 10 kali ..................................................................... 99Gambar 5.31 Hasil perbandingan CSP Inter Subjek tipe 2 pada metode SSA dengan repetisi 1 kali hingga 10 kali ................................................................................ 100Gambar 5.32 Hasil perbandingan ACSP Ia Inter Subjek tipe 2 pada metode SSA dengan repetisi 1 kali hingga 10 kali ................................................................... 100Gambar 5.33 Hasil perbandingan ACSP Ic Inter Subjek tipe 2 pada metode SSA dengan repetisi 1 kali hingga 10 kali ................................................................... 101Gambar 5.34 Hasil perbandingan ACSP Ic Inter Subjek tipe 2 pada metode SSA dengan repetisi 1 kali hingga 10 kali ................................................................... 102Gambar 5.35 Percobaan 1 CSP pada metode bandpass ....................................... 103Gambar 5.36 Percobaan 1 ACSP Ia pada metode bandpass ................................ 103Gambar 5.37 Percobaan 1 ACSP Ib pada metode bandpass ................................ 104Gambar 5.38 Percobaan 1 ACSP Ic pada metode bandpass ................................ 104Gambar 5.39 Percobaan 2 CSP pada metode bandpass ....................................... 105Gambar 5.40 Percobaan 2 ACSP Ia pada metode bandpass ................................ 105Gambar 5.41 Percobaan 2 ACSP Ib pada metode bandpass ................................ 106Gambar 5.42 Percobaan 2 ACSP Ib pada metode bandpass ............................... 106Gambar 5.43 Percobaan 2 CSP pada metode bandpass ....................................... 107Gambar 5.44 Percobaan 3 ACSP Ia pada metode bandpass ................................ 107Gambar 5.45 Percobaan 3 ACSP Ib pada metode bandpass ................................ 108Gambar 5.46 Percobaan 3 ACSP Ic pada metode bandpass ................................ 108Gambar 5.47 Percobaan 4 CSP pada metode bandpass ....................................... 109Gambar 5.48 Percobaan 4 ACSP Ia pada metode bandpass ................................ 109Gambar 5.49 Percobaan 4 ACSP Ib pada metode bandpass ................................ 110Gambar 5.50 Percobaan 4 ACSP Ic pada metode bandpass ................................ 110
xxiii
Gambar 5.55 Hasil ACSP Inter Subjek tipe 2 menggunakan parameter 9 Hz -28.............................................................................................................................. 111Gambar 5.56 Hasil ACSP Inter Subjek tipe 2 menggunakan parameter 9 Hz -28.............................................................................................................................. 111Gambar 5.56 grafik keseluruhan dari hasil sebelum dan sesudah optimasi ........ 113
BAB 1
PENDAHULUAN
1.1 Latar Belakang Masalah
Otak manusia adalah organ yang sangat komplek pada tubuh. Otak terdiri dari
banyak sel neuron. Setiap sel terdiri dari axon, dendrit dan tubuh sel. Tiap jaringan
terkoneksi menuju jaringan neural melalui sinaps. Sel neuron berkomunikasi
dengan neuron yang lain untuk bertukar informasi dari atau kepada otak keseluruh
tubuh. Informasi yang ditransmisikan disebut sebuah Action Potential. Action
Potential disebabkan oleh pertukaran ion sepanjang membran neuron (Bronzino,
1999).
Aktifitas otak dapat digambarkan dengan adanya gelombang otak.
Gelombang otak pada tiap manusia berbeda di setiap fase. Gelombang otak dapat
diamati menggunakan alat rekam khusus yang dapat ditemui di rumah sakit dan
laboratorium yang terbagi menjadi 3 yaitu gamma, beta, alpha, theta dan delta.
Beberapa tahun terakhir perkembangan sistem Brain Computer Interface
(BCI) telah berkembang sangat pesat. Perkembangan aplikasi BCI telah
berkembang ke berbagai bidang seperti kedokteran, Neuroergonimic dan Smart
environment, Neuromarketing dan Advertising, Educational dan Self-regulation,
Games dan entertainment serta Security dan autehentication (Abdulkader et al.,
2015).
Brain Computer Interface (BCI) adalah teknologi komunikasi antar otak dari
manusia dan sistem secara langsung menggunakan interface yang khusus (Wolpaw
et al., 2002). BCI adalah sebuah interface yang menyediakan alat untuk otak
berkomunikasi tanpa menggunakan otot. Salah satu fungsi dari BCI adalah
memonitor keadaan mental. Fungsi ini dapat digunakan untuk memprediksi dan
mendeteksi masalah kesehatan. BCI dapat menerjemahkan sinyal yang berasal dari
otak menjadi sinyal kontrol tanpa menggunakan otot atau jaringan peripheral
(Wang et al., 2005).
Tahun 1998 Johannes meneliti tentang filter spasial yang optimal untuk
percobaan klasifikasi tunggal Electroencephalogram (EEG). Data yang digunakan
merekam 3 tipe pergerakan yaitu pergerakan kanan dan kiri jari telunjuk dan
2
pergerakan kaki kanan. Masalah dalam penelitian ini adalah perhitungan matrik
kovarian sehingga penelitian ini menggunakan sample kovarian sebagai estimator.
Penelitian ini menggunakan Common Spatial Pattern sebagai metode pada
Ekstraksi Fitur (Müller-Gerking et al., 1999).
Wang mengajukan metode untuk Channel Selection pada Motor Imagery
berbasis BCI dengan menggunakan Common Spatial Pattern (CSP). CSP
digunakan untuk memilih channel yang paling optimal dengan mencari nilai
maksimum pada vektor pola spasial. Dengan memiliki beberapa channel EEG yang
lebih sedikit, maka algoritma yang cocok untuk aplikasi online dapat diajukan dan
divalidasi (Wang et al., 2005).
Gutiérrez menggunakan Time-Varying Autoregressive (TVAR) untuk
medekomposisi sinyal EEG. TVAR adalah model yang digunakan untuk
mendapatkan untuk merepresetansikan struktur frekuensi waktu dari sinyal EEG.
Gutiérrez menguji perubahan model TVAR yang didapatkan dari data EEG. Model
ini digunakan sebagai input menuju tahapan metode CSP. Hasil dari TVAR
digunakan sebagai masukan untuk CSP dengan melihat komponen paling signifikan
(Gutiérrez and Salazar-Varas, 2011).
Penelitian ini berfokus pada penggunaan Time-Frequency Analysis (TFA)
untuk sinyal EEG. Performa dari pendekatan TFA konvensional sangat bergantung
pada pemilihan model parameter atau konvergen defisiensi dari teknik TFA yang
tradisional. Li mengajukan sebuah metode pengembangan dari Multiwavelet yang
menghasilkan sebuah alternatif yang baik untuk TFA. Hasil simulasi menunjukkan
framework yang menggunakan pengembangan Wavelet dapat menangkap berbagai
komponen frekuensi waktu dari sinyal EEG buatan dengan lebih jelas dan akurat
daripada perhitungan Power Spectra yang konvensional seperti CWT,STFT dan
metode klasis adaptif AR (Li et al., 2016)
Penelitian von Bunau mendemonstrasikan bahwa Stationary Subspace
Analysis (SSA) dapat diaplikasikan pada data BCI. SSA dapat meningkatkan
klasifikasi secara drastis. Von Bunau menyimpulkan bahwa SSA dapat
meningkatkan klasifikasi dan stasioner dan nonstationary peta kulit kepala dapat
digambarkan dan memungkinkan penafsiran neurofisiologis, dikarenakan dari
lineritas dari SSA (von Bunau et al., 2010).
3
Penelitian Samek mengajukan sebuah metode yang dapat menghitung sub
bidang statis dari data multi kelas tanpa mengabaikan variasi kelas yang terkait atau
perbedaan kelas sebagai non stasioner. Lebih jauh, samek mengajukan sebuah
varian diskriminan dari SSA yang dapat menukar stasioner dan diskriminatif,
sehingga dapat mengekstrak subspace stasioner tanpa kehilangan informasi yang
relevan. Samek kemunculan pola statis dan non statis yang didapatkan dari 5 subjek
dan menunjukan bahwa metode tersebut lebih cocok untuk data BCI dan dapat
mengungguli SSA (Samek et al., 2012).
Penelitian Sun mengajukan sebuah metode yang dinamakan Adaptive
Common Spatial Pattern (ACSP). Metode ini digunakan pada saat fase ekstraksi
Fitur di sinyal EEG. Metode ACSP digunakan untuk mengekstrak fitur dari multi
class yang tidak dapat dilakukan oleh metode sebelumnya yaitu metode CSP.
Metode ACSP adalah pengembangan dari metode CSP (Sun and Zhang, 2006).
Penelitian tentang ACSP juga diteliti oleh Song. Song mengajukan metode
ACSP untuk meneliti intra dan inter-subjek dari EEG yang sering berubah-ubah.
ACSP digunakan untuk menganalisis data subjek tanpa label kelas dan secara
bersamaan memperbarui filter spasial untuk meningkatkan kemampuan pembeda.
ACSP dapat digunakan untuk mengklasifikasikan data EEG pada percobaan
tunggal dengan situasi yang ditentukan seperti data latih hanya tersedia dari satu
subjek dan tidak ada data latih dari subjek target. Song menemukan bahwa metode
ACSP memiliki tingkat akurasi yang lebih baik daripada CSP (Song et al., 2013).
Sun mereview beberapa metode-metode adaptif yang dapat digunakan untuk
melakukan Ekstraksi Fitur dan klasifikasi. Metode yang diteliti Sun untuk Ekstraksi
Fitur adalah Adaptive Common Spatial Pattern , Semi-Supervised feature
extraction, Adaptive Autoregressive Parameter dan Wavelet Packet Transform.
Metode untuk klasifikasi yang diteliti oleh sun adalah Adaptive Linier Discriminant
Analysis, Adaptive Support Vector Machine, Adaptive Bayesian Classifier,
Adaptive Neural Network dan Dynamic Combination of Classifier (Sun and Zhou,
2014)
Tahun 2015 Song melakukan penelitian menggunakan metode ACSP.
Metode ini digunakan untuk meneliti data EEG yang tidak memiliki label dari
subjek penelitian untuk mempelajari filter spasial. Metode ini dapat digunakan
4
untuk mengklasifikasikan data EEG dari single ataupun dari multiple objek. Metode
yang dikembangkan Song dievaluasi menggunakan data EEG multi-subject motor
imagery yang berasal dari BCI Competition III dan IV (Song and Yoon, 2015).
Pada penelitian yang dilakukan oleh Song tersebut, Song hanya fokus untuk
meneliti performa dari metode ACSP. Song mengevaluasi metode ini berdasarkan
kinerja klasifikasi intra-subjek dan inter-subjek. Pada penelitian ini, Song
menggunakan 4 dataset yang disediakan oleh BCI competition. Dikarenakan Song
hanya berfokus pada metode ACSP tersebut, maka dataset yang digunakan sebagai
masukan untuk metode ACSP hanya di praproses secara minimal untuk
menghilangkan artefak mayornya. Proses praproses tersebut tidak dilakukan oleh
Song, tetapi oleh penyedia dataset tersebut. Cross validation digunakan pada tiap
subjek pada tiap dataset. Penggunaan SVM pada penelitian ini adalah sebagai
metode pengklasifikasi. Untuk mengetahui kinerja yang dimiliki oleh metode
ACSP ini, Song mengajukan metode Cohen’s Kappa sebagai metode
penghitungan(Song and Yoon, 2015). Hasil akurasi yang didapatkan oleh Song dari
berbagai skenario yang telah dilakukan pada penelitian tersebut rata rata berkisar
70%.
Batasan utama dalam metode ACSP yang diajukan oleh Song adalah bahwa
kinerja ini dipengaruhi oleh artefak EEG misalnya kedipan mata, menelan ludah,
atau kegiatan-kegiatan lain yang nantinya akan berpengaruh pada hasil EEG yang
digunakan. Artefak pada percobaan pelatihan pada percobaan pengujian mungkin
dapat dilemahkan, dimana artefak tersebut dapat menyebabkan hasil yang cukup
jelek sehingga kemungkinan akan menghasilkan pengukuran yang tidak reliabel
pada pengukuran kemiripan pada metode ACSP tersebut. sebagai contoh, jika hasil
perhitungan kovarian mendominasi kullback-Leibler Distance (KLD), maka hasil
perhitungan kemiripan yang dihitung menggunakan KLD akan menjadi tidak
reliabel (Song and Yoon, 2015). Untuk mengatasi kasus seperti di atas, perlu untuk
mengetahui lebih beberapa metode data praproses sehingga data yang diolah sesuai
dengan kebutuhan penelitian. Artefak EEG yang tidak perlu dihapus agar kinerja
klasifikasi dan akurasi algoritma berjalan maksimal.
Dengan adanya batasan pada penelitian Song tersebut, maka pada penelitian
ini akan dicari metode terbaik pada tahap praproses data sehingga dapat
5
meningkatkan tingkat akurasi metode ACSP. Metode yang akan dibandingkan
adalah metode Time-Varying Autoregressions, Stationary Subspace Analysis dan
Bandpass Filtering. Ketiga metode tersebut akan digunakan untuk mengekstrak
artefak pada dataset tersebut sehingga didapatkan sinyal yang lebih bersih daripada
sinyal pada dataset tersebut. Hasil dari ketiga metode tersebut akan menjadi
masukan untuk metode ACSP. Ketiga masukan yang telah diproses oleh metode
ACSP tersebut akan dihitung tingkat akurasinya dengan cara mengklasifikasi hasil
yang dikeluarkan oleh metode ACSP sehingga dapat ditentukan metode praproses
manakah yang terbaik untuk digunakan oleh metode ACSP.
1.2 Perumusan Masalah
Batasan dalam metode ACSP yang diajukan oleh Song adalah bahwa kinerja
metode tersebut dipengaruhi oleh artefak EEG seperti contoh kedipan mata,
menelan ludah, atau kegiatan-kegiatan lain yang nantinya akan berpengaruh pada
hasil EEG yang digunakan. Dikarenakan metode ACSP adalah metode yang
melakukan proses perhitungan spasial menggunakan CSP dan metode untuk
mengukur kemiripan data, maka artefak pada percobaan pelatihan pada percobaan
pengujian mungkin dapat melemahkan hasil akurasi dan memungkinkan dapat
menghasilkan pengukuran yang tidak reliabel pada pengukuran kemiripan pada
metode ACSP tersebut, sebagai contoh, jika hasil perhitungan kovarian baru
mendominasi KLD, maka hasil perhitungan kemiripan yang dihitung menggunakan
KLD akan menjadi tidak reliabel (Song and Yoon, 2015). Untuk mengatasi kasus
seperti di atas, perlu dilakukan praproses sehingga data yang diolah sesuai dengan
penelitian. Artefak EEG yang tidak perlu dihapus agar kinerja klasifikasi dan
akurasi algoritma berjalan maksimal.
Banyak penelitian yang telah dilakukan untuk menghapus artefak pada sinyal
EEG. Abdulkader melakukan kajian mengenai beberapa penelitian yang terkait
dengan Brain Computer Interface (Abdulkader et al., 2015). Kajian tersebut
menjelaskan beberapa penelitian yang terkait CSP. Beberapa penelitian tersebut
menggunakan metode praproses sebagai masukan untuk metode CSP. Metode
praproses yang dikaji untuk masukan metode CSP adalah SSA dan Bandpass
Filtering (Huang et al., 2012; von Bunau et al., 2010). Gutiérrez meneliti
6
penggunaan TVAR sebagai metode praproses yang digunakan untuk masukan CSP
(Gutiérrez and Salazar-Varas, 2012).
Dengan batasan yang ada pada masalah penelitian sebelumnya maka
dibutuhkan metode praproses yang dapat digunakan untuk menghapus artefak pada
sinyal EEG sehingga akan didapatkan data yang lebih baik. Dengan demikian
rumusan masalah dalam penelitian ini yaitu :
a. Penggunaan metode ACSP apakah masih memerlukan pengolahan data
sebelumnya dan metode apa saja yang dapat digunakan dalam pra proses
tersebut serta manakah yang menunjukkan hasil yang baik?
b. Dari metode terbaik yang telah diperoleh, bagaimana mengoptimasikan
metode terbaik tersebut sehingga dapat ditingkatkan hasil akurasinya serta
parameter manakah yang menunjukkan peningkatan hasil akurasi tersebut?
1.3 Tujuan Penelitian
Penelitian ini memiliki tujuan untuk merekomendasikan metode praproses
data yang terbaik untuk menghilangkan artefak pada dataset sinyal sehingga
didapatkan sinyal yang lebih bersih daripada sinyal pada dataset tersebut. Hasil dari
metode praproses tersebut akan digunakan sebagai masukan pada metode ACSP.
Luaran dari metode ACSP tersebut akan diukur tingkat akurasi dari tiap metode
praproses.
1.4 Manfaat Penelitian
Manfaat dari penelitian ini dikemukakan menjadi manfaat teoritis dan praktis.
Manfaat teoritis dalam penelitian ini, yaitu mengisi celah penelitian bahwa ACSP
sangat bergantung dengan hasil dari praproses data agar dapat menghasilkan hasil
yang lebih akurat. Sedangkan untuk manfaat praktis dari penelitian ini adalah
mengintegrasikan metode praproses data yang paling sesuai dengan metode ACSP
sehingga memudahkan peneliti selanjutnya dalam melakukan penelitian.
1.5 Batasan Penelitian
Penelitian ini memiliki beberapa batasan masalah sehingga penelitian ini
tetap fokus pada algoritma terbaik yang dapat digunakan untuk meningkatkan
akurasi metode ACSP. Beberapa batasan masalah tersebut yaitu
• Data yang digunakan hanya data IVa dari Brain Computer Interface III
7
• Metode yang dibandingkan hanya 3 yaitu Time Varying Autoregression,
Stationary Subspace Analysis, bandpass filtering
8
Halaman ini sengaja dikosongkan
BAB 2
KAJIAN PUSTAKA
Pada bab ini akan dibahas mengenai kajian pustaka dan dasar teori yang
mendukung dalam pengerjaan penelitian.
2.1 Penelitian Terdahulu
Peneliti memaparkan beberapa hasil penelitian terdahulu yang relevan
terhadap permasalahan yang akan diteliti. Penelitian tersebut adalah (i) Mendesain
sebuah filter spasial yang optimal untuk klasifikasi percobaan tunggal EEG pada
sebuah pergerakan (Müller-Gerking et al., 1999). Penelitian ini bertujuan sebagai
rintisan penerapan spatial filter. Peneliti merancang sebuah filter spasial untuk
digunakan pada EEG multi-channel. Metode yang digunakan pada penelitian
tersebut adalah metode Common Spatial Filter (CSP). Menurut peneliti, CSP cocok
digunakan untuk pemrosesan data secara online. Hasil penelitian yang didapatkan
pada penelitian ini adalah tingkat pengenalan data EEG lebih baik daripada metode
yang ada sebelumnya;(ii) Metode Common Spatial Pattern untuk seleksi channel
pada Motor Imagery berbasis Brain Computer Interface (Wang et al., 2005).
Penelitian ini peneliti mengusulkan CSP sebagai metode untuk mengurangi channel
pada motor imagery. CSP digunakan untuk mencari channel yang paling optimal
sehingga dapat menganalisis pola spasial pada kulit kepala. Pada penelitian ini,
peneliti mengombinasikan metode event related desynchronization (ERD) dan
readiness potential (RP) sebagai algoritma untuk melakukan klasifikasi; (iii)
Adaptive Ekstraksi Fitur untuk klasifikasi sinyal EEG (Sun and Zhang, 2006).
Peneliti mengenalkan Adaptive Common Spatial Pattern (ACSP) sebagai metode
yang digunakan untuk meningkatkan keefektivitas metode CSP. Metode ACSP ini
adalah superset dari metode CSP klasik. Pada penelitian ini digunakan 2 metode
yaitu stationary CSP (SCPS) dan windowed CSP (WCPS) sebagai pembanding
perfoma dari ACSP. Hasil performa dari ACSP dapat lebih baik dari 2 metode
tersebut; (iv) Meningkatkan klasifikasi Brain Computer Interface menggunakan
Adaptive Common Spatial Pattern (Song and Yoon, 2015). Pada penelitian ini
peneliti mengenalkan metode ACSP menganalisis percobaan tunggal data EEG dari
1 dan banyak subjek. Metode ACSP pada penelitian ini adalah metode CSP dengan
10
beberapa metode yaitu Feature variance-based, Kullback-Leibler distance (KLD),
Frobenius norm (FN). Pada penelitian ini, ACSP dibandingkan dengan metode
SIWEER pada 2 keadaan yaitu intersubjek dan intra subjek. Hasil yang didapatkan
adalah metode ACSP terbukti memiliki kinerja yang lebih. Metode ACSP akan
lebih baik jika input yang diterima memiliki artefak yang lebih sedikit; (v)
pendeketan identifikasi menggunakan model Multiwavelet Time Varying untuk
analisis data EEG (Li et al., 2016). Pada penelitian ini, akan berfokus pada
penggunaan Time Frequency Analysis (TFA) pada sinyal EEG. pendekatan TFA
pada penelitian EEG seharusnya memiliki resolusi waktu yang baik dan resolusi
frekuensi yang baik juga. pendekatan tradisional TFA memiliki tingkat
ketergantungan yang tinggi terhadap pemilihan model parameter atau konvergensi
defisiensi pada teknik TFA tradisional. metode yang diusulkan menyediakan
alternatif untuk TFA karena dapat mendapatkan hasil yang baik antar waktu dan
frekuensi; (vi) Menemukan sumber otak statis dalam data EEG (von Bunau et al.,
2010). peneliti menggunakan Stasionary Subspace Analysis (SSA) sebagai metode
yang digunakan pada tahap praproses untuk mengalibrasi data dan kemudian
menggunakan CSP dan Linear Discriminant Analysis (LDA) untuk menghitung s-
source. Peneliti menemukan bahwa SSA dapat meningkatkan klasifikasi pada BCI
serta dikarenakan linieritas SSA tersebut maka peta kuli kepala statisioner dan non
statisioner dapat dilihat. Peneliti menyebutkan bahwa penelitian ini belum
dicobakan pada dataset invasive dan non invasive ; (vii) brain computer interface
di ruang bagian diskriminatif dan stasioner (Samek et al., 2012). Pada penelitian ini
peneliti memperluas penggunaan SSA menjadi 2 metode yaitu groupSSA dan
dSSA. Varian tersebut dapat mengekstrak sub bidang stasis dari data yang dari data
yang telah dilabeli tanpa mengesampingkan variasi kelas yang terkait atau
memperlakukan perbedaan kelas sebagai non statis. Varian tersebut memungkinkan
untuk mengekstrak sub bidang statis tanpa kehilangan informasi yang relevan. (ix)
klasifikasi sinyal EEG menggunakan model time-varying autoregressive dan
common spatial pattern (Gutiérrez and Salazar-Varas, 2011). Pada penelitian ini,
peneliti menggunakan model Time-Varying Autogressive (TVAR) untuk
menggantikan dekomposisi sub-band berbasis bank frekuensi. Model TVAR
memiliki kinerja lebih baik daripada bank frekuensi.
11
2.2 Gelombang Otak
Gelombang otak dapat diukur dengan sebuah alat bernama
Electroencephalogram (EEG). Penemu EEG adalah Hans Berger (1919-1938) yang
merupakan seorang profesor psikiater berasal dari Jerman yang menemukan
EEG. EEG adalah sebuah alat yang mampu memvisualisasikan gelombang otak
manusia ke dalam bentuk grafik. Penelitian menunjukan bahwa gelombang otak
(brainwave) tidak hanya menunjukkan kondisi pikiran dan tubuh seseorang, tetapi
dapat juga distimulasi untuk mengubah kondisi mental seseorang.
Gelombang otak dikategorikan dalam 5 kategori/jenis, yaitu beta, alpha,
theta, delta dan gamma. Masing-masing jenis gelombang ini sering berkorelasi
dengan kondisi mental yang berbeda. Berikut gelombang otak berdasarkan
frekuensinya, di bawah ini :
• Gamma (25 hz - 40 hz): Gelombang otak yang terjadi pada saat seseorang
mengalami aktifitas mental yang sangat tinggi dengan kondisi kesadaran
penuh. Misal : sedang berada di arena pertandingan, perebutan kejuaraan,
sangat panik, histeris, dan ketakutan. Gelombang otak ini cukup berbahaya
bagi otak.
• Beta (12 hz - 25 hz): Gelombang otak yang terjadi pada saat seseorang
mengalami aktifitas mental yang terjaga penuh. Misal : berpikir, rasional,
pemecahan masalah, dan keadaan pikiran. Frekuensi ini biasanya pikiran
seseorang dominasi oleh logika. Saat seseorang berada di gelombang ini,
otak (kiri) sedang aktif digunakan untuk berpikir, konsentrasi, dan
sebagainya sehingga menyebabkan gelombangnya meninggi. gelombang
tinggi ini merangsang otak mengeluarkan hormon
kortisol dan norepinefrin yang menyebabkan cemas, khawatir, marah, dan
stress. Akibat buruknya, beberapa gangguan penyakit mudah datang jika
kita terlalu aktif di gelombang ini.
• Alpha ( 8 hz – 12 hz ): Gelombang otak yang terjadi pada saat seseorang
yang mengalami relaksaksi atau mulai istirahat dengan tanda-tanda mata
mulai menutup atau mulai mengantuk. Alpha adalah pikiran yang paling
cocok untuk pemrograman bawah sadar. Seseorang yang sedang rileks,
12
melamun atau berkhayal gelombang otaknya berada dalam frekuensi ini.
Kondisi ini merupakan pintu masuk atau keluarnya potensi dari alam bawah
sadar anda. Anak-anak balita selalu berada dalam kondisi alfa. Itu sebabnya
mereka mampu menyerap informasi secara cepat. Dalam kondisi
gelombang ini, otak memproduksi hormon serotonin dan endorfin yang
menyebabkan seseorang merasa tenang, nyaman dan bahagia. Gelombang
alpha akan membuat imunitas tubuh meningkat, pembuluh darah terbuka
lebar, detak jantung menjadi stabil, dan kapasitas indra kita meningkat.
• Theta ( 4 hz – 8 hz ): Gelombang otak yang terjadi pada saat seseorang
mengalami tidur ringan, atau sangat mengantuk. Misal saat trance, hypnosis,
meditasi dalam, dan khusyu. Perlu diingat gelombang alpha dan
theta adalah gelombang pikiran bawah sadar. Oleh karena itu, anak-anak
cepat sekali dalam belajar, imajinasi, mudah menerima informasi apa
adanya. Pancaran frekuensi ini menunjukkan seseorang sedang dalam
kondisi mimpi. Dalam kondisi ini, pikiran bisa menjadi sangat kreatif dan
inspiratif. Seseorang akan menjadi khusyuk, rileks, pikiran hening dan
intuisi pun muncul. Ini semua terjadi karena otak mengeluarkan hormon
melatonin, catecholamine dan AVP (Arginine vasopressin).
• Delta (0.5 hz – 4 hz): Gelombang otak yang terjadi pada saat ketika Anda
tertidur lelap, tanpa mimpi. Fase delta ini adalah fase istirahat bagi tubuh
dan pikiran. Tubuh Anda melakukan proses penyembuhan diri,
memperbaiki kerusakan jaringan, dan aktif memproduksi sel-sel baru saat
Anda tertidur lelap. Frekuensi terendah ini muncul saat seseorang tertidur
pulas tanpa mimpi, tidak sadar, tak bisa merasakan badan, dan tidak
berpikir. Di gelombang ini otak mengeluarkan HGH (Human Growth
Hormone/ hormon pertumbuhan) yang bisa membuat orang awet muda.
Bila seseorang tidur dalam keadaan Delta yang stabil, kualitas tidurnya
sangat tinggi. Meski hanya beberapa menit, ia akan bangun dengan tubuh
tetap merasa segar.
13
2.3 Brain Computer Interface
Teknologi Brain Computer Interface (BCI) adalah sebuah alat yang
menghubungkan antara user dan sistem. BCI tidak membutuhkan perangkat
eksternal apapun atau perantara otot untuk menyelesaikan perintah dan interaksi
(Erp et al., 2012). BCI dikembangkan sebagai aplikasi biomedis, tetapi beberapa
tahun terakhir BCI telah berkembang sebagai alat bantu.
BCI mengukur aktifitas otak, mengolah dan menghasilkan sinyal yang
merefleksikan tujuan user. BCI mengandalkan pengukuran elektrik pada aktifitas
otak dan mengandalkan pada sensor yang diletakkan pada kepala untuk mengukur
aktifitas otak. Electroencephalography (EEG) merujuk untuk merekam aktifitas
elektronik dari kulit kepala menggunakan elektroda. Aktifitas otak dapat diukur
melalui 2 cara yaitu tanpa operasi (Non-Invasive) seperti pada gambar 2.1 dan
menggunakan operasi (Invasive) yant terlihat pada gambar 2.2.
Gambar 2.1 BCI Non Invasive (Graimann et al., 2010)
14
Gambar 2.2 BCI Invasive (Abdulkader et al., 2015)
Sistem BCI terdiri dari 4 komponen dasar. Komponen adalah Signal
Acquisition, Signal Preprocessing, Feature Extraction dan Classification. Signal
Acquisition bertanggung jawab untuk merekam gelombang otak dan mengirim ke
komponen Preprosesing untuk peningkatan sinyal dan pengurangan noise.
Komponen Feature Extraction menghasilkan karakteristik yang diskriminatif pada
sinyal yang telah ditingkatkan, mengurangi ukuran data sehingga dapat
diaplikasikan ke komponen Classification. Komponen Classification
menerjemahkan fitur yang telah dihasilkan menuju alat yang digunakan dalam
bentuk perintah yang sesuai dengan kelasnya. Pada gambar 2.3 menggambarkan
urutan dari sistem BCI
Gambar 2.3 Sistem BCI
2.4 Common Spatial Pattern
Common Spatial Pattern (CSP) pertama kali diperkenalkan oleh H. Ramoser
untuk klasifikasi untuk deteksi pergerakan tangan (Ramoser et al., 2000). CSP
adalah teknik filter dua kelas. Ide utama CSP adalah menggunakan transformasi
15
linier untuk memproyeksikan EEG Multi Channel menjadi sub bidang spasial
berdimensi rendah dengan sebuah proyeksi matrik , dimana tiap baris berisi bobot
dari channel. Perubahan ini dapat memaksilmalkan varian dari sinyal matrik dua
kelas. Tujuan CSP adalah untuk memaksimalkan salah satu kelas pada variasi fitur
dan secara simultan meminimalisir variasi fitur pada kelas lainnya.
CSP sangat efisien dalam mengekstrak fitur pada BCI. Metode CSP adalah
sebuah metode yang supervised dan spesifik subjek. CSP membutuhkan data latih
dari subjek yang menjadi target dengan label kelas yang telah diketahui. CSP sering
digunakan untuk subject-by-subject. Metode ini memiliki kelemahan yaitu tidak
baik digunakan untuk multi subject BCI (Song and Yoon, 2015).
Diberikan sebuah matrik !"($) M x N menggambarkan percobaan ke-I dari
data EEG yang dikumpulkan berdasarkan kerja otak dengan kelas label &, & ∈
{1,2}, normalisasi kelas-spesifik matriks kovariansi spasial .$dapat dihitung
sebagai berikut :
.$ = 0
12
34(2)34(2)5
67(34(2)34(2)5 )
12"80 (2.1)
Dimana !"($) adalah rata-rata berpusat. M adalah jumlah channel, N adalah
jumlah titik waktu. 9$ adalah jumlah dari percobaan EEG dalam kelas y dan T
adalah operator transpose matrik. Berdasarkan matrik kovarian, percobaan CSP
adalah memaksimalkan koefisien Rayleigh : :;2:
5
:2;2:5 (2.2)
yang setara dengan memecahkan masalah eigenvalue umum .0<
= = .><=Λ (2.3)
Dimana matrik W terdiri dari filter spasial dalam deret, dan Λ adalah matriks
diagonal berbagai macam di urutan eigen dari .>@0.0 yang menghitung rasio varian
antar 2 kelas dengan matrik proyeksi W, filter spasial dari sebuah percobaan !"($)
dapat dihitung sebagai berikut : A" = <!"($) (2.4)
Kolom dari <@0 adalah CSP yang yang dianggap sebagai sumber EEG
vektor distribusi waktu-invariant. Dikriminan yang berbasis dari proyeksi fitur pada
16
W dengan variasi maksimal, dimana baris pertama dan terakhir dari A". Berdasarkan
A", sebuah vector fitur dibangun untuk percobaan ke I dengan r filter spasial:
B7 = CDE[GH7(IJ)
GH7(IK)LMKNO
] (2.5)
Dimana Var() adalah penghitung varian, dan A7 adalah baris ke r dari A".
Transformasi logaritmik diaplikasikan untuk membuat distribusi dari B7 lebih dekat
kepada Gaussian.
2.5 Adaptive Common Spatial Pattern
Adaptive Common Spatial Pattern (ACSP) adalah salah satu pendekatan yang
bertujuan memperluas CSP menjadi paradigma multi subjek. Pada CSP dan
ekstensinya untuk analisis multi subjek, filter spasial W di hitung dan tetap untuk
memproses data baru. Ketika data latih tidak ada atau tidak terlabeli dari subjek,
biasanya filter spasial tersebut tidak cukup untuk mencirikan struktur kovarian
spasial dari data baru. Contoh ekstensi metode CSP yang telah digunakan untuk
beradaptasi pada data tidak berlabel diajukan oleh Sun. Metode CSP yang diajukan
oleh Sun disebut ACSP. ACSP pada penelitian Sun adalah superset dari metode
CSP. Ketika terdapat data yang tidak memiliki label pada data latih, CSP tidak
mampu mengkategorikan kovarian spasial untuk data tersebut. ACSP
menggunakan basis dari One Versus The Rest (OVR) sebagai ide yang diadopsi
untuk menjalankan ekstrasi fitur. Label kelas pada tiap percobaan test pertama
diperkirakan. Kemudian percobaan tersebut ditentukan pada kelas yang
diperkirakan untuk memperbaharui matrik kovarian dengan bobot yang tetap, dan
fitur CSP diperbaharui dan diklasifikasi kembali.(Sun and Zhang, 2006).
Li dan Guan mengajukan sebuah metode adaptif model berbasis parametrik
dimana fitur CSP diekstrak dari sebuah percobaan testing yang dimodelkan oleh 2
komponen Gaussian Mixture Model (GMM). Algoritma Expectation Maximization
(EM) digunakan untuk memperkirakan label kelas pada percobaan testing.
Percobaan tersebut menunjukkan probabilitas kelas posterior tinggi ditambahkan
ke kelas yang telah diperkirakan untuk memperbaharui matrik kovarian dari kelas
tersebut dan fitur dari CSP. Proses tersebut dilakukan berulang kali hingga
perubahan keseluruhan dari label kelas diantara dua iterasi bersebelahan dibawah
ambang batas yang telah ditentukan.(Li and Guan, 2006).
17
Pada penelitian ini mengacu pada penelitian Song, dimana Song menerapkan
ACSP dengan cara yang berbeda. unPada penelitian ini, Song tidak memperkirakan
label kelas untuk percobaan EEG , ukuran kesamaan antara data baru dan data latih
di masing-masing kelas dihitung, dan filter spasial dari kedua kelas secara simultan
diperbaharui berdasarkan ukuran kesamaan. 3 ukuran kesamaan yang berbeda
digunakan dimana metode ACSP dibangun (Song and Yoon, 2015).
Diberikan sebuah percobaan EEG dari subjek dengan label yang tidak
diketahui dan matrik kovarian spasial yang dinormalisasi .1QR. Metode yang
diajukan oleh Song untuk menghitung matrik kovarian kelas baru adalah seperti
berikut :
.0 = ∅O
1OTUV1(∅O).1QR +
1O1OTUV1(∅O)
.0
.> = ∅L
1LTUV1(∅L).1QR +
1L1LTUV1(∅L)
.> (2.6)
Dimana 90 dana 9> adalah jumlah dari percobaan training dari kelas 1 dan 2,
masing ∅0 ≥ 0dan ∅> ≥ 0 adalah dua langkah yang mengukur kesamaan antara
target dan data latih dalam dua kelas, dan butuh untuk diukur. ZE9(B) adalah fungsi
sign yang sama dengan 1 jika x > 0 dan sama dengan 0 jika x = 0. 3 pengukuran
kemiripan yang berbeda digunakan untuk mengukur ∅$,, & ∈ 1,2 .
Kelemahan dari metode ACSP adalah performa dari metode ini dipengaruhi
oleh adanya artefak EEG, seperti kedipan mata atau menelan sesuatu. Artefak pada
data latih dapat dilemahkan jika artefak pada percobaan testing mengalami hasil
buruk. Jika keadaan tersebut terjadi maka dapat menghasilkan perhitungan yang
tidak reliabel. Sehingga dibutuhkan metode praproses yang baik sebelum dilakukan
metode ACSP.
2.5.1. Feature variance-based
Ketika sebuah percobaan EEG diproyeksikan ke filter spasial yang telah ada
dari 2 kelas menggunakan persamaan (2.4), varian fitur B7dihitung menggunakan
persamaan (2.5). ∅$ dihitung sebagai rasio dari jumlah fitur varians di kelas y untuk
varians fitur keseluruhan dari dua kelas :
18
∅$ = 7(\J
2)
7(\JO)T 7(\J
L) (2.7)
Dimana B70 dihitung dari baris pertama proyeksi fitur pada W, B7> adalah baris
terakhir dari proyeksi fitur, dan B7$ adalah fitur ke-r dalam kelas y. varian fitur pada
persamaan (2.5) awalnya diajukan untuk CSP berbasis fitur untuk klasifikasi BCI,
dimana sebuah kelas dengan proyeksi varian fitur lebih besar memiliki
kemungkinan untuk menjari kelas motor imagery yang asli. Oleh karena itu, dapat
digunakan sebagai indikator kesamaan antara data latih dan data target, berdasarkan
pada bobot parameter yang dapat diturunkan untuk memperbaharui matrik kovarian
kelas.
2.5.2. Kullback-Leibler distance
kullback-Leibler Distance (KLD) adalah perhitungan jarak antara dua
distribusi probabilitas, digunakan untuk mengukur kesamaan antara distribusi
target dan data latih. Jika data EEG tiap percobaan dinormalisasi ke zero mean dan
standart deviasi, kemudian diasumsikan bahwa data EEG mengikuti sebuah zero
mean M-dimensi distribusi Gaussian multivariat, dimana M adalah jumlah dari
channel EEG. Distribusi probabilitas dari sebuah target percobaan EEG dan data
latih disajikan sebagai ]1QR = ^(0, .1QR) dan ]$ = ^(0, .$). KLD antara
]1QRdan ]$ dapat dihitung sebagai :
_` ]1QR, ]$ = 0
>ab .$
@0.1QR − CDEdef ;ghidef ;2
− j (2.8)
Dimana det() adalah operator determinan dan & ∈ 1,2 . Karena KLD adalah
bukan sebuah perhitungan jarak simetris, maka _` ]1QR, ]$ ≠ _` ]$, ]1QR .
KLD dapat simetris dengan menambahkan _` ]1QR, ]$ dan
_` ]$, ]1QR bersamaan :
_`l ]1QR, ]$ = 0
>_` ]1QR, ]$ + _` ]$, ]1QR (2.9)
Parameter ∅$ dapat dihitung sebagai :
19
∅$ = 1 −mno pghi,p2
mno pghi,pO Tmno pghi,pL (2.10)
Jika .1QR bukan dari kelas y, secara teori nilai dari
_`l ]1QR, ]$ /_`l ]1QR, ]0 + _`l ]1QR, ]> relatif besar, menghasilkan ∅$
kecil.
2.5.3. Frobenius Norm
Frobenius Norm (FN) adalah sebuah matrik norm yang didefinisikan sebagai
akar pangkat 2 dari penjumlahan dari kuadrat mutlak pada tiap elemennya. (FN)
dapat digunakan untuk mengukur jarak antar 2 matrik. Pada penelitian Song, FN
digunakan untuk menghitung kemiripan antara .1QRdan .$:
qr .1QR, .$ = .1QR s, t − .$(1, t)>
",u (2.11)
Parameter ∅$ dapat dihitung menggunakan :
∅$ = 1 −vw ;ghi,;2
vw ;ghi,;O @vw ;ghi,;L (2.12)
Jika .1QRbukan berasal dari kelas y, secara teori perbedaan antara .1QRdan
.$lebih daripada jika .1QRberasal dari kelas y, menghasilkan nilai ∅$ yang kecil,
sebalikan nilai nilai ∅$ yang besar akan ditempatkan pada .1QR.
2.5.4. Implemetasi ACSP.
∅0 dan ∅>dapat dihitung dengan menggunakan salah satu dari metode
pengukuran yang telah dijelaskan sebelumnya. Setelah menghitung .$
menggunakan persamaan (2.6), maka tahap yang tersisa adalah sama dengan
metode CSP untuk mendapatkan filter spasial yang telah diperbaharui untuk
ekstraksi fitur. Pada persamaan (6) dapat diamati bahwa bobot untuk .$dan
.1QRterkait dengan jumlah percobaan training. Lebih banyak training
menyebabkan berkurangnya bobot untuk data target. Besarnya jumlah percobaan
menyebabkan besarnya kemungkinan untuk menyajikan lebih banyak informasi
sebelumnya tentang subjek target, dan konsekuensinya semakin rendah
kemungkinan percobaan baru untuk menunjukkan pola yang berbeda jauh. Ketika
jumlah percobaan training besar, maka bobot pada .1QRrelatif kecil dan memiliki
efek yang kecil untuk keseluruhan matrik kovarian. Namun, varian yang kecil dapat
20
menyebabkan perubahan yang signifikan pada distribusi fitur dan hasil klasifikasi
akhir.
Pada penelitian ini implementasi ACSP akan menggunakan 3 metode untuk
menghitung ∅$. ACSP dengan menggunakan feature variance-based distance
disebut ACSP-Ia, ACSP dengan menggunakan KLD simetris disebut ACSP-Ib dan
ACSP yang menggunakan FN disebut ACSP-Ic. Implementasi ACSP dapat
dimplementasikan dengan prosedur :
• Tahap 1 : sebuah filter spasial W dihitung menggunakan CSP klasik dengan
data traning EEG.
• Tahap 2 : masukkan sebuah percobaan EEG dari subjek target.
• Tahap 3 : ACSP-Ia menghitung proyeksi fitur dari data baru pada W
menggunakan persamaan (2.4) dan (2.5). ACSP -Ib dan ACSP-Ic
menghitung matrik kovarian .1QRdari data baru, dan KLD atau FN antara
.1QRdan .$, & ∈ 1,2 menggunakan persamaan (2.9) atau (2.11).
• Tahap 4 : perkirakan ∅0 dan ∅> menggunakan persamaan (2.7) (ACSP-Ia),
atau (2.10) (ACSP-Ib) atau (2.12) (ACSP-Ic).
• Tahap 5 : hitung .0 dan .>menggunakan persamaan (2.6) dan perbaharui
filter spasial W. proyeksikan data target dan training pada W yang telah
diperbaharui dan ekstrak fitur menggunakan (2.4) dan (2.5).
• Tahap 6 : fitur yang telah terekstrak dari data latih digunakan untuk melatih
data classifier untuk mengklasifikasi fitur yang telah terekstrak dari data
target.
• Tahap 7 : kembali ke tahap 2 untuk percobaan target selanjutnya.
2.6 Time-Varying Autoregressions
Time-Varying Autoregression (TVAR) adalah model yang melakukan
pendekatan dengan memperkirakan tingkat pengembalian tergantung waktu pada
time series, dimana dapat bertindak sebagai peringatan dini dari transisi yang kritis.
Pada model Autoregressive standar, sinyal EEG secara diskrit digambarkan dengan
mewakili tingkat tegangan tiap waktu t sebagai kombinasi linier pada tingkat
tegangan pada waktu t -1, t-2,…, t-p, (dimana p > 0 adalah maksimum jeda waktu)
21
ditambah dengan komponen acak. Hubungan tersebut diasumsikan bahwa sama
sepanjang waktu, kemudian koefisien tersebut mendefinisikan kombinasi linier
yang constant selama periode rekam. Pada model TVAR koefisien tersebut dapat
berubah sepanjang waktu sehingga dapat beradaptasi untuk membuktikan
perubahan yang terjadi dalam seri. Model ini dapat merespon dan menangkap
secara cukup perubahan yang terlihat pada oscillator EEG. Lebih jauh lagi, jika
skema multichannel dipertimbangkan, maka pendekatan TVAR dapat didefinisikan
dimana tiap sampel sinyal yang didefinisi dibandingkan dengan sampel sebelumnya
dan sampel sebelumnya channel lainnya (Sanei and Chambers, 2007). BÄ a = φm, i aÇ
"80 BÄ a − s + 9Ä a , (2.13)
Berdasarkan kondisi tersebut, maka didapatkan rumus (2.13) dimana φm, i a
adalah koefisien time-varying dari model. Model ini sering dihitung menggunakan
algoritma Levinson-Wiggi Robinson dan 9Ä a menlambangkan noise pada
channel m, kemudian koefisien TVAR disusun menjadi matrik ÉÄ(a).
Setelah rangkaian EEG dimodelkan menggunakan model TVAR, tujuan dari
model tersebut adalah menyelidiki struktur time-frequency dari proses laten yang
mendasari sinyal mengguakan model dekomposisi dinamis berdasarkan pada
eigenstructure dari GÖ(t). dekomposisi seperti pada rumus 2.14 dimana pá adalah
jumlah pasang karakteristik akar kompleks polynomial yang didefinisikan oleh
eigendecomposition dari GÖ(t), dan pà adalah jumlah dari akar karakteristik real
sehingga 2pá + pà = p. Tiap zÖ,ä(t) diarahkan ke analisis domain waktu untuk
struktur time-frequency melalui penyelidikan dari frekuensi mereka ωÖ,ä(t) dan
modulo rÖ,ä(t). Pengujian dari perubahan tiap waktu pada ωÖ,ä(t) dan rÖ,ä(t)
adalah sebuah pendekatan untuk menyelidiki variasi waktu pada fungsi spectral
density dan analisis dekomposisi yang sesuai merupakan bentuk dekomposisi
spektral dalam domain waktu (Krystal et al., 1999).
xÖ t = zÖ,äéèä80 t + yÖ,ä
éëä80 (t)
(2.14)
Model TVAR memiliki kelebihan yaitu model ini dapat mendekomposisi
serangkaian seri waktu menjadi satu set komponen laten dengan konten frekuensi
yang bervariasi. Kelebihan selanjutnya model ini dapat menyelesaikan puncak
22
spektrum berjarak dekat dibawah kondisi yang penuh dengan noise. Kekurangan
dari model ini adalah kinerja model ini umumnya sangat tergantung pada pilihin
parameter model atau konvergensi defisiensi dari model tersebut. resolusi frekuensi
yang lebih tinggi akan diperoleh dengan mengorbankan hal yang tidak diinginkan
pada resolusi waktu rendah dan begitu pula sebaliknya.
Gutiérrez dan Salazar dalam penelitiannya menggunakan TVAR sebagai
metode praproses dan CSP sebagai metode ekstraksi fitur. Metode TVAR-CSP
yang diajukan oleh Gutiérrez dan Salazar menghasilkan kinerja yang lebih bagus
daripada penelitian sebelumnya yaitu menggunakan bank filter. Hasil penelitian ini
terlihat pada hasil ROC dari penelitian tersebut. Hasil ROC yang dimiliki oleh
TVAR-CSP memiliki hasil yang lebih baik daripada bank filter (Gutiérrez and
Salazar-Varas, 2011).
Pada penelitian yang akan dilakukan ini, metode ini di pilih karena TVAR
pada penelitian yang dilakukan oleh Gutiérrez dan Salazar menggunakan CSP
sebagai ekstraksi fiturnya. Dikarenakan ACSP adalah metode pengembangan dari
metode CSP maka dalam penelitian ini peneliti mencoba untuk menggunakan
TVAR sebagai metode praproses dan ACSP sebagai metode fitur ekstraksi dan hasil
dari metode TVAR-ACSP dapat dibandingkan dengan metode praproses lainnya.
Oleh karena sebab itu, maka diharapkan TVAR dapat meningkatkan hasil dari
ACSP.
2.7 Stationary Subspace Analysis
Stationaty Subspace Analysis (SSA) memfaktorkan sebuah rangkaian waktu
multivariat berdimensi tinggi menjadi komponen statis dan non statis. SSA terdiri
dari d sumber sinyal stasis íU a = [í0 a , í> a , … , íî(a)] biasa di sebut n-source
dan sinyal yang diteliti B(a) adalah sebuah superposisi linier dari n-source, dan A
adalah matrik campuran yang dapat di balik. ïUï1 adalah basis dari subspace
stasioner dan non stasioner.
B a = ïZ a = ïUï1íU(a)í1(a)
(2.15)
B a ∈ ℝodiasumsikan adalah sinyal yang dihasilkan sebagai pencampuran
linier dari d sumber statis íU(a) dan D-d adalah sumber non statis í1 a . Sumber
S(t) tidak diasumsikan sebagai independen atau tidak berkorelasi. Sebuah rangkaian
23
waktu dianggap stasioner jika rata-rata dan kovariansi adalah konstan dari waktu
ke waktu, oleh karena itu , sebuah rangkaian waktu u(t) disebut statis jika:
ó ò(a0) = ó ò(a>) ôö9ó ò(a0)ò(a0)⊺ = ó ò(a>)ò(a>)
⊺ (2.16)
Semua titik pasangan waktu a0, a0 ≥ 0. Ini adalah varian dari statis lemah
dimana tidak menganggap struktur waktu. Tujuan dari SSA adalah menghitung
kebalikan pencampuran matriks ï@0 sehingga dapat memisahkan sumber statis dan
non statis dalam campuran matriks tersebut (von Bunau et al., 2010).
Beberapa kelebihan yang dimiliki oleh SSA adalah, SSA dapat membedakan
dan memisahkan sumber statis dari sumber yang terlihat non statis, sehingga sinyal-
sinyal tersebut dapat diteliti lebih lanjut. Kelebihan selanjutnya adalah dengan
kelinieritasan SSA, peta kepala sumber statis dan non statis dapat dipetakan dan
diintepretasikan secara neuropsikologi. SSA dapat dapat mengetahui lokasi sumber
statis dan non statis dari sinyal tersebut.
SSA dipilih sebagai metode tahapan praproses untuk ACSP pada penelitian
ini juga dikarenakan Bunau menggunakan SSA sebagai metode praproses pada
penelitiannya. Pada penelitian Bunau menjelaskan bahwa dengan SSA dapat
meningkatkan klasifikasi secara drastis sebanyak 79.9% . Bunau juga menggunakan
CSP sebagai metode pada tahap ekstraksi fitur. Dikarenakan ACSP adalah metode
pengembangan dari metode CSP, maka diharapkan SSA dapat meningkatkan hasil
dari ACSP.
2.8 Filter Digital
Filter digital adalah proses komputasi (algoritma) yang mengubah satu
sekuen angka x[n] yang merepresentasikan input ke sekuen y[n] yang
merepresentasikan output. Yang dimaksud dengan komputasi disini adalah
memperformansikan fungsi integrasi, diferensiasi, dan estimasi.
Pengolahan sinyal digital menggunakan transformasi diskrit, transformasi
yang sering digunakan adalah transformasi z yang merupakan prosedur deret sinyal
masukan x(n) menjadi deret sinyal keluaran y(n). Filter digital bekerja
berdasarkan data masukan diskrit dari cuplikan-cuplikan sinyal kontinu, yang
kemudian diubah oleh konverter analog ke digital menjadi data digital biner, data
data digital inilah yang nanti dapat dimanipulasi kinerja dan spektrum sinyalnya
dengan prosesor digital.
24
Filter digital memiliki banyak kelebihan dibandingkan dengan pasangannya
filter analog, baik dalam performa yang lebih tinggi dengan transition zone yang
lebih kecil, ketahanan, serta fleksibilitas dalam menentukan range kerjanya.
Terdapat dua metoda untuk mendisain sebuah filter digital. Metode pertama dengan
menggunakan proses konvolusi antara sinyal input dengan impulse response dari
filter yang dikehendaki, filter jenis ini disebut filter FIR (Finite Impulse Response).
Metode kedua adalah dengan proses rekursif, yang merupakan kelanjutan dari
metoda konvolusi. Bila dalam proses konvolusi perhitungan dilakukan dengan
hanya menggunakan sampel input saja, maka dalam proses rekursif perhitungan
dilakukan dengan sampel input yang dijumlahkan dengan sampel output
sebelumnya. Hal ini membuat impulse response filter menjadi sangat panjang
mendekati titik tak berhingga (infinity), oleh karena itu filter jenis ini disebut filter
IIR (Infinite Impulse Response)(Gunawan and Filbert Himan Juwono, 2012).
Filter highpass, bandpass dan bandreject yang didesain dengan diawali
sebuah filter lowpass, kemudian dikonvensikan menuju respon yang diinginkan.
Pada gambar 2.4 menunjukkan mengapa dua langkah modifikasi pada waktu
menghasilkan domain dalam spektrum frekuensi terbalik. Pada (a). x[n] adalah
sinyal input yang diterapkan pada dua sistem secara parallel. Salah satu sistem
adalah filter lowpass dengan respon impus yang diberikan oleh h[n]. sistem lainnya
tidak melakukan apapun pada sinyal dan memiliki respon impuls merupakan fungsi
delta. δ[n] adalah output keseluruhan , y[n] setara dengan output dari sistem all-
pass minus output dari sistem lowpass. Karena komponen frekuensi rendah
dikurangi oleh dari sinyal asli, maka hanya komponen dengan frekuensi tinggi yang
muncul pada output, sehingga filter highpass terbentuk(Steven W. Smith, n.d.).
25
Gambar 2.4 Diagram blok dari spectral inversion. (a) adalah sinyal input dimana x[n] diaplikasikan pada 2
sistem secara paralel, memiliki respon impuls yaitu h[n] dan δ[n]. (b) menunjukkan sistem yang memiliki
respon impuls yaitu δ[n]-h[n]. ini berarti respon frekuensi dari h[n].
Bandpass filter adalah sebuah filter digital yang dirancang untuk melewatkan
frekuensi antara frekuensi di antara ]ú dan ]ù dimana ]ú < ]ù. Filter bandpass yang
diideal ditunjukkan pada gambar 2.6. dengan mengalirkan sinyal menuju ke filter
low pass dan filter high pass, maka dapat terbentuk filter baru yaitu filter band pass
seperti terlihat pada gambar 2.5.
Gambar 2.5 Merancang sebuah filter bandpass (a) filter bandpass dapat dibentuk dengan mengalirkan filter
lowpass dan filter highpass. tahap tersebut dapat dikurangi menjadi satu tahap yang setara dengan kerumitan
dari filter lowpass dan filter highpass
26
Gambar 2.6 filter bandpass ideal (Gunawan and Filbert Himan Juwono, 2012).
Kelebihan yang dimiliki oleh filter digital dibandingkan dengan filter analog
adalah :
• Filter digital memiliki karakteristik yang tidak mungkin dimiliki oleh filter
analog seperti respon fasa linier.
• Kinerjanya tidak dipengaruhi oleh lingkungan.
• Respon frekuensi filter digital dapat dengan mudah disesuaikan.
• Beberapa sinyal masukan dapat diproses dengan menggunakan satu filter
digital.
• Dengan berkembangnya teknologi VLSI, filter digital dapat dibuat dengan
ukuran yang kecil, daya dan biaya yang rendah.
• Filter digital dapat digunakan pada frekuensi yang sangat rendah
Namun demikian, beberapa kelemahan dari filter digital adalah sebagai
berikut:
• Kecepatan waktu proses dari filter digital tergantung dari prosesor dan juga
kompleksitas dari algoritma.
• Karena masukan filter digital biasanya adalah sinyal analog maka
diperlukan ADC yang akan menimbulkan noise¸yang dapat mempengaruhi
kinerja filter digital.
Perancangan filter digital memerlukan waktu yang cukup lama.
Beberapa penelitian mengenai filter bandpass telah dilakukan sebagai metode
dalam praproses dan CSP sebagai metode pada tahap ekstraksi fitur. Huang
menggunakan filter bandpass dan CSP sebagai metode yang digunak untuk
27
mendeteksi valensi pada BCI. Hasil dari penelitian Huang ini adalah dimana hasil
deteksi tersebut memiliki hasil sebesar 58.23%(Huang et al., 2012). Jain juga
meneliti BCI dengan menggunakan filter bandpass dan CSP sebagai metodenya.
Jain menggunakan metode tersebut untuk menentukan kelas memilih atau tidak
memilih. Pada penelitian Jain menghasilkan hasil klasifikasi sebesar 80%(Jain et
al., 2011). Oleh karena itu, filter bandpass juga dipilih untuk digunakan sebagai
metode praproses pada penelitian ini. Dikarenakan ACSP adalah metode
pengembangan dari metode CSP, maka diharapkan filter bandpass dapat
meningkatkan hasil dari ACSP.
2.9 Support Vector Machine
Support Vector Machines (SVM) merupakan metode yang menjanjikan untuk
klasifikasi menggunakan data linear dan nonlinear. Algoritma ini bekerja dengan
menggunakan pemetaan nonlinear untuk mengubah data training ke dimensi yang
lebih tinggi. Dalam dimensi baru ini, akan mencari hyperplane pemisah optimal
linear (yaitu, "batas keputusan" memisahkan tupel dari satu kelas dari yang lain).
Dengan pemetaan nonlinear yang tepat ke dimensi yang cukup tinggi, data dari dua
kelas selalu dapat dipisahkan dengan hyperplane. SVM menemukan hyperplane ini
menggunakan dukungan vektor (pelatihan tupel) dan margin (didefinisikan oleh
support vektor). SVM merupakan algoritma yang sangat akurat, karena kemampuan
mereka untuk model nonlinear yang kompleks (Han and Kamber, 2011).
<.ü+= 0 (2.17)
Ide dasar dari algoritma SVM adalah mencari hyperplane yang optimal
dengan nilai margin maksimal seperti pada Gambar 2.7. Dimulai dengan
mendefinisikan persamaan suatu hyperplane pemisah yang dituliskan pada
persamaan 2.16 dengan W adalah bobot vektor, n adalah jumlah atribut dan b adalah
skalar.
28
Gambar 2.7 Margin Maksimum untuk Dua Kelas yang telah Diklasifikasi
Berdasarkan pada atribut A1, A2 pada Gambar 2.8 dengan permisalan tupel
pelatihan X = (x1, x2) dimana x1 dan x2 merupakan nilai dari atribut A1 dan A2,
dan jika b dianggap sebagai suatu bobot tambahan w0, maka persamaan suatu
hyperplane pemisah dapat ditulis ulang seperti pada persamaan 2.17.
<† +<0ü0 +<>ü> = 0 (2.18)
Sedangkan setiap titik yang terletak diatas hyperplane seperti pada persamaan
2.18.
<† +<0ü0 +<>ü> > 0 (2.19)
Dan sebaliknya setiap titik dibawah hyperplane seperti persamaan 2.19.
<† +<0ü0 +<>ü> < 0 (2.20)
Sehingga didapatkan dua persamaan hyperplanes seperti pada persamaan
2.20 dan 2.21.
¢`0:<† +<0ü0 +<>ü> ≥ 0ò9aò•&† = +1 (2.21)
¢`>:<† +<0ü0 +<>ü> ≤ 0ò9aò•&† = −1 (2.22)
Pada SVM terdapat beberapa fungsi kernel yang umum digunakan
diantaranya yaitu :
1. Linier Kernel
_ ü"üu = ß ü" . ß(üu) (2.23)
2. Polynomial Kernel
_ ü"üu = ü"üu + 1ù (2.24)
3. Gaussian RBF Kernel
_ ü"üu = ®@ ©4@©KL/>´L (2.25)
29
4. Sigmod Kernel
_ ü"üu = tanh_ü". üu − ≠ (2.26)
Kernel linier digunakan ketika data yang akan diklasifikasi dapat terpisah
dengan sebuah garis/hyperplane. Sedangkan kernel non-linier digunakan ketika
data hanya dapat dipisahkan dengan garis lengkung atau sebuah bidang pada ruang
dimensi tinggi.
Gambar 2.8 Margin Minimum dan Maksimun
1.10. Evaluasi Metode
Diberikan dua kelas sebagai contoh yaitu buys_computer = yes sebagai tupel
positif dengan jumlah tupel positif P dan buys_computer= no dengan jumlah tupel
negatif N. terdapat 4 istilah yang digunakan untuk mengukur evaluasi (Han and
Kamber, 2011) yaitu :
• True Positive (TP) : adalah jumlah pada tupel yang ditebak benar oleh
pengklasifikasi.
• True Negative (TN) : adalah jumlah pada tupel yang ditebak salah oleh
pengklasikasi.
• False Positive (FT) : adalah jumlah pada tupel negative yang salah
melabelinya dengan positif.
• False Negative (FN) : adalah jumlah tupel positif yang salah melabelinya
dengan negative.
30
Confusion Matrix adalah alat yang digunakan untuk menganalisis seberapa
baik metode klasifikasi dapat mengenali tupel dari berbagai kelas. TP dan TN
menandakan metode klasifikasi tersebut benar sementara FP dan FN menandakan
klasifikasi tersebut salah. Perhitungan evaluasi pengklasifikasi dapat dilihat pada
gambar tabel 2.1 (Han and Kamber, 2011).
Gambar 2.9 Confusion Matrix dengan total tupel positif dan negative (Han and Kamber, 2011)
Tabel 2.1 Kumpulan Rumus Perhitungan Evaluasi Klasifikasi
Perhitungan Rumus
Akurasi ÆØ + Ær
Ø + r
Tingkat Error qØ + qr
Ø + r
Recall ÆØ
Ø
Tingkat True negative (specifity) Ær
r
Precision ÆØ
ÆØ + qØ
F-score 2B∞b®±sZsD9Bb®±öCC
∞b®±sZsD9 + b®±öCC
Non negative nilai riil (1 + ≤>)∞b®±sZsD9Bb®±öCC
≤>B∞b®±sZsD9 + b®±öCC
Receiver Operating Characteristic (ROC) adalah sebuah alatyang berguna
untuk membandingkan 2 model klasifikasi. Kurva ROC untuk model tertentu
menunjukkan trade-off antara true positive rate (TPR) dan false positive rate (FPR).
31
TPR adalah proporsi tupel positif yang dilabeli secara benar. FPR adalah proposi
tupel negative yang dilabel salah sebagai positif Terdapat TP,FP,P, dan N adalah
jumlah dari tupel true positive, tupel false positive, tupel positive dan tupel
negative. TPR adalah ≥¥¥
dan FPR adalah µ¥∂
(Han and Kamber, 2011). Kurva ini
dibuat berdasarkan nilai TPR dan FPR yang telah didapatkan dari confusion matrix.
Gambar 2.10 Kurva ROC
Pada gambar 2.10 menunjukkan sebuah kurva ROC dimana kurva ini
dianggap baik jika kurva mendekati titik 0,1 dan kurva ini juga dianggap buruk jika
kurva yang dihasilkan mendekati garis melintang dari titik 0,0.
32
Halaman ini sengaja dikosongkan
33
BAB 3
METODOLOGI PENELITIAN
Pada bab ini akan diuraikan langkah-langkah penelitian dan penjelasan dari
masing-masing langkah penelitian. Diagram alir tentang langkah penelitian
ditunjukkan pada Gambar 3.1. Metode penelitian yang digunakan dalam penelitian
yaitu jenis penelitian kuantitatif dengan alur penelitian yang terdapat pada Gambar
3.1. Instrumen penelitian yang digunakan di antaranya adalah studi literatur atau
pustaka, pengumpulan data dan tahap pengolahan data akan dibahas pada bab 3.
3.1.Studi Literatur
Studi literatur dalam penelitian ini bertujuan untuk mendapatkan gambaran
yang menyeluruh tentang apa yang sudah dikerjakan peneliti lain dan bagaimana
peneliti mengerjakannya, kemudian mengidentifikasi celah penelitian sebagai dasar
penelitian yang akan dilakukan. Penelitian-penelitian terdahulu berfungsi sebagai
pendukung bagi peneliti untuk melakukan penelitian baru dalam mengidentifikasi
permasalahan pada bidang pemrosesan sinyal. Penggalian informasi dari literatur
dilakukan sebagai upaya memperjelas permasalahan yang memiliki kaitan dengan
penelitian ini, sekaligus untuk membedakan antara penelitian ini dengan penelitian
sebelumnya. Literatur yang digunakan sebagai acuan dalam penelitian ini
merupakan hasil penelitian dari kalangan akademis yang disajikan dalam bentuk
paper dalam jurnal, paper hasil seminar dan tesis.
Literatur yang dikaji pada penelitian ini adalah diantaranya mengenai teori
teori yang berhubungan dengan Brain Computer Interface (BCI). Teori-teori
tersebut adalah tentang BCI itu sendiri, algoritma Common Spatial Pattern,
algoritma Adaptive Common Spatial Pattern, Time-Varying Autoregression,
Stationary Subspace Analysis, dan sebuah filter digital dengan metode Bandpass
Filtering.
34
Studiliteratur
Pemilihandata
Pengolahandata
UjiCobaDanAnalisisHasil
Gambar 3.1 Alur Penelitian.
3.2.Pemilihan Data
Penelitian ini menggunakan dataset yang telah tersedia di internet. Terdapat
1 dataset yang akan digunakan. Dataset yang digunakan adalah data BCI
Competition III yaitu dataset IVa. Data tersebut tersedia di alamat
http://bbci.de/competition/. Penelitian Song dataset menggunakan 4 dataset yaitu
dataset 2A, 2B, IIIa dan IVa (Song and Yoon, 2015).
Dataset IVa dipilih karena memiliki data multi subjek dan data yang belum
di olah. Multi subjek adalah pada dataset tersebut memiliki lebih dari satu subjek
atau orang penelitian. Data mentah adalah data tersebut belum mengalami filter
apapun pada pada saat data tersebut disediakan oleh peneliti sebelumnya. Penelitian
35
ini membutuhkan data yang multi subjek karena penelitian ini meneliti tentang
multi subjek untuk ACSP.
Pada penelitian ini menggunakan salah satu data yang dikumpulkan
berdasarkan penelitian Song. Keempat dataset terdiri dari banyak subjek. Pada
dataset 2a dan 2b memiliki 9 subjek yang digunakan sebagai penelitian sebelumnya.
Pada dataset IIIa terdapat 3 subjek yang berbeda. Pada dataset IVa memiliki 5
subjek yang berbeda. Untuk pemilihan data mentah, hanya dataset IVa yang tidak
mengalami proses filter. Pada dataset IIIa, dataset ini difilter menggunakan
Notchfilter. Pada dataset 2a dan 2b keduanya mengalami filter bandpass. Sehingga
dataset yang dapat digunakan pada penelitian ini adalah dataset IVa.
Dataset IVa memiliki 3 kelas yang berupa Motor Imagery yaitu tangan kiri,
tangan kanan, kaki kanan. Dataset diambil dari 5 subjek yaitu aa, al, av, aw, dan ay.
Dataset ini memiliki skema pengambilan data dimana subjek duduk di sebuah kursi
dengan tumpuan tangan. Selama 3,5 detik,isyarat visual mengindikasikan subjek
untuk melakukan 3 gerakan tangan kiri, tangan kanan, dan kaki kiri. isyarat tersebut
dijeda secara acak, antara 1.75 hingga 2.25 detik, sehingga subjek dapat istirahat.
EEG di rekam dengan menggunakan BrainAmp dan menggunakan sebuah
topi elektroda Ag/AgCi dengan 128 channel dari ECI. 188 channel EEG diletakkan
sesuai dengan sistem 10/20 yang telah diperluas. Sinyal hasil perekaman di filter
menggunakan bandpass antara 0.05 hz dan 200 hz dan kemudian didigitalisasi pada
1000 hz dengan akurasi 16 bit (0.1 uV).
Dataset ini memiliki sinyal kontinu dari 118 channel EEG dan marker yang
menunjukkan waktu pada 280 isyarat pada tiap 5 subjek (aa,al,av,aw,ay). Pada
beberapa market terdapat kelas target yang tidak memiliki informasi (nilai NaN).
Tabel 3.1 menunjukkan spesifikasi data dari penelitian Song. Tabel 3.2
menunjukkan jumlah percobaan training dengan label (#tr) dan percobaan test yang
tidak memiliki label (#te) untuk tiap subjek. Tabel 3.1 Spesifikasi Dataset
Dataset Multi Subjek Data Mentah
2A � �
2B � �
36
Dataset Multi Subjek Data Mentah
IIIa � �
IVa � �
Tabel 3.2 Jumlah percobaan pada dataset IVa
#tr #te
Aa 168 112
Al 224 56
Av 84 196
Aw 56 225
Ay 28 252
Bentuk dataset ini seperti terlihat seperti pada gambar 3.3.
Gambar 3.2 dataset IVa. gambar a menunjukkan data dari subjek aa. gambar b menunjukkan data dari subjek
al. gambar c menunjukkan data dari subjek av. gambar menunjukkan data dari subjek aw. gambar e
menunjukkan data dari subjek ay.
3.3.Praproses Data
37
Pada tahap ini akan diuji menggunakan metode metode yang telah dijelaskan
pada kajian pustaka. Metode yang digunakan adalah Time-Varying Autoregression,
Stationary Subspace Analysis, dan sebuah filter digital dengan metode Bandpass
Filtering. Pada tahap ini akan mencari metode yang tepat untuk bisa digunakan oleh
metode ACSP. Dataset penelitian ini akan digunakan oleh tiap metode tersebut.
Penggunaan data dummy akan diujicobakan untuk melihat hasil sementara
pada penggunaan metode ini. Data dummy yaitu eeg400 dan example_data.mat
Gambar 3.4 menunjukkan bentuk data dummy tersebut dengan satu channel. Data
eeg400 digunakan untuk metode TVAR dan filter bandpass. Sedangkan untuk SSA
menggunakan data dummy yang telah disediakan oleh toolbox SSA. Data dummy
yang digunakan untuk SSA memiliki sumber statis dan nonstatis. Data untuk SSA
terlihat pada gambar 3.5
Gambar 3.3 Data Dummy eeg400
Gambar 3.4 Data dummy untuk metode SSA
3.3.1. Time Varying Autoregression Pada metode ini, data eeg400 tersebut akan diolah oleh metode TVAR. Proses
mengolah data ini dilakukan pada aplikasi Matlab. Pada gambar 3.6 menunjukkan
eeg400 yang belum diproses dan yang telah proses. Untuk menghitung model
TVAR, akan digunakan toolbox yang telah disediakan oleh West di alamat
http://www2.stat.duke.edu/research/software/west/tvar.html.
38
a b
Gambar 3.5 Diagram plot pada matlab dengan data eeg400. A menunjukkan data eeg400 yang belum
diproses. B menunjukkan data eeg400 yang telah diproses menggunakan metode TVAR
3.3.2. Stationay Subspace Analysis Pada metode ini, data sumber eeg akan dipisahkan menjadi 2 yaitu sumber
statis dan sumber non statis. pada gambar 3.7 menunjukkan hasil percobaan
menggunakan metode SSA. pada penelitian ini akan digunakan sumber statis
sebagai hasil yang akan digunakan sebagai masukan pada metode ACSP. a
b
Gambar 3.6 Data Hasil SSA. a Sumber non Statis. b Sumber Statis
3.3.3. Bandpass Filtering Pada metode bandpass ini, data akan diproses menggunakan menggunakan
filter bandpass dengan range 8hz hingga 32 hz. Pfurtscheller berpendapat bahwa
pada range tersebut informasi yang terkandung pada dataset motor imagery tersebut
masih relevan untuk di proses ke tahap selanjutnya (Pfurtscheller and Neuper,
2001). Data dummy yang diproses oleh filter bandpass terlihat pada gambar 3.7.
39
Tabel 3.3 menunjukan contoh perbandingan data yang telah di filter dengan data
mentah dengan matrik ukuran 9x1
Gambar 3.7 Sinyal Hasil Filter dan Sinyal Belum Terfilter
Tabel 3.3 Perbandingan Data Mentah Dan Data Yang Telah Diproses Dengan Bandpasss
Elapsed Time Filtered Data Raw Data
'hh:mm:ss.mmm' '' ' -83.333328'
'0:00.000' -22.183 -69.5538
'0:00.010' -18.1883 -83.3333
'0:00.020' 39.89957 -34.7769
'0:00.030' 13.34441 -68.2415
'0:00.040' 16.35135 6.561679
'0:00.050' 45.75745 120.0787
'0:00.060' -17.1454 41.33858
'0:00.070' -11.2619 0
'0:00.080' -22.2596 -12.4672
3.4.Ekstraksi Fitur
Tahapan ini adalah tahapan dimana BCI menghitung (ekstrak) fitur-fitur yang
ada pada sinyal EEG yang telah dilakukan praproses. Ekstraksi Fitur dapat dilihat
sebagai tahapan untuk mempersiapkan sinyal sebelum masuk ke tahap klasifikasi
(Graimann et al., 2010). Dalam penelitian ini metode yang digunakan adalah
metode ACSP. Implementasi ketiga ACSP tersebut akan merujuk pada bagian
2.5.4.
3.5.Klasifikasi Data
Hasil ekstraksi fitur yang diproses oleh metode ACSP akan berupa fitur fitur
B7 yang relevan dengan penelitian ini. Tahap selanjutnya setelah semua fitur
tersebut siap, semua fitur tersebut akan diproses menggunakan metode klasifikasi
40
linier SVM. Linier SVM tersebut akan diujicoba kembali ketika fitur baru
diperbaharui oleh ACSP setiap adanya target. percobaan baru (Song and Yoon,
2015). Metode SVM dipilih untuk sebagai metode pengklasifikasi dikarenakan
menurut Abdulkader SVM dikenal dapat mengeneralkan properti yang ada pada
(Abdulkader et al., 2015).
3.6.Uji Coba dan Analisis Hasil
Uji coba pada penelitian ini akan dilakukan dengan skenario yang akan
dijelaskan pada bagian 3.4.1. hasil dari uji coba tersebut akan di analisis pada bagian
3.6.1. Uji Coba Penelitian ini terfokus pada metode metode praproses data yang telah
dijabarkan pada tinjauan pustaka. Metode tersebut adalah TVAR, SSA dan filter
bandpass. Ketiga metode tersebut akan dibandingkan hasil tingkat akurasi
klasifikasinya.
Uji coba pada penelitian ini akan menggunakan k-fold cross validation
dimana tiap subjek pada dataset IVa akan dibagi menjadi 10 fold atau 10 kelompok.
Data yang telah dibagi tersebut akan diujicobakan sebanyak 10 kali dengan 9
kelompok tersebut akan menjadi data latih dan 1 kelompok akan menjadi data uji
secara bergantian hingga hasil akurasi tersebut keluar.
Untuk skenario multi subjek pada ACSP maka percobaan ini akan dibagi
menjadi dua yaitu intra-subjek dan inter-subjek. Percobaan intra-subjek ini data
latih dan data uji berasal dari subjek yang sama. Pada percobaan inter-subjek dibagi
menjadi dua tipe yaitu tipe 1 seluruh data akan dijadikan satu dan akan langsung
diujikan. Tipe kedua adalah data tiap subjek akan diujicobakan dan menggunakan
data uji dari seluruh subjek .
Proses evaluasi dari penelitian ini akan menggunakan 2 cara yaitu dengan
menggunakan confusion matrix. Pengukuran menggunakan confusion matrix akan
digunakan pengukuran akurasi, presisi, dan recall Dari hasil confusion matrix
tersebut akan dibuat kurva Receiver Operating Characteristic (ROC ) dan kurva
Presisi-Recall. Setelah kedua kurva tersebut di buat, maka akan dilakukan analisis
hasil. Tahapan evaluasi dari penelitian ini ditunjukkan pada gambar 3.9. Tabel 3.4
41
menunjukkan untuk hasil akurasi, tabel 3.5 menunjukkan untuk hasil presisi, dan
tabel 3.6 menunjukkan untuk hasil recall.
Start
Datahasilklasifikasi
membuatconfusionmatrix
MembuatkurvaROC
end
Analisishasil
Gambar 3.8 Tahapan Evaluasi dan Analisis Hasil
Tabel 3.4 Tabel Akurasi Hasil Percobaan
No
Metode
Tipe Percobaan
Intra-subjek Inter-subjek
ACSP-
Ia
ACSP-
Ib
ACSP-
Ic
ACSP-
Ia
ACSP-
Ib
ACSP-
Ic
1 Time-Varying
Autoregression
`2 Stationaty
Subspace
Analysis
42
No
Metode
Tipe Percobaan
Intra-subjek Inter-subjek
ACSP-
Ia
ACSP-
Ib
ACSP-
Ic
ACSP-
Ia
ACSP-
Ib
ACSP-
Ic
3 Filter Bandpass
Tabel 3.5 Tabel Presisi Hasil Percobaan
No
Metode
Tipe Percobaan
Intra-subjek Inter-subjek
ACSP-
Ia
ACSP-
Ib
ACSP-
Ic
ACSP-
Ia
ACSP-
Ib
ACSP-
Ic
1 Time-Varying
Autoregression
2 Stationaty
Subspace
Analysis
3 Filter Bandpass
Tabel 3.6 Tabel Recall Hasil Percobaan
No
Metode
Tipe Percobaan
Intra-subjek Inter-subjek
ACSP-
Ia
ACSP-
Ib
ACSP-
Ic
ACSP-
Ia
ACSP-
Ib
ACSP-
Ic
1 Time-Varying
Autoregression
43
No
Metode
Tipe Percobaan
Intra-subjek Inter-subjek
ACSP-
Ia
ACSP-
Ib
ACSP-
Ic
ACSP-
Ia
ACSP-
Ib
ACSP-
Ic
2 Stationaty
Subspace
Analysis
3 Filter Bandpass
3.6.2. Analisis Hasil Uji Coba Berdasarkan hasil uji coba yang telah direncanakan, maka hasil tersebut akan
dianalisis untuk mengetahui tingkat akurasi tiap metode data praproses. Pada
penelitian ini, akan dilaksanakan 2 skenario analisis, yaitu analisis menggunakan
hasil klasifikasi dengan data yang normal dan menggunakan hasil analisis dengan
data yang berubah-ubah. Analisis menggunakan data normal bertujuan untuk
mendapatkan hasil akurasi terbaik untuk metode ACSP sehingga dapat
dibandingkan antara ketiga praproses. Sedangkan untuk data yang berubah-ubah
bertujuan untuk mendapatkan signifikansi dari tiap metode proposes yang
diusulkan dalam penelitian ini. Dengan mengetahui signifikansi dari tiap metode
tersebut dapat diketahui apakah metode tersebut dapat dengan menyakinkan dalam
penelitian ini. Untuk mendapatkan signifikansi tersebut digunakan uji t dengan
tingkat kepercayaan yang digunakan 95% atau alfa 0.05. jika hasil perhitungan t
lebih besar dari pada nilai dari tabel T, maka akan metode tersebut dianggap
signifikan.
Hasil akurasi terbaik dari ketiga metode data praproses tersebut akan
diusulkan sebagai metode terbaik data praproses yang dapat digunakan oleh metode
ACSP.
44
3.7. Rencana Penelitian
Rencana kegiatan penelitian ini akan dilakukan dalam kurun waktu kurang
lebih lima bulan dimulai dari bulan Januari 2017 hingga Juni 2017. Rincian rencana
kegiatan penelitian seperti yang dijelaskan pada tabel 3.7. Tabel 3.7 Tabel Rencana Penelitian
kegiatan Januari Februari Maret April Mei Juni
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Identifikasi
Masalah
Studi
Literatur
Pemilihan
Data
Pengolahan
Data
Analisis
Hasil
Pembuatan
Buku Tesis
Start
DatasetIVa
TVAR SSA FilterBandpass
ACSPIa ACSPIb ACSPIc
SVM
End
ACSPIa ACSPIb ACSPIc ACSPIa ACSPIb ACSPIc
Gambar 3.9 Tahapan Pengolahan Data
Halaman ini sengaja dikosongkan
47
BAB 4
IMPLENTASI PENELITIAN
Pada bab ini akan membahas hasil dan pembahasan dari uji coba yang telah
dilakukan pada penelitian ini.
4.1. Lingkungan Uji Coba
Lingkungan uji coba merupakan kriteria perangkat pengujian yang
digunakan dalam menguji sistem yang dibangun pada tugas akhir ini. Lingkungan
uji coba terdiri dari perangkat keras dan perangkat lunak. Adapun perangkat keras
yang digunakan ditunjukkan pada Tabel 4.1. Selain perangkat keras juga digunakan
beberapa aplikasi perangkat lunak untuk uji coba dalam penelitian ini yang
ditunjukkan pada Tabel 4.2. Tabel 4.1 Spesifikasi Perangkat Keras
Perangkat Keras Spefikasi Jenis Server Prosesor Common KVM Processor Ram 5 GB
Tabel 4.2 Spesifikasi Perangkat Lunak
Perangkat Keras Spefikasi Sistem Operasi Windows Server 2008 R2 Aplikasi Matlab
4.2. Praproses Data
Praproses data menggunakan 3 metode praproses data yang telah di bahas
pada kajian pustaka yaitu Time-Varying Autoregressive, Stationary Subspace
Analysis dan Bandpass Filtering. Data yang telah dipilih untuk penelitian ini diolah
oleh ketiga metode tersebut dan menghasilkan sebuah dataset yang akan digunakan
untuk diolah oleh metode ACSP. Gambar 4.1 adalah gambar sinyal dari subjek aa.
Data inilah yang diproses pada penelitian ini sehingga dapat digunakan untuk
menghitung tingkat akurasi dari ACSP. Terlihat dari sinyal tersebut, nilai sumbu x
berkisar -300 hingga -500;
48
Gambar 4.1 gambar data subjek aa pada baris ke 1
4.2.1. Time-Varying Autoregressive (TVAR)
Metode TVAR mendekomposisikan sinyal menggunakan sumber kode yang
direkomendasikan oleh Gutiérrez. Sumber kode tersebut dapat didownload
https://www2.stat.duke.edu/research/software/west/tvar.html. Sumber kode
tersebut ditulis oleh Raquel Prado. Prado adalah peneliti yang pertama kali meneliti
mengenai TVAR. untuk mendekomposisi sinyal dari tiap subjek, sinyal harus di
pecah menjadi 1 x N dimana N adalah titik waktu dari sinyal tersebut. Gambar 4.2
menunjukkan blok diagram praproses data sebelum data menjadi masukan CSP.
Gambar 4.2 diagram blok dekomposisi sinyal menggunakan TVAR.
49
Gambar 4.3 Sumber kode praproses data menggunakan TVAR.
Gambar 4.3 menunjukkan sumber kode sinyal yang dipecah menjadi per
titik waktu. Tiap titik waktu tersebut akan dimodelkan menggunakan fungsi TVAR.
Hasil dari fungsi tv adalah beberapa variabel seperti m, C, s, n, dan e. Setelah
dimodelkan menggunakan fungsi TVAR tersebut, data m akan digunakan sebagai
masukan untuk mendekomposisi sinyal tersebut. M adalah sebuah vektor hasil
pemodelan dari TVAR. Fungsi tvar_decomp memiliki masukan x dan m. Hasil dari
dekomposisi berada pada variabel decomp yang berisi lintasan dari semua
komponen yang didekomposisikan. Hasil dekomposisi kolom 1 subjek aw terlihat
pada gambar 4.4.
Gambar 4.4 plot hasil dekomposisi pada variabel decomp kolom 1 sinyal aw
Tahap selanjutnya adalah menyusun ulang hasil dekomposisi dari metode
TVAR. Gambar 4.5 adalah sumber kode dimana komponen yang telah
didekomposisi disusun menjadi sebuah vektor sinyal dan disusun menjadi matrik
data sinyal. Sinyal yang telah disusun menjadi sebuah vektor ditunjukkan pada
50
gambar 4.6. gambar 4.5 adalah gambar sinyal hasil penyusunan kembali vektor –
vektor dan membentuk matrik sinyal subjek aw. Gambar 4.27 adalah gambar sinyal
dalam 1 baris w.
Gambar 4.5 sumber kode untuk menyusun seluruh komponen yang telah didekomposisi menjadi sebuah
vektor sinyal.
Gambar 4.6 hasil sinyal yang telah disusun menjadi sebuah vektor.
51
Gambar 4.7 Hasil Sinyal Pada Baris 1 sinyal subjek aa.
4.2.2. Stationary Subspace Analysis (SSA)
Pada penelitian ini dataset tersebut akan diubah terlebih dari menjadi tipe
data double. Setelah data tersebut diubah, maka data tersebut dimasukkan pada
toolbox SSA. Toolbox ssa ini dapat di download di
http://www.jmlr.org/papers/v12/mueller11a.html .
[Psaa{i}, Pnaa{i}, As, An, al_results] = ssa(aa, 117, 'reps', 1,
'equal_epochs', 61);
Gambar 4.8 Sumber Kode SSA
Pada penelitian ini, tiap data dilakukan perlakukan yang sama yaitu dengan
117 dimensti statis, 1 kali pengulangan, dan 61 epok. Hasil dari SSA ini hanya akan
diambil Ps dan Ps sebagai hasil dari perhitungan toolbox. Ps dan Pn adalah proyeksi
statis dan non statis dari hasil pengujian. Sumber statis dan non statis didapatkan
dengan cara mengalikan proyeksi sumber statis dan non statis ke sumber sinyal
yaitu dataset IVa. Gambar 4.9 menunjukkan sumber statis sinyal dari subjek aa yang
telah diproses oleh SSA. Sinyal hasil SSA memiliki nilai sumbu x berkisar 10.000
52
hingga 25000. Pada penelitian ini, hanya digunakan sumber statis sebagai masukan
ACSP.
Gambar 4.9 hasil pengolahan SSA
Gambar 4.10 Gambar Hasil SSA pada subjek aa pada baris ke 1
4.2.3. Bandpass Filtering
Metode bandpass akan memotong data diatas frekuensi dan dibawah
frekuensi yang dibutuhkan. Pada penelitian ini bandpass memotong data a pada
frekuensi 8 hz hingga 32 hz. Pada gambar 4.11 adalah sumber kode untuk metode
53
bandpass. Pada penelitian ini data tiap subjek akan diubah menjadi double. Data
tersebut akan filter sesuai dengan designfilt. Designfilt adalah metode untuk
menjadi model untuk melakukan filter.
Model filter memiliki masukan berupa filter Finite Impulse Response (FIR)
bandpass, order filter 20, cutoff bawah 8 hz, cutoff atas 32 dan hasil sample rate
100hz. Model bpfilt akan dimasukkan pada metode filter dengan masukan model
dan data tiap subjek. Hasil dari metode bandpass filtering terlihat pada gambar 4.12.
Pada gambar 4.12 tiap data yang telah di bandpass akan ditaruh pada tiap variabel.
Gambar 4.11 kode sumber dari filter bandpass
Gambar 4.12 hasil bandpass setiap subjek
54
Gambar 4.13 Gambar Sinyal Hasil Bandpass pada Subjek aa baris ke 1
4.3. Ekstrasi Fitur
Pada tahapan ini akan menjelaskan metode adaptive common spatial
pattern yang telah dibangun pada software matlab. Pada tahap ekstraksi fitur ini
akan dibagi menjadi dua yaitu intra subjek dan inter subjek. Intra subjek melakukan
pembelajaran spasial pada tiap subjek di dataset tersebut. Inter subjek dibagi
menjadi dua yaitu inter subjek tipe 1 dan inter subjek tipe 2. Inter subjek tipe 1 akan
menggabungkan keseluruhan data tiap subjek dan melakukan perhitungan ACSP.
Sedangkan tipe 2 data tiap subjek melakukan pembelajaran spasial kemudian data
uji semua subjek diperbaharui ke data latih subjek yang sedang dilakukan
pembelajaran spasial.
4.3.1. Intra subjek
Pada intra subjek data tiap subjek akan melakukan pembelajaran spasial.
Data tersebut akan diproses pada kode lampiran a. Pada kode tersebut terdapat
beberapa bagian seperti melakukan pembagian data ke tiap percobaan,
memasukkan data ke metode CSP dan menghitung kemiripan menggunakan 3
metode yang diusulkan oleh Song.
55
Gambar 4.14 baris kode untuk memisahkan data
Pada gambar 4.14 adalah sumber kode yang digunakan untuk memisahkan
data menjadi tiap trial yang ada pada dataset. Tiap data yang ada diolah pada bagian
ini dibagi menjadi 280 percobaan. Setelah data dibagi menjadi 280, makan akan
dibagi menjadi 2 kelas yaitu kelas 1 dan 2.
Gambar 4.15 sumber kode CSP
Setelah didapatkan 2 kelas tersebut, maka akan dijumlahkan kedua kelas
tersebut. Kedua kelas tersebut akan digunakan sebagai batas pengulangan untuk
menghitung W dan R dari hasil CSP tiap percobaan. W hasil perhitungan CSP adalah
filter spasial yang akan digunakan untuk pengali ke tiap kelas. R adalah total matrik
kovarian dari tiap kelas yang telah dihitung di CSP. Setelah tersebut dikalikan
perkelas, maka pada gambar 4.16 akan dihitung fitur tiap kelas sehingga dapat
diklasifikasikan.
56
Gambar 4.16 fitur hasil CSP
Setelah didapatkan fitur, maka akan dilanjutkan dengan memperbaharui
hasil CSP. Pembaharuan hasil ini menggunakan 3 metode perhitungan kemiripan
yang telah diajukan oleh Song. Pada gambar 4.17 adalah sumber kode ACSP iA.
Pada gambar 4.18 adalah sumber kode ACSP iC. Gambar 4.19 adalah sumber kode
ACSP iC. Fungsi update pada tiap metode bertujuan untuk memperbaharui hasil
perhitungan ACSP.
Gambar 4.17 sumber kode ACSP iA
57
Gambar 4.18 sumber kode ACSP iB
Gambar 4.19 Sumber kode ACSP iC
4.3.2. Inter subjek
Pada pelatihan ini ACSP melakukan perhitungan untuk multi subjek. Proses
perhitungan ACSP ini hampir sama dengan proses perhitungan ACSP pada intra
subjek. Pada inter subjek, data harus dipersiapkan terlebih dahulu untuk
mendukung pelatihan multi subjek.
a. Tipe 1
Sebelum melakukan perhitungan ACSP inter subjek tipe 1 ini data harus
dipersiapkan terlebih dahulu. Data seluruh subjek digabungkan menjadi satu data.
Gambar 4.20 menunjukkan sumber kode dimana data yang telah digabungkan
menjadi satu tersebut akan dipisah sesuai dengan subjek dan percobaannya.
58
Gambar 4.20 sumber kode untuk memisahkan data sesuai dengan percobaan
Gambar 4.21 memisah data sesuai dengan kelasnya
Gambar 4.21 menunjukkan bahwa data yang telah dimasukkan ke dalam
ACSP ini akan dipisah sesuai dengan bagian. Baris kode tersebut akan membagi
data menjadi 2 data yaitu, dataKelas1, dataKelas2 dan dataNan. dataKelas1 dan
dataKelas2 digunakan untuk menghitung CSP. dataNan digunakan untuk
mengelompokkan percobaan yang tidak memiliki label pada seluruh penelitian.
59
Gambar 4.22 Sumber Kode Perhitungan CSP
Proses selanjutnya adalah menghitung W dan R dari seluruh data kelas yang
telah dipisah seperti pada gambar 4.22. Perhitungan W dan R ini sama seperti pada
ACSP pada intra subjek. Setelah W dan R di dapatkan, maka proses selanjutnya
adalah menghitung Zj tiap percobaan.
Proses selanjutnya pada gambar 4.23 adalah menghitung fitur tiap kelas
yang didapatkan dari Zj. Setelah didapatkan fiturnya, maka proses selanjutnya
sama seperti pada intra subjek hanya saja jumlah kelas yang diperbaharui adalah
sejumlah percobaan yang ada di dataNan.
Gambar 4.23 Proses Menghitung Fitur ACSP
b. Tipe 2
Pada tipe ini data yang akan dipersiapkan adalah seluruh data uji pada tiap
subjek. Data tersebut akan dikumpulkan menjadi satu sehingga dapat
memperbaharui fitur hasil perhitungan ACSP. Penelitian menggunakan tipe ini
adalah menggunakan tiap subjek dan diperbaharui dengan seluruh data uji yang
telah dikumpulkan menjadi satu tersebut.
60
4.4. Klasifikasi
Penelitian ini menggunakan linier SVM sebagai metode klasifikasinya.
Untuk menguji coba metode ACSP ini, akan dilakukan 2 skenario yaitu klasifikasi
Normal dan klasifikasi dengan data yang berubah-ubah.
4.4.1. Hasil Klasifikasi Normal
Hasil klasifikasi ini menggunakan data yang telah dipraproses pada sub bab
4.1. hasil ini akan digunakan untuk membandingkan ketiga metode sehingga
didapatkan metode terbaik yang dapat digunakan untuk ACSP.
4.4.1.1.Hasil klasifikasi Tanpa Menggunakan Praproses
Hasil klasifikasi ini akan menggunakan data yang tanpa mengalami
praproses. Hasil pada skenario ini akan dibagi menjadi 3 yaitu intra subjek, inter
subjek tipe 1 dan inter subjek tipe 2. Tujuan dari skenario penelitian ini adalah untuk
mendapatkan hasil klasifikasi dari metode ACSP tanpa menggunakan data yang di
praproses. Hasil confusion matrix dan kurva ROC pada skenario ini ada pada
lampiran c.
a. intra subjek
Hasil penelitian yang ditunjukkan oleh tabel 4.3 menunjukkan tingkat
akurasi metode ACSP menangani data tiap subjek menggunakan data yang belum
dilakukan praproses.
Terlihat pada tabel 4.3 tersebut menunjukkan bahwa data tiap subjek
mengalami kenaikan tingkat akurasi. Peningkatan ini terjadi pada setiap ACSP pada
tiap data. Peningkatan hasil akurasi ini disebabkan oleh kemiripan data yang telah
dihitung oleh 3 metode untuk mengukur kemiripan data yang ada pada ACSP.
Semakin mirip data yang diperbaharui, semakin mudah data tersebut diklasifikasi.
Tabel 4.3 Tabel akurasi Hasil Klasifikasi Intra Subjek tanpa Menggunakan Praproses
Dataset CSP ACSP
iA iB iC
aa 48.8% 73.8% 71.4% 76.2%
al 42.4% 87.5% 86.6% 85.7%
61
Dataset CSP ACSP
iA iB iC
Av 53.6% 85.7% 88.1% 88.1%
Aw 53.6% 98.2% 98.2% 98.2%
Ay 64.3% 100% 100% 100%
a. inter subjek tipe 1
Hasil penelitian yang ditunjukkan oleh tabel 4.4 menunjukkan tingkat
akurasi metode ACSP menangani data dengan keseluruhan subjek yang
digabungkan tanpa dilakukan praproses. Hasil akurasi pada inter subjek tipe 1 ini
menunjukkan bahwa tidak begitu terjadi peningkatan akurasi yang cukup besar.
Tabel 4.4 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 1 tanpa Menggunakan Praproses
dataset CSP ACSP
iA iB iC
data 49.8% 57.7% 57.3% 59.3%
b. inter subjek tipe 2
Tabel 4.5 menunjukkan tingkat akurasi metode ACSP yang menangani data
tiap subjek dengan data uji seluruh subjek tanpa dilakukan praproses. hasil akurasi
ini menunjukkan bahwa multi subjek masih mendapatkan akurasi yang cukup baik. Tabel 4.5 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 2 tanpa Menggunakan Praproses
Dataset CSP ACSP
iA iB iC
Aa 48.8% 75.6% 73.8% 72%
Al 42.0% 88.8% 87.1% 87.1%
Av 53.6% 88.1% 86.9% 89.3%
Aw 58.9% 98.2% 98.2% 98.2%
Ay 64.3% 100% 100% 100%
62
4.4.1.2.Hasil Klasifikasi Time Varying Autoregression
Pada hasil klasifikasi menggunakan data yang mengalami praproses
menggunakan metode TVAR. Hasil pada skenario ini akan dibagi menjadi 3 yaitu
intra subjek, inter subjek tipe 1 dan inter subjek tipe 2. Tujuan dari skenario
penelitian ini adalah untuk mendapatkan hasil klasifikasi dari metode ACSP
menggunakan TVAR sebagai metode praproses. Hasil confusion matrix dan kurva
ROC pada skenario ini ada pada lampiran d.
b. intra subjek
Hasil penelitian yang ditunjukkan oleh tabel 4.6 menunjukkan tingkat
akurasi metode ACSP menangani data tiap subjek menggunakan data telah
dipraproses menggunakan TVAR.
Tabel 4.6 Tabel akurasi Hasil Klasifikasi Intra Subjek tanpa Menggunakan TVAR
Dataset CSP ACSP
iA iB iC
aa 54.2% 82.7% 80.4% 83.9%
al 44.6% 87.1% 86.6% 88.4%
av 45.2% 89.3% 89.3% 88.1%
aw 44.6% 98.2% 96.4% 94.6%
ay 63.4% 100% 100% 100%
c. inter subjek tipe 1
Hasil penelitian yang ditunjukkan oleh tabel 4.7 menunjukkan tingkat
akurasi metode ACSP menangani data dengan keseluruhan subjek yang
digabungkan dengan menggunakan TVAR sebagai metode praproses.
Tabel 4.7 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 1 menggunakan TVAR
dataset CSP ACSP
iA iB iC
data 48.4% 52.5% 52.9% 52.1%
63
d. inter subjek tipe 2
Hasil penelitian yang ditunjukkan oleh tabel 4.8 menunjukkan tingkat
akurasi metode ACSP menangani data tiap subjek dengan data uji seluruh subjek
dengan menggunakan TVAR sebagai metode praproses
Tabel 4.8 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 2 menggunakan TVAR
Dataset CSP ACSP
iA iB iC
Aa 52.4% 81.5% 80.4% 83%
Al 44% 87.9% 88.8% 86.2%
Av 44% 90.5% 90.5% 88.1%
Aw 48.2% 96.4% 92.9% 96.4%
Ay 64.3% 100% 100% 100%
4.4.1.3.Hasil Klasifikasi Subspace Stationary Analysis
Pada hasil klasifikasi ini akan menggunakan data yang telah dipraproses
menggunakan metode SSA. Hasil pada skenario ini akan dibagi menjadi 3 yaitu
intra subjek, inter subjek tipe 1 dan inter subjek tipe 2. Tujuan dari skenario
penelitian ini adalah untuk mendapatkan hasil klasifikasi dari metode ACSP dengan
menggunakan metode SSA sebagai metode praproses. hasil confusion matrix dan
kurva ROC pada skenario ini ada pada lampiran f.
a. intra subjek
Tabel 4.9 menunjukkan tingkat akurasi metode ACSP menangani data tiap
subjek menggunakan data yang telah dipraproses menggunakan metode SSA.
Tabel 4.9 Tabel akurasi Hasil Klasifikasi Intra Subjek dengan metode SSA
Dataset CSP ACSP
iA iB iC
Aa 58.9% 73.8% 75.6% 73.8%
Al 56.7% 87.5% 87.9% 86.6%
64
Dataset CSP ACSP
iA iB iC
Av 56% 82.1% 84.5% 82.1%
aw 53.6% 98.2% 98.2% 98.2%
ay 64.3% 100% 100% 100%
b. inter subjek tipe 1
Tabel 4.10 menunjukkan tingkat akurasi metode ACSP menangani data
dengan keseluruhan subjek yang digabungkan dengan SSA sebagai metode
praproses.
Tabel 4.10 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 1 dengan metode SSA
dataset CSP ACSP
iA iB iC
data 53.4% 61.3% 57.5% 58.4%
c. inter subjek tipe 2
Tabel 4.11 menunjukkan tingkat akurasi metode ACSP menangani data tiap
subjek dengan data uji seluruh subjek dengan SSA sebagai metode praprosesnya. Tabel 4.11 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 2 dengan metode SSA
Dataset CSP ACSP
iA iB iC
aa 47.6% 76.2% 76.8% 76.2%
al 53.1% 87.9% 87.1% 89.3%
Av 56.0% 86.9% 90.5% 89.3%
aw 44.6% 98.4% 96.4% 96.4%
ay 71.4% 100% 100% 100%
4.4.1.4.Hasil Klasifikasi Bandpass Filtering
Pada hasil klasifikasi ini menggunakan data yang telah dipraproses
menggunakan metode bandpass filtering. Hasil pada skenario ini dibagi menjadi 3
65
yaitu intra subjek, inter subjek tipe 1 dan inter subjek tipe 2. Tujuan dari skenario
penelitian ini adalah untuk mendapatkan hasil klasifikasi dari metode ACSP dengan
menggunakan metode bandpass sebagai metode praproses. Hasil confusion matrix
dan kurva ROC pada skenario ini ada pada lampiran g.
a. intra subjek
Tabel 4.12 menunjukkan tingkat akurasi metode ACSP menangani data tiap
subjek menggunakan data yang dipraproses menggunakan metode bandpass. Hasil
akurasi untuk intra subjek ini meningkat pada metode ACSP hingga 90%. Tabel 4.12 Tabel akurasi Hasil Klasifikasi Intra Subjek dengan metode bandpass
Dataset CSP ACSP
iA iB iC
Aa 56% 95.8% 96.4% 95.2%
Al 78.6% 99.1% 99.1% 98.7%
Av 53.6% 97.6% 97.6% 88.1%
Aw 66.1% 100% 100% 100%
Ay 71.4% 100% 100% 100%
b. inter subjek tipe 1
Tabel 4.13 menunjukkan tingkat akurasi metode ACSP menangani data
dengan keseluruhan subjek yang digabungkan dengan bandpass sebagai metode
praproses. Hasil akurasi untuk inter subjek tipe 1 ini meningkat pada metode ACSP
hingga 73%.
Tabel 4.13 Tabel akurasi Hasil Klasifikasi inter Subjek tipe 1 dengan metode bandpass
dataset CSP ACSP
iA iB iC
data 66.8% 49.3% 46.2% 48.6%
66
c. Inter Subjek Tipe 2
Tabel 4.14 menunjukkan tingkat akurasi metode ACSP menangani data tiap
subjek dengan data uji seluruh subjek dengan bandpass sebagai metode
praprosesnya. Hasil akurasi untuk inter subjek tipe 1 ini meningkat pada metode
ACSP hingga 97%. Tabel 4.14 Tabel akurasi Hasil Klasifikasi inter Subjek tipe 2 dengan metode bandpass
Dataset CSP ACSP
iA iB iC
aa 57.7% 95.2% 95.8% 96.4%
al 79.9% 98.7% 97.8% 97.8%
Av 56.0% 97.6% 97.6% 98.8%
aw 64.3% 100% 100% 98.2%
ay 60.7% 100% 100% 100%
4.4.2. Hasil Klasifikasi Dengan Data Parameter yang Diubah
Bagian ini menjelaskan hasil klasifikasi dengan menggunakan parameter
yang telah diubah-ubah. Tiap praproses datanya akan diubah-ubah sehingga dapat
dilihat apakah datanya mengalami perubahan akurasi.
4.4.2.1.Hasil Klasifikasi Time Varying Autoregression
Pada hasil klasifikasi ini akan menggunakan data yang telah dipraproses
menggunakan metode TVAR. Hasil pada skenario ini akan dibagi menjadi 3 yaitu
intra subjek, inter subjek tipe 1 dan inter subjek tipe 2. Tujuan dari skenario
penelitian ini adalah untuk mendapatkan hasil klasifikasi dari metode ACSP
menggunakan TVAR sebagai metode praproses.
c. intra subjek
Tabel 4.15 menunjukkan tingkat akurasi metode ACSP menangani data tiap
subjek menggunakan data telah dipraproses menggunakan TVAR. Pengubahan data
pada bagian ini dengan cara mengubah model order yang ada pada TVAR. tabel
4.15 menunjukkan bahwa dengan mengubah model order dari 100 hingga 60 tetap
didapatkan hasil akurasi terbaik pada order 90. Dipilihnya model order 90 ini
67
dengan membandingkan hasil akurasi dari tiap model order tersebut. Setelah
didapatkan model order terbaik dari tabel 4.15, maka dilanjutkan dengan mencari
hasil terbaik dari atas dan bawah moder order 90 dengan ditambahkan 2 order ke
atas dan 2 order ke bawah sehingga didapatkan model order dari 88 hingga 92.
Setelah dibandingkan tingkat akurasi dari seluruh model order pada tabel 4.16 maka
didapatkan hasil akurasi terbaik berada di model order 90.
Tabel 4.15 Tabel akurasi Hasil Klasifikasi Intra Subjek Menggunakan TVAR
Dataset CSP ACSP
iA iB iC
100 52.4% 82.7% 82.1% 83.9%
90 54.2% 82.7% 80.4% 83.9%
80 52.4% 80.4% 79.8% 82.7%
70 52.4% 79.8% 82.1% 82.1%
60 52.4% 81.5% 81.0% 79.8%
Standar Deviasi 0.8050 1.3180 1.0232 1.6888 Perhitungan T 146.5556 138.1390 177.1844 109.2091
Tabel T 2. 13185 2. 13185 2. 13185 2. 13185
Tabel 4.16 Tabel hasil akurasi rangkaian sinyal dengan order 88 hingga 92
Dataset CSP ACSP
iA iB iC
88 52.4% 82.7% 82.1% 83.9%
89 52.4% 80.4% 79.8% 82.7%
90 54.2% 82.7% 80.4% 83.9%
91 52.4% 79.8% 82.1% 82.1%
92 52.4% 82.7% 82.1% 83.9%
Standar Deviasi 0.8050 1.4398 1.1158 0.8485 Perhitungan T 146.5556 126.8220 162.9262 219.5148
Tabel T 2.13185 2.13185 2.13185 2.13185
e. inter subjek tipe 1
68
Tabel 4.17 menunjukkan tingkat akurasi metode ACSP menangani data
dengan keseluruhan subjek yang digabungkan dengan menggunakan TVAR
sebagai metode praproses.
Tabel 4.17 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 1 menggunakan TVAR dengan order 90
dataset CSP ACSP
iA iB iC
data 48.4% 52.5% 52.9% 52.1%
f. inter subjek tipe 2
Tabel 4.18 menunjukkan tingkat akurasi metode ACSP menangani data
tiap subjek dengan data uji seluruh subjek dengan menggunakan TVAR sebagai
metode praproses Tabel 4.18 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 2 menggunakan TVAR dengan order 90
Dataset CSP ACSP
iA iB iC
aa 52.4% 81.5% 80.4% 83%
al 44% 87.9% 88.8% 86.2%
Av 44% 90.5% 90.5% 88.1%
aw 48.2% 96.4% 92.9% 96.4%
ay 64.3% 100% 100% 100%
4.4.2.2.Hasil Klasifikasi Subspace Stationary Analysis
Pada hasil klasifikasi ini akan menggunakan data yang telah dipraproses
menggunakan metode SSA. Hasil pada skenario ini akan dibagi menjadi 3 yaitu
intra subjek, inter subjek tipe 1 dan inter subjek tipe 2. Tujuan dari skenario
penelitian ini adalah untuk mendapatkan hasil klasifikasi dari metode ACSP dengan
menggunakan metode SSA sebagai metode praproses. hasil klasifikasi ini akan
dibagi menjadi 10 pengulangan. Tujuan dari percobaan tersebut untuk mendapatkan
signifikasi dari hasil akurasi dari 10 pengulangan.
69
d. Intra Subjek
Tabel 4.19 menunjukkan tingkat akurasi metode ACSP menangani data
subjek aa menggunakan data yang telah dipraproses menggunakan metode SSA.
Tabel 4.19 menunjukkan bahwa akurasi yang dihasilkan oleh tiap pengulangan
tidak mengalami peningkatan akurasi yang berbeda. Hasil perhitungan uji T di
matlab tiap metode pada tiap perulangan dinyatakan signifikan. Berdasarkan nilai
tabel t dan hasil perhitungan t pada tabel 4.19 maka dapat disimpulkan bahwa
perhitungan SSA tersebut signifikan dan tidak mengalami peningkatan akurasi
yang besar walaupun telah melakukan beberapa kali pengulangan.
Tabel 4.19 Tabel akurasi Hasil Klasifikasi Intra Subjek dengan metode SSA
Repetisi CSP ACSP
iA iB iC
1 55.4% 76.8% 74.4% 75.0%
2 53.6% 76.8% 75.0% 76.8%
3 53.6% 75.0% 74.4% 75.0%
4 53.0% 75.6% 75.6% 75.0%
5 53.6% 75.0% 75.0% 78.0%
6 54.8% 75.6% 74.4% 75.6%
7 54.2% 76.8% 74.4% 76.2%
8 51.2% 72.0% 76.2% 77.4%
9 53.0% 75.6% 74.4% 76.8%
10 48.2% 77.4% 75.0% 76.2%
Standar Deviasi 2.0484 1.5349 0.6197 1.0583
Perhitungan T 81.9124 155.8758 382.1204 227.6911
Tabel T 1.83311 1.83311 1.83311 1.83311
e. Inter Subjek Tipe 1
Tabel 4.20 menunjukkan tingkat akurasi metode ACSP menangani data
dengan keseluruhan subjek yang digabungkan dengan SSA sebagai metode
praproses. Berdasarkan tabel 4.17 nilai tabel t tersebut lebih kecil daripada hasil
perhitungan t maka dapat disimpulkan bahwa metode SSA pada inter subjek tipe 1
70
signifikan dan tidak mengalami peningkatan yang besar terlihat pada tabel 4.20
walaupun telah melakukan beberapa kali pengulangan.
Tabel 4.20 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 1 dengan metode SSA
Dataset CSP ACSP
iA iB iC
1 46.6% 68.4% 68.9% 69.1%
2 53.8% 66.6% 66.8% 67.0%
3 54.1% 65.0% 63.2% 64.1%
4 51.8% 64.5% 65.0% 64.6%
5 49.1% 63.9% 62.7% 63.2%
6 55.4% 64.8% 64.3% 64.4%
7 52.3% 64.8% 64.5% 65.7%
8 56.4% 64.5% 64.8% 64.3%
9 56.1% 66.8% 61.6% 63.9%
10 52.0% 64.1% 63.6% 63.4%
Standar Deviasi 3.1146 1.4455 2.0860 1.8294
Perhitungan T 53.5684 142.9471 97.8378 112.3051 Tabel T 1.83311 1.83311 1.83311 1.83311
f. Inter Subjek Tipe 2
Tabel 4.21 menunjukkan tingkat akurasi metode ACSP menangani data tiap
subjek dengan data uji seluruh subjek dengan SSA sebagai metode praprosesnya.
Tabel 4.21 menunjukkan bahwa perhitungan t lebih besar daripada nilai dari tabel
t, sehingga dapat disimpulkan bahwa perhitungan SSA untuk inter subjek tipe 2
adalah signifikan dan tidak mengalami peningkatan akurasi walaupun telah
melakukan beberapa kali pengulangan. Tabel 4.21 Tabel akurasi Hasil Klasifikasi Inter Subjek tipe 2 dengan metode SSA
Dataset CSP ACSP
iA iB iC
1 54.8% 75.0% 75.0% 75.6%
71
Dataset CSP ACSP
iA iB iC
2 57.7% 73.2% 73.2% 76.2%
3 53.0% 75.6% 76.8% 75.0%
4 53.0% 75.6% 75.6% 78.0%
5 55.4% 73.8% 75.6% 76.8%
6 53.6% 77.4% 75.6% 75.6%
7 53.6% 75.6% 76.8% 77.4%
8 52.4% 75.6% 78.0% 75.6%
9 52.4% 75.6% 77.6% 76.2%
10 54.2% 75.6% 76.2% 75.6%
Standar Deviasi 1.6251 1.1402 1.3818 0.9381
Perhitungan T 105.0969 208.8446 174.0208 256.8701
Tabel T 1.83311 1.83311 1.83311 1.83311
4.4.2.3.Hasil Klasifikasi Bandpass Filtering
Filter bandpass pada tiap subjek memotong sinyal menjadi beberapa bagian
yang berbeda. Tujuan memotong sinyal menjadi beberapa bagian tersebut adalah
untuk mencari bagian yang dapat menghasilkan akurasi terbaik untuk metode
bandpass.
a. Intra Subjek
Peneliti membagi penelitian untuk intra subjek ini dibagi menjadi 4
percobaan. Tabel 4.22 menunjukkan hasil akurasi untuk percobaan pertama.
Percobaan pertama pada penelitian ini adalah melebarkan jangkauan dari sinyal
sehingga didapatkan hasil kasar pemotongan sinyal dari jangkauan tersebut.
Percobaan pertama akan melebarkan jangkauan dari sinyal yang diujicobakan.
Penentuan hasil terbaik untuk percobaan pertama menggunakan hasil rata-rata dari
tiap jangkauan sinyal yang teliti. Hasil dari percobaan pertama akan digunakan
sebagai acuan untuk percobaan kedua.
Percobaan pertama menggunakan jangkauan sinyal 8 Hz – 32 Hz sebagai
acuan. percobaan pertama dimulai dari sinyal 18 Hz – 22 Hz. Percobaan pertama
72
melebarkan jangkauan sinyal dengan cara mengurangi 5 Hz dari 18 Hz dan
menambahkan 5 Hz dari 22 Hz. Pemotongan tersebut dilanjutkan hingga
mendapatkan jangkauan sinyal 3 Hz – 37 Hz. Hasil rata-rata dari tiap jangkauan
pemotongan menunjukkan bahwa jangkauan pemotongan sinyal 18 Hz - 22 Hz
memiliki hasil paling baik daripada ketiga jangkauan pemotongan sinyal lainnya.
Pemotongan sinyal 18 Hz – 22 Hz memiliki hasil 87.18%.
Tabel 4.22 Tabel Percobaan 1 Hasil Klasifikasi Intra Subjek dengan metode bandpass dengan membesarkan
jangkauan pemotongan data pada dua sisi
Data CSP ACSP Rata – rata
iA iB iC
18 Hz - 22 Hz 56.5% 98.2% 97.0% 97.0% 87.18%
13 Hz - 27 Hz 58.9% 95.2% 95.2% 94.6% 85.98%
8 Hz – 32 Hz 56% 95.8% 96.4% 95.2% 86%
3 Hz - 37 Hz 50.5% 95.2% 94.6% 95.2% 84%
Standar
Deviasi 3.5500 1.4283 1.0954 1.0392
Perhitungan T 31.2535 134.5669 174.9061 183.7898 Tabel T 2.35336 2.35336 2.35336 2.35336
Tabel 4.23 menunjukkan hasil akurasi untuk percobaan kedua. Percobaan
kedua pada penelitian ini adalah menyempitkan jangkauan sinyal dari hasil
percobaan pertama. Percobaan pertama ini dilakukan untuk mendapatkan hasil
halus dari pemotongan sinyal yang diujicobakan. Penentuan hasil terbaik untuk
percobaan kedua menggunakan hasil rata-rata dari tiap jangkauan sinyal yang teliti.
Hasil percobaan kedua ini akan digunakan sebagai acuan untuk percobaan ketiga.
Percobaan kedua mengecilkan jangkauan pemotongan sinyal dengan 18 Hz
- 22 Hz sebagai acuan. percobaan kedua ini mengecilkan jangkauan dengan
menambah 1 Hz dari 18 Hz dan mengurangi 1 Hz dari 22 Hz sebanyak 5 bagian
sehingga didapatkan bagian bagian seperti pada tabel 4.23. Hasil rata-rata dari tiap
jangkauan pemotongan menunjukkan bahwa jangkauan pemotongan sinyal 18 Hz
73
- 22 Hz memiliki hasil paling baik daripada ketiga jangkauan pemotongan sinyal
lainnya. Pemotongan sinyal 17 Hz – 23 Hz memiliki hasil 86.90%. Tabel 4.23 Tabel Percobaan 2 Hasil Klasifikasi Intra Subjek dengan metode bandpass dengan mengecilkan
jangkauan pemotongan data pada dua sisi
Data CSP ACSP
Rata – rata iA iB iC
15 Hz – 25 Hz 50.6% 95.2% 94.6% 95.2% 83.90%
16 Hz – 24 Hz 51.2% 97% 98.8% 96.4% 85.85%
17 Hz – 23 Hz 52.4% 98.2% 98.8% 98.2% 86.90%
18 Hz - 22 Hz 54.2% 98.2% 97.0% 97.0% 86.6%
19 Hz – 21 Hz 51.2% 96.4% 97.6% 97% 85.55% Standar
Deviasi 2.3942 1.2728 1.7286 1.0900
Perhitungan T 48.9212 170.4116 125.9434 198.5055 Tabel T 2.13185 2.13185 2.13185 2.13185
Tabel 4.24 menunjukkan hasil akurasi untuk percobaan ketiga. Percobaan
ketiga pada penelitian ini melebarkan sisi atas pada jangkauan sinyal sehingga
didapatkan hasil kasar dari sinyal yang diujicobakan. Penentuan hasil terbaik untuk
percobaan ketiga menggunakan hasil rata-rata dari seluruh jangkauan sinyal yang
teliti. Hasil percobaan 3 akan digunakan sebagai acuan untuk percobaan keempat.
Percobaan ketiga melebarkan jangkauan pemotongan sinyal dengan 17 Hz
- 23 Hz sebagai acuan. percobaan ketiga ini melebarkan pemotongan sinyal dengan
menambahkan 1 Hz dari 23 Hz.. Hasil rata-rata dari tiap jangkauan pemotongan
menunjukkan bahwa jangkauan pemotongan sinyal 17 Hz - 28 Hz memiliki hasil
paling baik daripada jangkauan pemotongan sinyal lainnya. Hasil rata-rata dari
sinyal 17 Hz – 28 Hz adalah 87.63%
74
Tabel 4.24 Tabel Percobaan 3 Klasifikasi Intra Subjek dengan metode bandpass dengan membesarkan
jangkauan pemotongan data pada satu sisi
Data CSP ACSP
Rata - rata iA iB iC
17 Hz – 23 Hz 52.4% 98.2% 98.8% 98.2% 86.90%
17 Hz – 24 Hz 48.8% 72% 74.4% 74.4% 67.40%
17 Hz – 25 Hz 50.6% 97% 96.4% 97.6% 85.40%
17 Hz – 26 Hz 56.5% 95.8% 95.8% 95.8% 85.98%
17 Hz – 27 Hz 58.9% 97% 97% 97% 87.48%
17 Hz – 28 Hz 58.3% 97% 97.6% 97.6% 87.63%
17 Hz – 29 Hz 57.7% 95.2% 95.2% 96.4% 86.13%
17 Hz – 30 Hz 59.5% 95.2% 95.2% 95.8% 86.43%
17 Hz – 31 Hz 56% 94.6% 94% 94% 84.65%
17 Hz – 32 Hz 59.3% 95.2% 94% 95.2% 85.93%
Standar Deviasi 3.8520 7.7156 6.9983 7.0711
Perhitungan T 45.8089 38.4116 42.4030 42.1275 Tabel T 1.83311 1.83311 1.83311 1.83311
Tabel 4.25 menunjukkan hasil akurasi untuk percobaan keempat. Percobaan
keempat pada penelitian melebarkan sisi bawah pada jangkauan sinyal sehingga
didapatkan hasil halus dari pemotongan sinyal yang diujicobakan. Penentuan hasil
terbaik untuk percobaan keempat menggunakan hasil rata-rata dari tiap jangkauan
sinyal yang telah teliti. Parameter pemotongan dengan hasil akurasi terbaik dari
percobaan keempat akan digunakan sebagai parameter untuk percobaan inter subjek
tipe 1 dan tipe 2.
Pada tabel 4.25 dilakukan kembali pengukuran sinyal dengan mengecilkan
jangkauan ke sisi bawah dari data tersebut dengan 17 Hz sebagai patokan sinyal.
patokan sinyal tersebut didapatkan dari tabel 4.24. Percobaan keempat ini
mengurangi sinyal sebesar 1 Hz mulai dari 17 Hz hingga 8 Hz. Rata-rata terbaik
dari percobaan keempat berada pada sinyal dengan jangkauan pemotongan 9 Hz –
28 Hz dengan rata-rata sebesar 89%.
75
Dari keseluruhan uji coba tersebut, maka dapat disimpulkan bahwa
pemotongan sinyal terbaik untuk intra subjek pada filter bandpass adalah dengan
jangkauan 17 Hz – 23 Hz. Terlihat hasil akurasi pada bagian tersebut melampaui
hasil dari bagian yang telah diujicobakan. Seluruh percobaan tersebut dilakukan
tanpa melewati batas 8 Hz – 32 Hz yang telah diajukan oleh Pfurtscheller. Gambar
4.24 menjelaskan alur seluruh percobaan untuk metode bandpass dengan parameter
yang telah diubah-ubah. Tabel 4.25 Tabel Percobaan 4 Klasifikasi Intra Subjek dengan metode bandpass dengan membesarkan
jangkauan pemotongan data pada satu sisi
Data CSP
ACSP
Rata –
rata iA iB iC
8 Hz – 28 Hz 59.5% 97.6% 98.2% 97.6% 88%
9 Hz – 28 Hz 62.5% 98.2% 97.6% 96.4% 89%
10 Hz – 28 Hz 63.1% 96.4% 96.4% 97.6% 88%
11 Hz – 28 Hz 58.9% 93.5% 94.6% 95.8% 86%
12 Hz – 28 Hz 61.9% 95.2% 95.8% 95.2% 87%
13 Hz – 28 Hz 64.3% 92.9% 94% 92.9% 86%
14 Hz – 28 Hz 60.1% 97.0% 95.8% 95.8% 87%
15 Hz – 28 Hz 60.10% 96% 97.00% 98.20% 88%
16 Hz – 28 Hz 58.9% 97.0% 96.4% 96.4% 87%
17 Hz – 28 Hz 58.3% 97% 97.6% 97.6% 88%
Standar Deviasi 2.0630 1.8559 1.4546 1.5615
Perhitungan T 93.4118 164.0842 209.6957 195.1215 Tabel T 1.83311 1.83311 1.83311 1.83311
76
Gambar 4.24 Gambar alur percobaan pada bandpass filtering
b. Inter Subjek Tipe 1
Tabel 4.26 menjelaskan hasil akurasi dari klasifikasi inter subjek tipe 1
dengan menggunakan metode bandpass. Parameter yang digunakan pada penelitian
inter subjek ini menggunakan sinyal dengan jangkauan pemotongan 17 Hz – 28 Hz.
Tabel 4.26 Tabel akurasi Hasil Klasifikasi inter Subjek tipe 1 dengan metode bandpass
Data CSP ACSP
iA iB iC
Data 70.9% 48.2% 50% 49.5%
c. Inter Subjek Tipe 2
Tabel 4.27 menjelaskan hasil akurasi dari klasifikasi inter subjek tipe 2
dengan menggunakan metode bandpass. Parameter yang digunakan pada penelitian
inter subjek ini menggunakan sinyal dengan jangkauan pemotongan 17 Hz – 28 Hz.
Tabel 4.27 Tabel akurasi Hasil Klasifikasi inter Subjek tipe 2 dengan metode bandpass
Data CSP
ACSP
iA iB iC
Aa 60.7% 97.6% 97.6% 97.6%
77
4.5. Pembahasan
Pada bagian bab 4.4.2 menjelaskan temuan dalam penelitian terkait signifikan
tiap metode yang digunakan. Signifikansi digunakan untuk menguji realibilitas dari
tiap metode praproses.
Tabel 4.15 menunjukkan bahwa metode TVAR dapat menghasilkan hasil
akurasi yang signifikan. Hasil signifikan ini ditunjukkan dengan nilai perhitungan t
lebih besar daripada nilai pada tabel t. Setelah dilakukan uji coba berulang kali
dengan model order yang telah diubah ubah, maka didapatkan model order dengan
hasil akurasi terbaik yaitu model order 90. Pada tabel 4.16 adalah tabel hasil akurasi
dari uji coba menggunakan model order disekitar 90. Setelah dilakukan uji coba
terlihat pada tabel 4.16. maka hasil akurasi terbaik tetap didapatkan pada model
order 90. Hasil ini menunjukkan bahwa model order 90 memiliki hasil akurasi
terbaik dan tetap signifikan dibandingkan dengan order yang telah diujicobakan.
Pada metode SSA hasil akurasi metode tersebut tidak begitu meningkat
walaupun telah dilakukan pengulangan dari 1 kali pengulangan hingga 10 kali
pengulangan. Seperti contoh terlihat pada tabel 4.9 dan tabel 4.19. hasil kedua tabel
tersebut hampir. Pada tabel 4.9, hanya digunakan 1 kali pengulangan dan tabel 4.19
digunakan 1 kali pengulangan hingga 10 kali pengulangan. Hasil yang didapatkan
pada 3.7 rata – rata 74% dan hasil pada 3.16 dengan pengulangan ke 10 adalah rata
– rata 76%. Hasil tersebut hanya meningkat 2%. Sehingga disimpulkan dengan
menambah pengulangan dalam metode tersebut, hanya sedikit meningkatkan hasil
akurasi.
Hasil uji t dari metode SSA dapat disimpulkan bahwa metode SSA memiliki
hasil yang signifikan. Uji t yang dilakukan tiap ACSP untuk metode SSA terlihat
pada tabel 4.19. Hasil hitung t dari tiap ACSP menunjukkan bahwa lebih besar dari
nilai tabel t. Nilai tabel t dari metode SSA ini adalah pada intra subjek, inter subjek
tipe 1 dan inter subjek tipe 2 adalah 1.83311.
Pada metode bandpass diujicobakan beberapa kali untuk mencari jangkauan
terbaik yang dapat digunakan pada penelitian ini. Perlakuan ini dimaksudkan untuk
melihat di jangkauan sinyal manakah informasi informasi masih relevan yang dapat
78
digunakan untuk ACSP. Pada tabel 4.22 data dibagi menjadi 4 bagian dengan pusat
8 Hz – 32 Hz. Pada tabel 4.22, jangkauan pemotongan dibesarkan. Terlihat pada
tabel 3.19 jangkauan pemotongan 18 Hz - 22 Hz memiliki hasil akurasi terbaik dari
ketiga bagian lainnya. Tabel 4.23 adalah hasil akurasi ACSP yang didapatkan dari
mengecilkan jangkauan pemotongan sinyal dengan 8 Hz – 32 Hz sebagai pusatnya.
Tabel 4.23 menunjukkan bahwa 17 Hz - 23 Hz memiliki hasil terbaik dari bagian
lainnya. Tabel 4.24 dilakukan kembali pemotongan sinyal dengan cara melebarkan
sebelah kanan sinyal dengan pusat 17 Hz - 23 Hz. Hasil yang didapatkan dari
perlakuan tersebut bahwa 17 Hz - 23 Hz masih memiliki akurasi yang terbaik dari
bagian lainnya. Tabel 4.25 dilakukan kembali untuk memvalidasi jangkauan 14 Hz
– 26 Hz dengan melebarkan jangkauan pemotongan ke sebelah kiri. Tabel 4.25
menunjukkan bahwa jangkauan pemotongan 17 Hz - 23 Hz memiliki hasil paling
baik dari bagian pemotongan yang lain. Hasil pada tabel 4.25 menunjukkan bahwa
jangkauan pemotongan 17 Hz - 23 Hz memiliki informasi terbaik yang dapat
digunakan untuk motor imagery pada penelitian ini. Tabel 4.26 dan tabel 4.27
adalah hasil akurasi menggunakan jangkauan pemotongan sinyal 17 Hz - 23 Hz
Terlihat pada tabel 4.26 hasil akurasi meningkat hingga 3% dibandingkan tabel 4.14
yang menggunakan jangkauan pemotongan sebesar 8 Hz – 32 Hz. Pada tabel 4.27
juga mengalami peningkatan hasil akurasi hingga 4% dari hasil akurasi pada tabel
3.12.
Hasil uji t dari metode bandpass terlihat pada tiap tabel hasil uji coba
penelitian. Pada tabel 4.22 hingga 4.25 perhitungan t lebih besar daripada nilai dari
tabel t sehingga tabel 4.22 hingga 4.25 dianggap signifikan.
Bagian analisis ini menjelaskan hasil temuan yang telah ditemukan pada
penelitian ini. Pada bagian bab 4.4.1 menjelaskan hasil klasifikasi tiap metode
menggunakan data yang tidak berubah-ubah. Hasil akurasi dari klasifikasi tanpa
menggunakan praproses terlihat bahwa hasil dari CSP rata rata hingga 25% pada
subjek aa, subjek al dan subjek av. Pada subjek aw dan ay peningkatan hingga
menjadi 98% dikarenakan jumlah data latih pada subjek tersebut lebih sedikit
daripada subjek aa, subjek al dan subjek av.
Hasil dari bagian bab 4.4.1 adalah bahwa hasil praproses menggunakan
bandpass melampaui hasil ketiga metode praproses. Hasil akurasi dari bandpass
79
tersebut dapat dilihat pada tabel 4.13, 4.14 dan 4.15. hasil akurasi tabel 4.13 dan
4.15 meningkat hingga 95%. Tabel 4.13 adalah tabel intra subjek. Tabel 4.14
adalah tabel inter subjek tipe 1. Tabel 4.15 adalah tabel inter subjek tipe 2. Berbeda
dengan tabel 4.14 hasil yang didapatkan hanya meningkat hingga 75%. Hasil
akurasi dari praproses menggunakan bandpass juga melampaui hasil akurasi dengan
data yang tidak mengalami praproses.
TVAR mendekomposisi sinyal dengan memandang waktu sebagai koefisien
yang dapat mempengaruhi sehingga masih terdapat beberapa derau yang
mempengaruhi hasil akurasi. Hasil yang didapatkan untuk metode TVAR dalam
penelitian ini terlihat pada bagian bab 4.4.1.2. Tabel 4.4 menunjukkan bahwa
peningkatan hasil akurasi meningkat hingga rata rata 80%. Tabel 4.4 menunjukkan
hasil akurasi untuk intra subjek. Tabel 4.8 menunjukkan hasil akurasi untuk inter
subjek tipe 1 dimana hasil akurasi pada tabel tersebut meningkat hanya hingga 52%.
Tabel 4.9 menunjukkan hasil akurasi untuk inter subjek tipe 2 dimana hasil akurasi
tersebut meningkat hingga 87%.
Pada metode SSA digunakan sumber statis untuk sebagai sumber sinyal yang
diteliti sehingga masih terdapat derau yang mempengaruhi akurasi. Tabel 4.10
menunjukkan hasil akurasi dari SSA untuk intra subjek rata rata meningkat sebesar
25 % untuk subjek aa, al, dan av. Pada subjek aw dan ay hasil akurasi meningkat
hingga rata rata 98%. Tabel 4.11 menunjukkan hasil akurasi untuk inter subjek tipe
1 dimana hasil akurasi meningkat sebesar rata rata 17%. Tabel 4.12 menunjukkan
hasil akurasi untuk inter subjek tipe 2 hampir sama dengan hasil akurasi pada intra
subjek.
Hasil akurasi yang berbeda antara metode ini disebabkan oleh sifat sinyal
yang statis dan non statis. menurut prado, rangkaian waktu dalam EEG selalu
diasumsikan statis dimana sinyal tidak bergantung pada waktu kita memulai
observasi (Prado, 1998). Yang artinya dalam rangkaian waktu tersebut akan dilihat
sama secara interval waktu. Pada metode SSA sinyal yang digunakan adalah sinyal
statis hasil pemisahan sumber sinyal statis dan non statis sehingga hasil praproses
data tidak melihat koefisien waktu seperti pada metode TVAR. Penggunaan sinyal
statis mempengaruhi hasil akurasi dari metode SSA dikarenakan ada potensi akan
sumber sinyal statis yang dianggap palsu (von Bunau et al., 2010). Pada penelitian
80
ini hanya digunakan sumber statiss karena toolbox hasil penelitian von Bunau lebih
mengoptimalisasi sumber statis daripada sumber non statis.
Metode TVAR digunakan untuk memodelkan sinyal non statis. metode
TVAR menggunakan koefiesien waktu yang bervariasi sehingga dapat beradaptasi
dengan perubahan yang ada. Model TVAR dapat merespon perubahan frekuensi
EEG (Gutiérrez and Salazar-Varas, 2011). Dengan adanya koefisien waktu
tersebut, maka sinyal harus dianalisis sesuai dengan titik waktu dari sinyal tersebut.
Dengan menganalisis setiap titik waktu dari sinyal EEG yang diteliti, hasil akurasi
dari metode TVAR menjadi lebih tinggi daripada metode SSA yang hanya melihat
data dari keseluruhan sumber statis.
Berbeda dengan bandpass filtering. Pada metode bandpass tidak melihat sifat
sinyal yang statis dan non statis. metode bandpass memotong sinyal atas dan sinyal
bawah. Sesuai dengan Pfurtscheller yang menyebutkan bahwa range pemotongan
sinyal terbaik untuk sinyal motor imagery berada pada range 8 Hz – 32 Hz. Dengan
range tersebut maka data tersebut masih memiliki informasi yang relevan dilakukan
klasifikasi (Pfurtscheller and Neuper, 2001). Dengan range tersebut, maka hasil
akurasi pada metode ACSP meningkat melampaui kedua metode yang diajukan
untuk diteliti.
Dari keseluruhan hasil penelitian untuk bagian bab 4.4.1 menunjukkan bahwa
metode yang terbaik untuk ACSP adalah metode bandpass. Metode TVAR
memiliki hasil terbaik kedua dan metode SSA memiliki hasil terbaik ketiga.
81
BAB 5
ANALISIS PENELITIAN
Pada bab 5 ini akan dibahas analisis perbandingan dari tiap metode dari hasil
yang telah didapatkan pada bab 4. Pada bab ini hanya akan dibandingkan subjek aa
pada tiap perbandingan yang akan dilakukan.
5.1.Perbandingan Menggunakan Data Normal
Pada bagian ini akan dibandingkan sesuai dengan skenario penelitian yang
telah diajukan pada bab 3.
5.1.1. Intra Subjek
Pada intra subjek ini, akan dibandingkan 4 hasil akurasi intra subjek dari
seluruh metode ACSP. Hasil akurasi intra subjek pada bab 4 akan dibandingkan
sesuai dengan metode.
5.1.1.1.Perbandingan Hasil CSP
Gambar 5.1 menunjukkan bahwa perbandingan CSP dengan tanpa
praproses dan menggunakan praproses. Pada perbandingan hasil CSP ini terlihat
bahwa nilai SSA lebih tinggi daripada ketiga metode lainnya dengan hasil akurasi
sebesar 58.9%.
Gambar 5.1 Hasil perbandingan CSP pada tiap metode
48,80% 58,90% 54,20% 56%
tanpa SSA TVAR BP
CSP
82
5.1.1.2.Perbandingan Hasil ACSP Ia
Gambar 5.2 menunjukkan hasil akurasi dari ACSP Ia untuk seluruh metode
praproses yang diajukan pada penelitian. Hasil perbandingan ACSP Ia ini terlihat
bahwa bandpass mendapatkan hasil terbaik sebesar 95.8%.
Gambar 5.2 Hasil perbandingan ACSP Ia pada tiap metode
5.1.1.3.Perbandingan Hasil ACSP Ib
Gambar 5.3 menunjukkan hasil akurasi dari ACSP Ib untuk seluruh metode
praproses yang diajukan pada penelitian. Hasil perbandingan ACSP Ib ini terlihat
bahwa bandpass mendapatkan hasil terbaik sebesar 96.4%.
Gambar 5.3 Hasil perbandingan ACSP Ib pada tiap metode
5.1.1.4.Perbandingan Hasil ACSP Ic
Gambar 5.4 menunjukkan hasil akurasi dari ACSP Ic untuk seluruh metode
praproses yang diajukan pada penelitian. Hasil perbandingan ACSP Ic ini terlihat
bahwa bandpass mendapatkan hasil terbaik sebesar 95.2%.
73,80% 73,80% 82,70%
95,80%
tanpa SSA TVAR BP
ACSPIA
71,40% 75,60% 80,40% 96,40%
tanpa SSA TVAR BP
ACSPIB
83
Gambar 5.4 Hasil perbandingan ACSP Ib pada tiap metode
5.1.2. Inter Subjek Tipe 1
Pada intra subjek ini, akan dibandingkan 4 hasil akurasi inter subjek tipe 1
dari seluruh metode ACSP. Hasil akurasi inter subjek tipe 1 pada bab 4 akan
dibandingkan sesuai dengan metode.
5.1.2.1.Perbandingan Hasil CSP
Gambar 5.5 menunjukkan hasil akurasi dari CSP untuk seluruh metode
praproses yang diajukan pada penelitian. Hasil perbandingan CSP ini terlihat bahwa
bandpass mendapatkan hasil terbaik sebesar 66.8%.
Gambar 5.5 Hasil perbandingan CSP pada tiap metode
76,20% 73,80% 83,90%
95,20%
tanpa SSA TVAR BP
ACSPIC
49,80% 53,40% 48,40%
66,80%
tanpa SSA TVAR BP
CSP
84
5.1.2.2.Perbandingan Hasil ACSP Ia
Gambar 5.6 menunjukkan hasil akurasi dari ACSP Ia untuk seluruh metode
praproses yang diajukan pada penelitian. Hasil perbandingan ACSP Ia ini terlihat
bahwa bandpass mendapatkan hasil terbaik sebesar 74.5%.
Gambar 5.6 Hasil perbandingan ACSP Ia pada tiap metode
5.1.2.3.Perbandingan Hasil ACSP Ib
Gambar 5.7 menunjukkan hasil akurasi dari ACSP Ib untuk seluruh metode
praproses yang diajukan pada penelitian. Hasil perbandingan ACSP Ib ini terlihat
bahwa bandpass mendapatkan hasil terbaik sebesar 74.8%.
Gambar 5.7 Hasil perbandingan ACSP Ib pada tiap metode
57,70% 61,30% 52,50%
74,50%
tanpa SSA TVAR BP
ACSPIA
57,30% 57,50% 52,90%
74,80%
tanpa SSA TVAR BP
ACSPIB
85
5.1.2.4.Perbandingan Hasil ACSP Ic
Gambar 5.8 menunjukkan hasil akurasi dari ACSP Ic untuk seluruh metode
praproses yang diajukan pada penelitian. Hasil perbandingan ACSP Ib ini terlihat
bahwa bandpass mendapatkan hasil terbaik sebesar 73%.
Gambar 5.8 Hasil perbandingan ACSP Ic pada tiap metode
5.1.3. Inter Subjek Tipe 2
Pada intra subjek ini, akan dibandingkan 4 hasil akurasi inter subjek tipe 2
dari seluruh metode ACSP. Hasil akurasi inter subjek tipe 2 pada bab 4 akan
dibandingkan sesuai dengan metode.
5.1.3.1.Perbandingan Hasil CSP
Gambar 5.9 menunjukkan hasil akurasi dari CSP untuk seluruh metode
praproses yang diajukan pada penelitian. Hasil perbandingan CSP ini terlihat bahwa
bandpass mendapatkan hasil terbaik sebesar 57.7%.
59,30% 58,40% 52,10%
73,00%
tanpa SSA TVAR BP
ACSPIC
86
Gambar 5.9 Hasil perbandingan CSP pada tiap metode
5.1.3.2.Perbandingan Hasil ACSP Ia
Gambar 5.10 menunjukkan hasil akurasi dari ACSP Ia untuk seluruh metode
praproses yang diajukan pada penelitian. Hasil perbandingan ACSP Ia ini terlihat
bahwa bandpass mendapatkan hasil terbaik sebesar 95.2%.
Gambar 5.10 Hasil perbandingan ACSP Ia pada tiap metode
5.1.3.3.Perbandingan Hasil ACSP Ib
Gambar 5.11 menunjukkan hasil akurasi dari ACSP Ib untuk seluruh
metode praproses yang diajukan pada penelitian. Hasil perbandingan ACSP Ib ini
terlihat bahwa bandpass mendapatkan hasil terbaik sebesar 95.8%.
48,80% 47,60% 52,40% 57,70%
tanpa SSA TVAR BP
CSP
75,60% 76,20% 81,50% 95,20%
tanpa SSA TVAR BP
ACSPIA
87
Gambar 5.11 Hasil perbandingan ACSP Ib pada tiap metode
5.1.3.4.Perbandingan Hasil ACSP Ic
Gambar 5.12 menunjukkan hasil akurasi dari ACSP Ic untuk seluruh metode
praproses yang diajukan pada penelitian. Hasil perbandingan ACSP Ic ini terlihat
bahwa bandpass mendapatkan hasil terbaik sebesar 96.4%.
Gambar 5.12 Hasil perbandingan ACSP Ic pada tiap metode
5.2.Perbandingan Menggunakan Data Dengan Parameter Yang Diubah
Bagian ini menjelaskan perbandingan hasil per metode dengan parameter
yang telah diubah-ubah untuk mendapatkan hasil terbaik dari setiap metode.
73,80% 76,80% 80,40% 95,80%
tanpa SSA TVAR BP
ACSPIB
72% 76,20% 83% 96,40%
tanpa SSA TVAR BP
ACSPIC
88
5.2.1. TVAR
Pada bagian ini, metode TVAR akan dibagi menjadi model order yang
berbeda. Hasil pada bab 4 akan dibandingkan sesuai dengan skenario yang telah di
bahas pada bab 3.
5.2.1.1.Perbandingan Intra Subjek
Pada intra subjek ini, akan dibandingkan 4 hasil akurasi intra subjek dari
seluruh metode ACSP. Hasil akurasi intra subjek pada bab 4 akan dibandingkan
sesuai dengan metode.
5.2.1.1.1. Perbandingan CSP
Gambar 5.13 dan 5.14 menunjukkan hasil CSP dengan model order seperti
pada tabel 4.15 dan 4.16. terlihat pada gambar 5.13 bahwa model order terbaik
adalah 90 dengan hasil akurasi 54.2%. Gambar 5.14 menunjukkan bahwa model
order terbaik untuk TVAR adalah 90 dengan hasil akurasi model order tersebut
adalah 54.20%.
Gambar 5.13 Hasil perbandingan CSP Intra Subjek pada metode TVAR
52,40%
54,20%
52,40% 52,40% 52,40%
100 90 80 70 60
CSP
89
Gambar 5.14 Hasil perbandingan CSP Intra Subjek pada metode TVAR
5.2.1.1.2. Perbandingan ACSP Ia
Gambar 5.15 dan 5.16 menunjukkan hasil ACSP Ia dengan model order
seperti pada tabel 4.15 dan 4.16. terlihat pada gambar 5.16 bahwa model order 100
dan model order 90 memiliki hasil 82.7% sehingga tetap menggunakan model order
90 untuk proses selanjutnya. Gambar 5.16 menunjukkan bahwa model order 88,
90 dan 92 memiliki hasil akurasi sebesar 82.7%.
Gambar 5.15 Hasil perbandingan ACSP Ia Intra Subjek pada metode TVAR
52,40% 52,40%
54,20%
52,40% 52,40%
88 89 90 91 92
CSP
82,70% 82,70%
80,40% 79,80%
81,50%
100 90 80 70 60
ACSPIA
90
Gambar 5.16 Hasil perbandingan ACSP Ia Intra Subjek pada metode TVAR
5.2.1.1.3. Perbandingan ACSP Ib
Gambar 5.17 dan 5.18 menunjukkan hasil ACSP Ia dengan model order
seperti pada tabel 4.15 dan 4.16. pada gambar 5.17 menunjukkan hasil akurasi
terbaik berada pada model order 100 dan 70 dengan hasil yaitu 82.1%. Gambar 5.18
menunjukkan hasil akurasi terbaik didapatkan pada model order 88, 91 dan 92
dengan nilai 82.1%.
Gambar 5.17 Hasil perbandingan ACSP Ib Intra Subjek pada metode TVAR
82,70%
80,40%
82,70%
79,80%
82,70%
88 89 90 91 92
ACSPIA
82,10%
80,40% 79,80%
82,10% 81,00%
100 90 80 70 60
ACSPIB
91
Gambar 5.18 Hasil perbandingan ACSP Ib Intra Subjek pada metode TVAR
5.2.1.1.4. Perbandingan ACSP Ic
Gambar 5.19 dan 5.20 menunjukkan hasil ACSP Ia dengan model order
seperti pada tabel 4.15 dan 4.16. Gambar 5.19 menunjukkan bahwa hasil akurasi
terbaik didapatkan pada model order 100 dan 90 dengan nilai 83.9%. Gambar 5.20
menunjukkan bahwa hasil akurasi terbaik didapatkan pada model order 90 dengan
nilai 83.9%.
Dari keseluruhan hasil akurasi pada inter subjek untuk metode TVAR maka
model order terbaik yang dapat diajukan adalah model order 90.
Gambar 5.19 Hasil perbandingan ACSP Ic Intra Subjek pada metode TVAR
82,10%
79,80% 80,40%
82,10% 82,10%
88 89 90 91 92
ACSPIB
83,90% 83,90% 82,70% 82,10%
79,80%
100 90 80 70 60
ACSPIC
92
Gambar 5.20 Hasil perbandingan ACSP Ic Intra Subjek pada metode TVAR
5.2.1.2.Perbandingan Inter Subjek Tipe 1
Dengan model order terbaik yang didapatkan pada inter subjek, maka model
order tersebut digunakan sebagai parameter untuk inter subjek tipe 1. Gambar 5.21
menunjukkan hasil akurasi ACSP dengan skenario inter subjek tipe 1 menggunakan
model order 90.
Gambar 5.21 Hasil perbandingan ACSP Inter Subjek Tipe 1 pada metode TVAR
5.2.1.3.Perbandingan Inter Subjek Tipe 2
Dengan model order terbaik yang didapatkan pada inter subjek, maka model
order tersebut digunakan sebagai parameter untuk inter subjek tipe 2. Gambar 5.22
menunjukkan hasil akurasi ACSP dengan skenario inter subjek tipe 2 menggunakan
model order 90.
83,90%
82,70%
83,90%
82,10%
83,90%
88 89 90 91 92
ACSPIC
48,40%
52,50% 52,90%52,10%
CSP ACSPIa ACSPIb ACSPIc
DATA
93
Gambar 5.22 Hasil perbandingan ACSP Inter Subjek Tipe 2 pada metode TVAR
5.2.2. SSA
Pada metode SSA akan dilakukan repetisi sebanyak 1 kali hingga 10 kali
repetisi dalam toolbox SSA. Pada bagian ini akan dibagi 3 bagian sesuai dengan
skenario yang telah ditentukan pada bab 3.
5.2.2.1.Perbandingan Intra Subjek
Pada intra subjek ini, akan dibandingkan 4 hasil akurasi intra subjek dari
seluruh metode ACSP. Hasil akurasi intra subjek pada bab 4 akan dibandingkan
sesuai dengan metode.
5.2.2.1.1. Perbandingan CSP
Pada perbandingan CSP untuk metode SSA ini terlihat pada gambar 5.23.
dimana hasil terbaik berada pada repetisi 1 dengan nilai 55.4% dan terendah pada
nilai 48.2%
52,40%
81,50% 80,40% 83%
CSP ACSPIa ACSPIb ACSPIc
AA
94
Gambar 5.23 Hasil perbandingan CSP pada metode SSA dengan repetisi 1 kali
hingga 10 kali
5.2.2.1.2. Perbandingan ACSP Ia
Pada gambar 5.24 terlihat bahwa hasil akurasi pada ACSP Ia tidak terlalu
banyak berubah. Nilai tertinggi pada ACSP Ia didapatkan pada repetisi 10 kali
dengan nilai 77.4% dan nilai terendah didapatkan pada repetisi 8. Hasil akurasi
tersebut tidak terlalu berubah meskipun telah dilakukan repetisi 1 kali hingga 10
kali.
Gambar 5.24 Hasil perbandingan ACSP Ia pada metode SSA dengan repetisi 1
kali hingga 10 kali
55,40%
53,60% 53,60% 53,00% 53,60% 54,80% 54,20%
51,20%
53,00%
48,20%
1 2 3 4 5 6 7 8 9 10
CSP
76,80% 76,80%
75,00%75,60%
75,00%75,60%
76,80%
72,00%
75,60%
77,40%
1 2 3 4 5 6 7 8 9 10
ACSPIA
95
5.2.2.1.3. Perbandingan ACSP Ib
Pada gambar 5.25 terlihat bahwa hasil akurasi pada ACSP Ib tidak terlalu
banyak berubah. Nilai tertinggi pada ACSP Ib didapatkan pada repetisi 8 kali
dengan nilai 77.4% dan nilai terendah didapatkan pada repetisi 1,3,6,7, dan 9
dengan nilai 74%. Hasil akurasi tersebut tidak terlalu berubah meskipun telah
dilakukan repetisi 1 kali hingga 10 kali.
Gambar 5.25 Hasil perbandingan ACSP Ib pada metode SSA dengan repetisi 1
kali hingga 10 kali
5.2.2.1.4. Perbandingan ACSP Ic
Pada gambar 5.26 terlihat bahwa hasil akurasi pada ACSP Ic tidak terlalu
banyak berubah. Nilai tertinggi pada ACSP Ic didapatkan pada repetisi 5 kali
dengan nilai 78% dan nilai terendah didapatkan pada repetisi 1,3 dan 4 dengan nilai
75%. Hasil akurasi tersebut tidak terlalu berubah meskipun telah dilakukan repetisi
1 kali hingga 10 kali.
74,40%
75,00%
74,40%
75,60%
75,00%
74,40% 74,40%
76,20%
74,40%
75,00%
1 2 3 4 5 6 7 8 9 10
ACSPIB
96
Gambar 5.26 Hasil perbandingan ACSP Ic pada metode SSA dengan repetisi 1
kali hingga 10 kali
5.2.2.2.Perbandingan Inter Subjek Tipe 1
Pada inter tipe 1 subjek ini, akan dibandingkan 4 hasil akurasi inter subjek
tipe 1 dari seluruh metode ACSP. Hasil akurasi intra subjek pada bab 4 akan
dibandingkan sesuai dengan metode.
5.2.2.2.1. Perbandingan CSP
Pada gambar 5.27 terlihat bahwa hasil akurasi pada CSP tidak terlalu
banyak berubah. Nilai tertinggi pada CSP didapatkan pada repetisi 8 kali dengan
nilai 56.4% dan nilai terendah didapatkan pada repetisi 1 dengan nilai 46.6%. Hasil
akurasi tersebut tidak terlalu berubah meskipun telah dilakukan repetisi 1 kali
hingga 10 kali.
75,00%
76,80%
75,00% 75,00%
78,00%
75,60% 76,20%
77,40% 76,80%
76,20%
1 2 3 4 5 6 7 8 9 10
ACSPIC
97
Gambar 5.27 Hasil perbandingan CSP Inter Subjek tipe 1 pada metode SSA
dengan repetisi 1 kali hingga 10 kali
5.2.2.2.2. Perbandingan ACSP Ia
Pada gambar 5.28 terlihat bahwa hasil akurasi pada ACSP Ia tidak terlalu
banyak berubah. Nilai tertinggi pada ACSP Ia didapatkan pada repetisi 1 kali
dengan nilai 68.4% dan nilai terendah didapatkan pada repetisi 5 dengan nilai
63.9%. Hasil akurasi tersebut tidak terlalu berubah meskipun telah dilakukan
repetisi 1 kali hingga 10 kali.
Gambar 5.28 Hasil perbandingan ACSP Ia Inter Subjek tipe 1 pada metode SSA
dengan repetisi 1 kali hingga 10 kali
46,60% 53,80% 54,10% 51,80% 49,10%
55,40% 52,30% 56,40% 56,10% 52,00%
1 2 3 4 5 6 7 8 9 10
CSP
68,40%
66,60%
65,00%64,50%
63,90% 64,80% 64,80% 64,50%
66,80%
64,10%
1 2 3 4 5 6 7 8 9 10
ACSPIA
98
5.2.2.2.3. Perbandingan ACSP Ib
Pada gambar 5.29 terlihat bahwa hasil akurasi pada ACSP Ic tidak terlalu
banyak berubah. Nilai tertinggi pada ACSP Ia didapatkan pada repetisi 1 kali
dengan nilai 68.9% dan nilai terendah didapatkan pada repetisi 9 dengan nilai
61.9%. Hasil akurasi tersebut tidak terlalu berubah meskipun telah dilakukan
repetisi 1 kali hingga 10 kali.
Gambar 5.29 Hasil perbandingan ACSP Ib Inter Subjek tipe 1 pada metode SSA
dengan repetisi 1 kali hingga 10 kali
5.2.2.2.4. Perbandingan ACSP Ic
Pada gambar 5.30 terlihat bahwa hasil akurasi pada ACSP Ic tidak terlalu
banyak berubah. Nilai tertinggi pada ACSP Ia didapatkan pada repetisi 1 kali
dengan nilai 69.1% dan nilai terendah didapatkan pada repetisi 5 dengan nilai
63.2%. Hasil akurasi tersebut tidak terlalu berubah meskipun telah dilakukan
repetisi 1 kali hingga 10 kali.
68,90%
66,80%
63,20%
65,00%
62,70%
64,30% 64,50% 64,80%
61,60%
63,60%
1 2 3 4 5 6 7 8 9 10
ACSPIB
99
Gambar 5.30 Hasil perbandingan ACSP Ic Inter Subjek tipe 1 pada metode SSA
dengan repetisi 1 kali hingga 10 kali
5.2.2.3.Perbandingan Inter Subjek Tipe 2
Pada intert subjek tipe 2 subjek ini, akan dibandingkan 4 hasil akurasi inter
subjek tipe 1 dari seluruh metode ACSP. Hasil akurasi intra subjek pada bab 4 akan
dibandingkan sesuai dengan metode.
5.2.2.3.1. Perbandingan CSP
Pada gambar 5.31 terlihat bahwa hasil akurasi pada CSP tidak terlalu
banyak berubah. Nilai tertinggi pada CSP didapatkan pada repetisi 2 kali dengan
nilai 57.7% dan nilai terendah didapatkan pada repetisi 8 dan 9 dengan nilai 52.4%.
Hasil akurasi tersebut tidak terlalu berubah meskipun telah dilakukan repetisi 1 kali
hingga 10 kali.
69,10%
67,00%
64,10% 64,60%
63,20% 64,40%
65,70%
64,30% 63,90% 63,40%
1 2 3 4 5 6 7 8 9 10
ACSPIC
100
Gambar 5.31 Hasil perbandingan CSP Inter Subjek tipe 2 pada metode SSA
dengan repetisi 1 kali hingga 10 kali
5.2.2.3.2. Perbandingan ACSP Ia
Pada gambar 5.32 terlihat bahwa hasil akurasi pada ACSP Ia tidak terlalu
banyak berubah. Nilai tertinggi pada ACSP Ia didapatkan pada repetisi 6 kali
dengan nilai 68.9% dan nilai terendah didapatkan pada repetisi 2 dengan nilai
73.2%. Hasil akurasi tersebut tidak terlalu berubah meskipun telah dilakukan
repetisi 1 kali hingga 10 kali.
Gambar 5.32 Hasil perbandingan ACSP Ia Inter Subjek tipe 2 pada metode SSA
dengan repetisi 1 kali hingga 10 kali
54,80%
57,70%
53,00% 53,00%
55,40%
53,60% 53,60% 52,40% 52,40%
54,20%
1 2 3 4 5 6 7 8 9 10
CSP
75,00%
73,20%
75,60% 75,60%
73,80%
77,40%
75,60% 75,60% 75,60% 75,60%
1 2 3 4 5 6 7 8 9 10
ACSPIA
101
5.2.2.3.3. Perbandingan ACSP Ib
Pada gambar 5.33 terlihat bahwa hasil akurasi pada ACSP Ib tidak terlalu
banyak berubah. Nilai tertinggi pada ACSP Ia didapatkan pada repetisi 8 kali
dengan nilai 78% dan nilai terendah didapatkan pada repetisi 2 dengan nilai 73.2%.
Hasil akurasi tersebut tidak terlalu berubah meskipun telah dilakukan repetisi 1 kali
hingga 10 kali.
Gambar 5.33 Hasil perbandingan ACSP Ic Inter Subjek tipe 2 pada metode SSA
dengan repetisi 1 kali hingga 10 kali
5.2.2.3.4. Perbandingan ACSP Ic
Pada gambar 5.34 terlihat bahwa hasil akurasi pada ACSP Ic tidak terlalu
banyak berubah. Nilai tertinggi pada ACSP Ia didapatkan pada repetisi 4 kali
dengan nilai 78% dan nilai terendah didapatkan pada repetisi 3 dengan nilai 73%.
Hasil akurasi tersebut tidak terlalu berubah meskipun telah dilakukan repetisi 1 kali
hingga 10 kali.
Dari keseluruhan perbandingan yang dibahas pada metode SSA, hasil
repetisi tidak menambah hasil akurasi. Dapat disimpulkan bahwa dengan
menambah repetisi tidak menambah akurasi.
75,00%
73,20%
76,80%
75,60% 75,60% 75,60%
76,80%
78,00% 77,60%
76,20%
1 2 3 4 5 6 7 8 9 10
ACSPIB
102
Gambar 5.34 Hasil perbandingan ACSP Ic Inter Subjek tipe 2 pada metode SSA
dengan repetisi 1 kali hingga 10 kali
5.2.3. Bandpass
Pada metode bandpass akan dilakukan 4 kali percobaan. Keempat
percobaan dilakukan dengan cara merubah jangkauan pemotongan. Jangkauan
pemotongan tersebut dapat dilihat pada tabel 4.22 hingga 4.25. Hasil dari tiap tabel
tersebut akan dibandingkan ditiap percobaan sehingga dapat dilihat jangkaun
terbaik pada metode bandpass.
5.2.3.1.Perbandingan Intra Subjek
Pada bagian intra subjek ini, akan dibandingkan tiap percobaan.
Perbandingan untuk mendapatkan jangkauan pemotongan terbaik sehingga dapat
dibandingkan dengan hasil akurasi dengan menggunakan jangkauan pemotongan 8
Hz - 32 Hz.
5.2.3.1.1. Percobaan 1
Pada percobaan 1 ini akan dibandingkan 4 metode ACSP. Jangkauan
pemotongan pada percobaan satu ini adalah 3 Hz – 37 Hz, 13 Hz – 27 Hz, 8 Hz –
32 Hz dan 18 Hz – 22 Hz. Gambar 5.35 menunjukkan hasil akurasi metode CSP
dimana hasil terbaik berada pada jangkauan pemotongan 13 Hz – 27 Hz dengan
hasil akurasi 58.9%. Gambar 5.36 menunjukkan hasil akurasi metode ACSP Ia
dimana hasil terbaik berada pada jangkauan pemotongan 18 Hz – 22 Hz dengan
75,60% 76,20%
75,00%
78,00%
76,80%
75,60%
77,40%
75,60% 76,20%
75,60%
1 2 3 4 5 6 7 8 9 10
ACSPIC
103
nilai hasil akurasi 98.2%. Gambar 5.37 menunjukkan hasil akurasi metode ACSP
Ib dengan hasil akurasi terbaik berada pada jangkauan pemotongan 18 Hz – 22 Hz
dengan nilai akurasi sebesar 97%. Gambar 5.38 menunjukkan hasil akurasi metode
ACSP Ib dengan hasil akurasi terbaik berada pada jangkauan pemotongan 17 Hz –
23 Hz dengan nilai akurasi sebesar 98.2%.
Gambar 5.35 Percobaan 1 CSP pada metode bandpass
Gambar 5.36 Percobaan 1 ACSP Ia pada metode bandpass
56,50%
58,90%
56%
50,50%
18Hz- 22Hz 13Hz- 27Hz 8Hz– 32Hz 3Hz- 37Hz
CSP
98,20%
95,20% 95,80%
95,20%
18Hz- 22Hz 13Hz- 27Hz 8Hz– 32Hz 3Hz- 37Hz
ACSPIA
104
Gambar 5.37 Percobaan 1 ACSP Ib pada metode bandpass
Gambar 5.38 Percobaan 1 ACSP Ic pada metode bandpass
5.2.3.1.2. Percobaan 2
Pada percobaan 2 ini akan dibandingkan 4 metode ACSP. Jangkauan
pemotongan pada percobaan satu ini adalah 15 Hz – 25 Hz, 16 Hz – 24 Hz, 17 Hz
- 23 Hz, 18 Hz – 22 Hz dan 19 Hz – 21 Hz. Gambar 5.39 menunjukkan hasil akurasi
metode CSP dimana hasil terbaik berada pada jangkauan pemotongan 18 Hz – 22
Hz dengan hasil akurasi 56.5%. Gambar 5.40 menunjukkan hasil akurasi metode
ACSP Ia dimana hasil terbaik berada pada jangkauan pemotongan 17 Hz – 23 Hz
97,00%
95,20%
96,40%
94,60%
18Hz- 22Hz 13Hz- 27Hz 8Hz– 32Hz 3Hz- 37Hz
ACSPIB
97,00%
94,60% 95,20% 95,20%
18Hz- 22Hz 13Hz- 27Hz 8Hz– 32Hz 3Hz- 37Hz
ACSPIC
105
dengan nilai hasil akurasi 98.8%. Gambar 5.41 menunjukkan hasil akurasi metode
ACSP Ib dengan hasil akurasi terbaik berada pada jangkauan pemotongan 17 Hz –
23 Hz dengan nilai akurasi sebesar 99%. Gambar 5.42 menunjukkan hasil akurasi
metode ACSP Ib dengan hasil akurasi terbaik berada pada jangkauan pemotongan
17 Hz – 23 Hz dengan nilai akurasi sebesar 98.2%
Gambar 5.39 Percobaan 2 CSP pada metode bandpass
Gambar 5.40 Percobaan 2 ACSP Ia pada metode bandpass
50,60% 51,20%
52,40%
54,20%
51,20%
15Hz– 25Hz 16Hz– 24Hz 17Hz– 23Hz 18Hz- 22Hz 19Hz– 21Hz
CSP
95,20%
97%
98,80% 98,20%
96,40%
15Hz– 25Hz 16Hz– 24Hz 17Hz– 23Hz 18Hz- 22Hz 19Hz– 21Hz
ACSPIA
106
Gambar 5.41 Percobaan 2 ACSP Ib pada metode bandpass
Gambar 5.42 Percobaan 2 ACSP Ib pada metode bandpass
5.2.3.1.3. Percobaan 3
Pada percobaan 3 ini akan dibandingkan 4 metode ACSP. Jangkauan
pemotongan ini sebanyak 10 jangkauan. Berdasarkan hasil rata-rata dari tabel 4.24
maka jangkauan 17 Hz – 28 Hz memiliki hasil terbaik dari keseluruhan percobaan
3.
94,60%
96,40%
99%
97,00%97,60%
15Hz– 25Hz 16Hz– 24Hz 17Hz– 23Hz 18Hz- 22Hz 19Hz– 21Hz
ACSPIB
95,20%
96,40%
98,20%
97,00% 97%
15Hz– 25Hz 16Hz– 24Hz 17Hz– 23Hz 18Hz- 22Hz 19Hz– 21Hz
ACSPIC
107
Gambar 5.43 Percobaan 2 CSP pada metode bandpass
Gambar 5.44 Percobaan 3 ACSP Ia pada metode bandpass
52,40% 48,80% 50,60% 56,50% 58,90% 58,30% 57,70% 59,50% 56% 59,30%
17Hz–23Hz
17Hz–24Hz
17Hz–25Hz
17Hz–26Hz
17Hz–27Hz
17Hz–28Hz
17Hz–29Hz
17Hz–30Hz
17Hz–31Hz
17Hz–32Hz
CSP
98,20%
72%
97% 95,80% 97% 97% 95,20% 95,20% 94,60% 95,20%
17Hz–23Hz
17Hz–24Hz
17Hz–25Hz
17Hz–26Hz
17Hz–27Hz
17Hz–28Hz
17Hz–29Hz
17Hz–30Hz
17Hz–31Hz
17Hz–32Hz
ACPSIA
108
Gambar 5.45 Percobaan 3 ACSP Ib pada metode bandpass
Gambar 5.46 Percobaan 3 ACSP Ic pada metode bandpass
5.2.3.1.4. Percobaan 4
Pada percobaan 4 ini akan dibandingkan 4 metode ACSP. Jangkauan
pemotongan pada percobaan 4 sebanyak 10 jangkauan. Berdasarkan hasil rata-rata
dari tabel 4.25 maka jangkauan 9 Hz – 28 Hz memiliki hasil terbaik dari
keseluruhan percobaan 4.
98,80%
74,40%
96,40% 95,80% 97% 97,60% 95,20% 95,20% 94% 94%
17Hz–23Hz
17Hz–24Hz
17Hz–25Hz
17Hz–26Hz
17Hz–27Hz
17Hz–28Hz
17Hz–29Hz
17Hz–30Hz
17Hz–31Hz
17Hz–32Hz
ACSPIB
98,20%
74,40%
97,60% 95,80% 97% 97,60% 96,40% 95,80% 94% 95,20%
17Hz–23Hz
17Hz–24Hz
17Hz–25Hz
17Hz–26Hz
17Hz–27Hz
17Hz–28Hz
17Hz–29Hz
17Hz–30Hz
17Hz–31Hz
17Hz–32Hz
ACSPIC
109
Gambar 5.47 Percobaan 4 CSP pada metode bandpass
Gambar 5.48 Percobaan 4 ACSP Ia pada metode bandpass
60%
62,50% 63,10%
58,90%
61,90%
64,30%
60,10% 60,10% 58,90%
58,30%
8Hz–28Hz
9Hz–28Hz
10Hz–28Hz
11Hz–28Hz
12Hz–28Hz
13Hz–28Hz
14Hz–28Hz
15Hz–28Hz
16Hz–28Hz
17Hz–28Hz
CSP
97,60% 98%
96,40%
93,50%
95,20%
92,90%
97,00%96%
97,00% 97%
8Hz–28Hz
9Hz–28Hz
10Hz–28Hz
11Hz–28Hz
12Hz–28Hz
13Hz–28Hz
14Hz–28Hz
15Hz–28Hz
16Hz–28Hz
17Hz–28Hz
ACSPIA
110
Gambar 5.49 Percobaan 4 ACSP Ib pada metode bandpass
Gambar 5.50 Percobaan 4 ACSP Ic pada metode bandpass
5.2.3.2.Perbandingan Inter Subjek Tipe 1
Dengan jangkauan pemotongan terbaik yang didapatkan pada inter subjek,
maka parameter tersebut digunakan sebagai parameter untuk inter subjek tipe 1.
Gambar 5.51 menunjukkan hasil akurasi ACSP dengan skenario inter subjek tipe 1
menggunakan parameter 9 Hz – 28 Hz.
98,20% 97,60%
96,40%
95%
95,80%
94,00%
95,80%
97,00%96,40%
97,60%
8Hz–28Hz
9Hz–28Hz
10Hz–28Hz
11Hz–28Hz
12Hz–28Hz
13Hz–28Hz
14Hz–28Hz
15Hz–28Hz
16Hz–28Hz
17Hz–28Hz
ACSPIB
97,60% 96,40%
97,60%
95,80% 95,20%
92,90%
95,80%
98,20%
96,40% 97,60%
8Hz–28Hz
9Hz–28Hz
10Hz–28Hz
11Hz–28Hz
12Hz–28Hz
13Hz–28Hz
14Hz–28Hz
15Hz–28Hz
16Hz–28Hz
17Hz–28Hz
ACSPIC
111
Gambar 5.51 Hasil ACSP Inter Subjek tipe 2 menggunakan parameter 9 Hz – 28 Hz
5.2.3.3.Perbandingan Inter Subjek Tipe 2
Dengan jangkauan pemotongan terbaik yang didapatkan pada inter subjek,
maka parameter tersebut digunakan sebagai parameter untuk inter subjek tipe 2.
Gambar 5.52 menunjukkan hasil akurasi ACSP dengan skenario inter subjek tipe 2
menggunakan parameter 9 Hz – 28 Hz.
Gambar 5.52 Hasil ACSP Inter Subjek tipe 2 menggunakan parameter 9 Hz – 28 Hz
70,90%
48,20% 50% 49,50%
CSP ACPSIa ACSPIb ACSPIc
DATA
60,70%
97,60% 97,60% 97,60%
CSP ACPSIa ACSPIb ACSPIc
AA
112
5.3.Perbandingan keseluruhan
Tabel 5.1 menjelaskan hasil klasifikasi sebelum dilakukan optimasi. Tabel
5.2 menjelaskan hasil klasifikasi sesudah dioptimasi. Gambar 5.56 menjelaskan
grafik gabungan antara hasil klasifikasi sebelum dan sesudah dilakukan optimasi.
Gambar 5.56 menjelaskan bahwa hasil terbaik dari keseluruhan penelitian ini
metode bandpass filtering adalah metode terbaik yang dapat digunakan sebagai
masukan metode ACSP.
Tabel 5.1 Hasil klasifikasi sebelum dioptimasi
tanpa SSA TVAR BP
Intra Subjek 67.55% 70.53% 75.30% 86%
Inter Subjek
tipe 1 56.03% 57.65% 51.48% 52.73%
Inter Subjek
tipe 2 67.55% 69.20% 74.33% 86.28%
Hasil 63.71% 65.79% 67.03% 74.95%
Tabel 5.2 Hasil klasifikasi sesudah dioptimasi
SSA TVAR BP
Intra subjek 69.95% 75.30% 89%
inter subjek tipe 1 61.90% 51.48% 54.65%
inter subjek tipe 2 70.39% 74.33% 88.38%
hasil 67.41% 67.03% 77.34%
113
Gambar 5.53 grafik keseluruhan dari hasil sebelum dan sesudah optimasi
63,71% 65,79%
67,03%
74,95%
67,41% 67,03%
77,34%
60,00%62,00%
64,00% 66,00%68,00%70,00%72,00%
74,00% 76,00%78,00%80,00%
tanpa SSA TVAR BP
GrafikAkurasisebelumdansesudahoptimasi
Sebelum Sesudah
114
Halaman ini sengaja dikosongkan
115
BAB 6
KESIMPULAN
Dalam bab ini dijelaskan kesimpulan dari hasil uji coba dan analisis hasil
yang dilakukan sesuai dengan skenario uji coba. Setelah penelitian ini dilaksanakan
maka berikut kesimpulan yang didapatkan:
a. Berdasarkan hasil penelitian yang telah dilakukan dengan menggunakan
ketiga metode yaitu TVAR, SSA dan Bandpass Filtering dapat disimpulkan
bahwa dibutuhkan praproses data sebelum dilakukan perhitungan
menggunakan metode ACSP. Hasil penelitian tersebut menunjukkan bahwa
hasil akurasi terbaik diperoleh dengan menggunakan metode Bandpass
Filtering dibandingkan kedua metode lainnya dengan hasil akurasi sebesar
74.95%
b. Selanjutnya dengan menggunakan metode bandpass dilakukan percobaan
dengan mengubah jangkauan potong sinyal yang digunakan untuk
mengoptimasi hasil akurasi dari metode tersebut. Dengan percobaan
tersebut parameter terbaik untuk mengoptimasi metode bandpass berada
pada jangkauan potong sinyal 9 Hz – 28 Hz dengan tingkat akurasi sebesar
77.34%.
116
Halaman ini sengaja dikosongkan
117
DAFTAR PUSTAKA
Abdulkader, S.N., Atia, A., Mostafa, M.-S.M., 2015. Brain computer interfacing: Applications and challenges. Egypt. Inform. J. 16, 213–230. http://dx.doi.org/10.1016/j.eij.2015.06.002
Bronzino, J. (Ed.), 1999. The Biomedical Engineering Handbook, Second Edition. 2 Volume Set, Electrical Engineering Handbook. CRC Press.
Graimann, B., Allison, B.Z., Pfurtscheller, G., 2010. Brain-Computer Interfaces: Revolutionizing Human-Computer Interaction. Springer Science & Business Media.
Gunawan, D., Filbert Himan Juwono, 2012. Pengolahan Sinyal Digital dengan Pemograman Matlab, First. ed. Graha Ilmu, Yogyakarta.
Gutiérrez, D., Salazar-Varas, R., 2012. Using eigenstructure decompositions of time-varying autoregressions in common spatial patterns-based EEG signal classification. Biomed. Signal Process. Control, Biomedical Image Restoration and Enhancement 7, 622–631. https://doi.org/10.1016/j.bspc.2012.03.004
Gutiérrez, D., Salazar-Varas, R., 2011. EEG signal classification using time-varying autoregressive models and common spatial patterns. Conf. Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. IEEE Eng. Med. Biol. Soc. Annu. Conf. 2011, 6585–6588. https://doi.org/10.1109/IEMBS.2011.6091624
Han, J., Kamber, M., 2011. Data mining: concepts and techniques, 3rd ed. ed. Elsevier, Burlington, MA.
Huang, D., Guan, C., Ang, K.K., Zhang, H., Pan, Y., 2012. Asymmetric spatial pattern for EEG-based emotion detection, in: Neural Networks (IJCNN), The 2012 International Joint Conference On. IEEE, pp. 1–7.
Jain, A., Kim, I., Gluckman, B.J., 2011. Low cost electroencephalographic acquisition amplifier to serve as teaching and research tool. Conf. Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. IEEE Eng. Med. Biol. Soc. Annu. Conf. 2011, 1888–1891. https://doi.org/10.1109/IEMBS.2011.6090535
Krystal, A.D., Prado, R., West, M., 1999. New methods of time series analysis of non-stationary EEG data: eigenstructure decompositions of time varying autoregressions. Clin. Neurophysiol. Off. J. Int. Fed. Clin. Neurophysiol. 110, 2197–2206.
Li, Y., Guan, C., 2006. An extended EM algorithm for joint feature extraction and classification in brain-computer interfaces. Neural Comput. 18, 2730–2761.
Li, Y., Luo, M.-L., Li, K., 2016. A multiwavelet-based time-varying model identification approach for time–frequency analysis of EEG signals. Neurocomputing 193, 106–114. https://doi.org/10.1016/j.neucom.2016.01.062
Müller-Gerking, J., Pfurtscheller, G., Flyvbjerg, H., 1999. Designing optimal spatial filters for single-trial {EEG} classification in a movement task. Clin.
118
Neurophysiol. 110, 787–798. http://dx.doi.org/10.1016/S1388-2457(98)00038-8
Pfurtscheller, G., Neuper, C., 2001. Motor imagery and direct brain-computer communication. Proc. IEEE 89, 1123–1134.
Prado, R., 1998. Latent structure in non-stationary time series. Duke University Durham, NC.
Ramoser, H., Müller-Gerking, J., Pfurtscheller, G., 2000. Optimal spatial filtering of single trial EEG during imagined hand movement. IEEE Trans. Rehabil. Eng. Publ. IEEE Eng. Med. Biol. Soc. 8, 441–446.
Samek, W., Muller, K.-R., Kawanabe, M., Vidaurre, C., 2012. Brain-computer interfacing in discriminative and stationary subspaces. Conf. Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. IEEE Eng. Med. Biol. Soc. Annu. Conf. 2012, 2873–2876. https://doi.org/10.1109/EMBC.2012.6346563
Sanei, S., Chambers, J., 2007. EEG signal processing. John Wiley & Sons, Chichester, England; Hoboken, NJ.
Song, X., Yoon, S.-C., 2015. Improving brain-computer interface classification using adaptive common spatial patterns. Comput. Biol. Med. 61, 150–160. https://doi.org/10.1016/j.compbiomed.2015.03.023
Song, X., Yoon, S.-C., Perera, V., 2013. Adaptive common spatial pattern for single-trial EEG classification in multisubject BCI, in: Neural Engineering (NER), 2013 6th International IEEE/EMBS Conference On. IEEE, pp. 411–414.
Steven W. Smith, n.d. The Scientist and Engineer’s Guide to Digital Signal Processing.
Sun, S., Zhang, C., 2006. Adaptive feature extraction for EEG signal classification. Med. Biol. Eng. Comput. 44, 931–935. https://doi.org/10.1007/s11517-006-0107-4
Sun, S., Zhou, J., 2014. A review of adaptive feature extraction and classification methods for EEG-based brain-computer interfaces, in: 2014 International Joint Conference on Neural Networks (IJCNN). Presented at the 2014 International Joint Conference on Neural Networks (IJCNN), pp. 1746–1753. https://doi.org/10.1109/IJCNN.2014.6889525
von Bunau, P., Meinecke, F.C., Scholler, S., Muller, K.-R., 2010. Finding stationary brain sources in EEG data. Conf. Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. IEEE Eng. Med. Biol. Soc. Annu. Conf. 2010, 2810–2813. https://doi.org/10.1109/IEMBS.2010.5626537
Wang, Y., Gao, S., Gao, X., 2005. Common Spatial Pattern Method for Channel Selelction in Motor Imagery Based Brain-computer Interface, in: 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference. Presented at the 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference, pp. 5392–5395. https://doi.org/10.1109/IEMBS.2005.1615701
Wolpaw, J.R., Birbaumer, N., McFarland, D.J., Pfurtscheller, G., Vaughan, T.M., 2002. Brain-computer interfaces for communication and control. Clin. Neurophysiol. Off. J. Int. Fed. Clin. Neurophysiol. 113, 767–791.
119
LAMPIRAN A. Sumber kode ACSP Intra-subjek
Pada lampiran ini akan melampirkan sumber kode dari metode ACSP intra
subjek.
data = 0.1*double(aa'); marker = vertcat(mrk.pos,mrk.y)'; trial_kelas1 = 0; trial_kelas2 = 0; trialnan = 0; % pisah data for i = 1:280 if i == 280 E{i} = data(:,mrk.pos(280):end); else E{i} = data(:,mrk.pos(i):mrk.pos(i+1)); end end kelas1 = []; kelas2 = []; for i = 1:280 if marker(i,2) == 1 trial_kelas1 = trial_kelas1 +1; kelas1 = horzcat(kelas1,E{i}); elseif marker (i,2)==2 trial_kelas2 = trial_kelas2 +1; kelas2 = horzcat(kelas2,E{i}); end end jumlah2kelas = trial_kelas1+trial_kelas2; [w,R] = CSP(kelas1,kelas2); ZJ = 0; for i = 1:jumlah2kelas ZJclass{i} = w*E{i}; dataZj{i} = var([ZJclass{i}(1,:),ZJclass{i}(118,:)]); ZJ = ZJ+dataZj{i}; end Xr1class = 0; Xr2class = 0; for j = 1: jumlah2kelas for i =1:118 Zr{j,i} = var(ZJclass{1,j}(i,:)); Xr{j,i} = log(Zr{j,i}/ZJ); if marker(i,2) == 1 Xr1{j,i} = log(Zr{j,i})/ZJ;
120
Xr1class = Xr1class+Xr1{j,i} ; elseif marker(i,2) == 2 Xr2{j,i} = log(Zr{j,i})/ZJ; Xr2class = Xr2class+Xr2{j,i} ; end end end [a,b]=size(Xr); for i = 1:a for j = 1:b XR(i,j) = Xr{i,j}; end end for i = jumlah2kelas+1 : 280 % %%% hitung cov 3 cov3 = E{i}*E{i}'/trace(E{i}*E{i}'); %%%%%% ACSP IA %%%%% SigmaIB1 = Xr1class/(Xr1class+Xr2class); SigmaIB2 = Xr2class/(Xr1class+Xr2class); Cov1IA = 1/(trial_kelas1+1)*(SigmaIB1*cov3+trial_kelas1*R{1,1}); Cov2IA = 1/(trial_kelas2+1)*(SigmaIB2*cov3+trial_kelas2*R{1,2}); CtbaruIA = Cov1IA + Cov2IA; XRIA = coba(CtbaruIA,R,jumlah2kelas,E); % %%%%%%%%%%% ACSP IA %%%%%%%% % % %%%%%%%%%%% ACSP IB %%%%%%%% KLD1 = KLDiv(cov3,R{1,1}); KLD2 = KLDiv(cov3,R{1,2}); SigmaIB1 = 1-(KLD1/(KLD1+KLD2)); SigmaIB2 = 1-(KLD1/(KLD1+KLD2)); Cov1IB = 1/(trial_kelas1+1)*(SigmaIB1*cov3+trial_kelas1*R{1,1}); Cov2IB = 1/(trial_kelas2+1)*(SigmaIB2*cov3+trial_kelas2*R{1,2}); CtbaruIB = Cov1IB + Cov2IB; XRIB = coba(CtbaruIB,R,jumlah2kelas,E); % %%%%%%%%%%% ACSP IB %%%%%%%% % % %%%%%%%%%%% ACSP IC %%%%%%%% SigmaIA1IC = norm([cov3,R{1,1}],'fro')/(norm([cov3,R{1,1}],'fro')+norm([cov3,R{1,2}],'fro')); SigmaIA2IC = norm([cov3,R{1,2}],'fro')/(norm([cov3,R{1,1}],'fro')+norm([cov3,R{1,2}],'fro'));
121
Cov1IC = 1/(trial_kelas1+1)*(SigmaIA1IC*cov3+trial_kelas1*R{1,1}); Cov2IC = 1/(trial_kelas2+1)*(SigmaIA2IC*cov3+trial_kelas2*R{1,2}); CtbaruIC = Cov1IC + Cov2IC; XRIC = coba (CtbaruIC,R,jumlah2kelas,E); % %%%%%%%%%%% ACSP IC %%%%%%%% end %%%% membuat fitur menjadi tabel dan grup kelas %%%% fiturXR = array2table(XR); fiturXR.Group = mrk.y(1:jumlah2kelas)'; fiturXRIA= array2table(XRIA); fiturXRIA.Group = mrk.y(1:jumlah2kelas)'; fiturXRIB= array2table(XRIB); fiturXRIB.Group = mrk.y(1:jumlah2kelas)'; fiturXRIC= array2table(XRIC); fiturXRIC.Group = mrk.y(1:jumlah2kelas)'; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
122
B. Sumber Kode ACSP Inter-subjek 1
Pada lampiran ini akan melampirkan sumber kode dari metode ACSP intra
subjek tipe 1. for o = 1:5 for i = 1:280 if i == 280 E{o,i} = 0.1*double(data{o}(:,mrk{1,o}.pos(280):end)); else E{o,i} = 0.1*double(data{o}(:,mrk{1,o}.pos(i):mrk{1,o}.pos(i+1))); end end trial1 = 0; trial2 = 0; for i =1:280 if mrk{1,o}.y(i) == 1 trial1 = trial1+1; elseif mrk{1,o}.y(i) == 2 trial2 = trial2+1; end kelas1{o} = trial1; kelas2{o} = trial2; end jumlahkelas{o} = kelas1{o} + kelas2{o} ; end marker = [mrk{1,1}.y(1:168),mrk{1,2}.y(1:224),mrk{1,3}.y(1:84),mrk{1,4}.y(1:56),mrk{1,5}.y(1:28)]; dataKelas = []; dataNan = []; trial_kelas1 = 0; trial_kelas2 = 0; dataKelas1 = []; dataKelas2 = []; for baris = 1:5 for kolom = 1:280 if mrk{1,baris}.y(kolom) == 1 dataKelas = horzcat(dataKelas,E(baris,kolom)); trial_kelas1 = trial_kelas1 +1; dataKelas1 = horzcat(dataKelas1,E{baris,kolom}); elseif mrk{1,baris}.y(kolom) == 2 dataKelas = horzcat(dataKelas,E(baris,kolom)); trial_kelas2 = trial_kelas2 +1; dataKelas2 = horzcat(dataKelas2,E{baris,kolom}); else dataNan = horzcat(dataNan,E(baris,kolom)); end end end
123
[w,R] = CSP(dataKelas1,dataKelas2); ZJ = 0; for i = 1:560 ZJclass{i} = w*dataKelas{i}; dataZj{i} = var([ZJclass{i}(1,:),ZJclass{i}(118,:)]); ZJ = ZJ+dataZj{i}; end Xr1class = 0; Xr2class = 0; for j = 1: 560 for i =1:118 Zr{j,i} = var(ZJclass{1,j}(i,:)); Xr{j,i} = log(Zr{j,i}/ZJ); if marker(j) == 1 Xr1{j,i} = log(Zr{j,i})/ZJ; Xr1class = Xr1class+Xr1{j,i} ; elseif marker(j) == 2 Xr2{j,i} = log(Zr{j,i})/ZJ; Xr2class = Xr2class+Xr2{j,i} ; end end end [a,b]=size(Xr); for i = 1:a for j = 1:b XR(i,j) = Xr{i,j}; end end for i = 1 : 840 %%% hitung cov 3 cov3 = dataNan{i}*dataNan{i}'/trace(dataNan{i}*dataNan{i}'); %%%%%% ACSP IA %%%%% SigmaIB1 = Xr1class/(Xr1class+Xr2class); SigmaIB2 = Xr2class/(Xr1class+Xr2class); Cov1IA = 1/(trial_kelas1+1)*(SigmaIB1*cov3+trial_kelas1*R{1,1}); Cov2IA = 1/(trial_kelas2+1)*(SigmaIB2*cov3+trial_kelas2*R{1,2}); CtbaruIA = Cov1IA + Cov2IA; XRIA = coba(CtbaruIA,R,560,dataKelas); %%%%%%%%%%% ACSP IA %%%%%%%% %%%%%%%%%%% ACSP IB %%%%%%%%
124
KLD1 = KLDiv(cov3,R{1,1}); KLD2 = KLDiv(cov3,R{1,2}); SigmaIB1 = 1-(KLD1/(KLD1+KLD2)); SigmaIB2 = 1-(KLD1/(KLD1+KLD2)); Cov1IB = 1/(trial_kelas1+1)*(SigmaIB1*cov3+trial_kelas1*R{1,1}); Cov2IB = 1/(trial_kelas2+1)*(SigmaIB2*cov3+trial_kelas2*R{1,2}); CtbaruIB = Cov1IB + Cov2IB; XRIB = coba(CtbaruIB,R,560,dataKelas); %%%%%%%%%%% ACSP IB %%%%%%%% %%%%%%%%%%% ACSP IC %%%%%%%% SigmaIA1IC = norm([cov3,R{1,1}],'fro')/(norm([cov3,R{1,1}],'fro')+norm([cov3,R{1,2}],'fro')); SigmaIA2IC = norm([cov3,R{1,2}],'fro')/(norm([cov3,R{1,1}],'fro')+norm([cov3,R{1,2}],'fro')); Cov1IC = 1/(trial_kelas1+1)*(SigmaIA1IC*cov3+trial_kelas1*R{1,1}); Cov2IC = 1/(trial_kelas2+1)*(SigmaIA2IC*cov3+trial_kelas2*R{1,2}); CtbaruIC = Cov1IC + Cov2IC; XRIC = coba(CtbaruIC,R,560,dataKelas); %%%%%%%%%%% ACSP IC %%%%%%%% end fiturXR = array2table(XR); fiturXR.Group = marker(1:560)'; fiturXRIA= array2table(XRIA); fiturXRIA.Group = marker(1:560)'; fiturXRIB= array2table(XRIB); fiturXRIB.Group = marker(1:560)'; fiturXRIC= array2table(XRIC); fiturXRIC.Group = marker(1:560)';
125
C. Sumber Kode ACSP Inter-subjek 2
Pada lampiran ini akan melampirkan sumber kode dari metode ACSP intra
subjek tipe 2.
data = 0.1*double(ay'); marker = vertcat(mrkay.pos,mrkay.y)'; trial_kelas1 = 0; trial_kelas2 = 0; trialnan = 0; % pisah data for i = 1:280 if i == 280 E{i} = data(:,mrkay.pos(280):end); else E{i} = data(:,mrkay.pos(i):mrkay.pos(i+1)); end end % kelas1 = []; kelas2 = []; for i = 1:280 if marker(i,2) == 1 trial_kelas1 = trial_kelas1 +1; kelas1 = horzcat(kelas1,E{i}); elseif marker (i,2)==2 trial_kelas2 = trial_kelas2 +1; kelas2 = horzcat(kelas2,E{i}); end end jumlah2kelas = trial_kelas1+trial_kelas2; [w,R] = CSP(kelas1,kelas2); ZJ = 0; for i = 1:jumlah2kelas ZJclass{i} = w*E{i}; dataZj{i} = var([ZJclass{i}(1,:),ZJclass{i}(118,:)]); ZJ = ZJ+dataZj{i}; end Xr1class = 0; Xr2class = 0; for j = 1: jumlah2kelas for i =1:118 Zr{j,i} = var(ZJclass{1,j}(i,:)); Xr{j,i} = log(Zr{j,i}/ZJ); if marker(i,2) == 1
126
Xr1{j,i} = log(Zr{j,i})/ZJ; Xr1class = Xr1class+Xr1{j,i} ; elseif marker(i,2) == 2 Xr2{j,i} = log(Zr{j,i})/ZJ; Xr2class = Xr2class+Xr2{j,i} ; end end end [a,b]=size(Xr); for i = 1:a for j = 1:b XR(i,j) = Xr{i,j}; end end % markerbaru = [mrk{1,1}.y(1:168),mrk{1,2}.y(1:224),mrk{1,3}.y(1:84),mrk{1,4}.y(1:56),mrk{1,5}.y(1:28)]; dataNan = []; % trial_kelas1 = 0; % trial_kelas2 = 0; for baris = 1:5 for i = 1:280 if i == 280 EBaru {baris,i} = databaru{baris}(:,mrkbaru{1,baris}.pos(280):end); else % E{i} = data(:,mrk.pos(i)+1:mrk.pos(i+1)); EBaru{baris,i} = databaru{baris}(:,mrkbaru{1,baris}.pos(i):mrkbaru{1,baris}.pos(i+1)); end end for kolom = 1:280 if mrkbaru{1,baris}.y(kolom) == 1 % dataKelas = horzcat(dataKelas,E(baris,kolom)); % trial_kelas1 = trial_kelas1 +1; elseif mrkbaru{1,baris}.y(kolom) == 2 % dataKelas = horzcat(dataKelas,E(baris,kolom)); % trial_kelas2 = trial_kelas2 +1; else dataNan = horzcat(dataNan,EBaru(baris,kolom)); end end end
127
for i = 1 : 840 %%% hitung cov 3 dataNan{i} = 0.1*double(dataNan{i}); cov3 = dataNan{i}*dataNan{i}'/trace(dataNan{i}*dataNan{i}'); %%%%%% ACSP IA %%%%% SigmaIB1 = Xr1class/(Xr1class+Xr2class); SigmaIB2 = Xr2class/(Xr1class+Xr2class); Cov1IA = 1/(trial_kelas1+1)*(SigmaIB1*cov3+trial_kelas1*R{1,1}); Cov2IA = 1/(trial_kelas2+1)*(SigmaIB2*cov3+trial_kelas2*R{1,2}); CtbaruIA = Cov1IA + Cov2IA; XRIA = coba(CtbaruIA,R,jumlah2kelas,E); %%%%%%%%%%% ACSP IA %%%%%%%% %%%%%%%%%%% ACSP IB %%%%%%%% KLD1 = KLDiv(cov3,R{1,1}); KLD2 = KLDiv(cov3,R{1,2}); SigmaIB1 = 1-(KLD1/(KLD1+KLD2)); SigmaIB2 = 1-(KLD1/(KLD1+KLD2)); Cov1IB = 1/(trial_kelas1+1)*(SigmaIB1*cov3+trial_kelas1*R{1,1}); Cov2IB = 1/(trial_kelas2+1)*(SigmaIB2*cov3+trial_kelas2*R{1,2}); CtbaruIB = Cov1IB + Cov2IB; XRIB = coba(CtbaruIB,R,jumlah2kelas,E); %%%%%%%%%%% ACSP IB %%%%%%%% %%%%%%%%%%% ACSP IC %%%%%%%% SigmaIA1IC = norm([cov3,R{1,1}],'fro')/(norm([cov3,R{1,1}],'fro')+norm([cov3,R{1,2}],'fro')); SigmaIA2IC = norm([cov3,R{1,2}],'fro')/(norm([cov3,R{1,1}],'fro')+norm([cov3,R{1,2}],'fro')); Cov1IC = 1/(trial_kelas1+1)*(SigmaIA1IC*cov3+trial_kelas1*R{1,1}); Cov2IC = 1/(trial_kelas2+1)*(SigmaIA2IC*cov3+trial_kelas2*R{1,2}); CtbaruIC = Cov1IC + Cov2IC; XRIC = coba(CtbaruIC,R,jumlah2kelas,E); %%%%%%%%%%% ACSP IC %%%%%%%% end fiturXR= array2table(XR); fiturXR.Group = mrkay.y(1:jumlah2kelas)'; fiturXRIA= array2table(XRIA); fiturXRIA.Group = mrkay.y(1:jumlah2kelas)';
128
fiturXRIB= array2table(XRIB); fiturXRIB.Group = mrkay.y(1:jumlah2kelas)'; fiturXRIC= array2table(XRIC); fiturXRIC.Group = mrkay.y(1:jumlah2kelas)';
129
D. Confusion Matrix dan Kurva ROC dari Hasil klasifikasi Tanpa Menggunakan Praproses
Pada lampiran d ini akan menjelaskan Confusion Matrix dan hasil kurva
ROC dari bagian bab 4.4.1.1.
1. Intra subjek Berikut ini dilampirkan seluruh hasil Confusion Matrix dari perhitungan
ACSP inter subjek berdasarkan hasil akurasi pada tabel 4.3. Hasil confusion matrix
tersebut disusun berdasarkan data tiap subjek. Tabel d.1 adalah data AA. Tabel d.2
adalah data AL. Tabel d.3 adalah data AV. Tabel d.2 adalah data AW. Tabel d.5
adalah data AY.
Tabel D.1 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Intra Subjek dengan data AA
AA ACSP Confusion Matrix ROC Curve
CSP
TP = 24 FN = 56 FP = 30 TN = 58
TRP = 30% FPR = 34% TNR = 66% FNR = 70% PPV = 44% FDR = 56% NPV =51% FOR = 49%
AUC Class 1 = 0.5 AUC Class 2 = 0.5
ACSP iA
TP = 55 FN = 25 FP = 19 TN = 69
TRP = 69% FPR = 22% TNR = 78% FNR = 31% PPV = 74% FDR = 26% NPV =73% FOR = 27%
AUC Class 1 = 0.83 AUC Class 2 = 0.83
ACSP iB
TP = 51 FN = 29 FP = 19 TN = 69
TRP = 62% FNR = 36% TNR = 78% FPR = 22% PPV = 73% NPV =70% FDR = 27% FOR = 30%
AUC Class 1 = 0.81 AUC Class 2 = 0.81
ACSP ib
TP = 55 FN = 25 FP = 15 TN = 73
TRP = 69% FNR = 31% TNR = 83% FPR = 17% PPV = 79% NPV =74% FDR = 21% FOR = 26%
AUC Class 1 = 0.82 AUC Class 2 = 0.82
Tabel D.2 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Intra
Subjek dengan data AL AL
ACSP Confusion Matrix ROC Curve
CSP
TP = 52 FN = 60 FP = 69 TN = 43
TRP = 90% FNR = 10% TNR = 85% FPR = 15% PPV = 86% NPV =90% FDR = 14% FOR = 10%
AUC Class 1 = 0.40 AUC Class 2 = 0.40
ACSP iA TP = 101 FN = 11
TRP = 30% FNR = 70% TNR = 66% FPR = 34%
AUC Class 1 = 0.96
130
AL ACSP Confusion Matrix ROC Curve
FP = 17 TN = 95
PPV = 44% NPV =51% FDR = 66% FOR = 49%
AUC Class 2 = 0.96
ACSP iB
TP = 99 FN = 13 FP = 95 TN = 17
TRP = 88% FNR = 12% TNR = 85% FPR = 15% PPV = 85% NPV =88% FDR = 15% FOR = 12%
AUC Class 1 = 0.95 AUC Class 2 = 0.95
ACSP ib
TP = 97 FN = 15 FP = 17 TN = 95
TRP = 87% FNR = 13% TNR = 85% FPR = 15% PPV = 85% NPV =86% FDR = 15% FOR = 14%
AUC Class 1 = 0.95 AUC Class 2 = 0.95
Tabel D.3 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Intra Subjek dengan data AV
AV ACSP Confusion Matrix ROC Curve
CSP
TP = 26 FN = 16 FP = 23 TN = 19
TRP = 62% FNR = 38% TNR = 45% FPR = 55% PPV = 83% NPV =89% FDR = 17% FOR = 11%
AUC Class 1 = 0.95 AUC Class 2 = 0.95
ACSP iA
TP = 38 FN = 4 FP = 8 TN = 34
TRP = 90% FNR = 10% TNR = 81% FPR = 19% PPV = 44% NPV =51% FDR = 66% FOR = 49%
AUC Class 1 = 0.96 AUC Class 2 = 0.96
ACSP iB
TP = 39 FN = 3 FP = 7 TN = 35
TRP = 93% FNR = 7% TNR = 83% FPR = 17% PPV = 85% NPV =92% FDR = 15% FOR = 8%
AUC Class 1 = 0.94 AUC Class 2 = 0.94
ACSP ib
TP = 38 FN = 4 FP = 6 TN = 36
TRP = 90% FNR = 10% TNR = 86% FPR = 14% PPV = 86% NPV =90% FDR = 14% FOR = 10%
AUC Class 1 = 0.96 AUC Class 2 = 0.96
Tabel D.4 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Intra
Subjek dengan data AW AW
ACSP Confusion Matrix ROC Curve
CSP
TP = 19 FN = 11 FP = 15 TN = 11
TRP = 63% FNR = 37% TNR = 42% FPR = 58% PPV = 56% NPV =50% FDR = 44% FOR = 50%
AUC Class 1 = 0.51 AUC Class 2 = 0.51
ACSP iA
TP = 30 FN = 0 FP = 1 TN = 25
TRP = 100% FNR =0 TNR = 96% FPR = 4% PPV = 97% NPV =100% FDR = 3% FOR = 0
AUC Class 1 = 0.99 AUC Class 2 = 0.99
131
AW ACSP Confusion Matrix ROC Curve
ACSP iB
TP = 30 FN = 0 FP = 1 TN = 25
TRP = 100% FNR =0 TNR = 96% FPR = 4% PPV = 97% NPV =100% FDR = 3% FOR = 0
AUC Class 1 = 0.99 AUC Class 2 = 0.99
ACSP ic
TP = 30 FN = 0 FP = 1 TN = 25
TRP = 100% FNR =0 TNR = 96% FPR = 4% PPV = 97% NPV =100% FDR = 3% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
Tabel D.5 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Intra
Subjek dengan data AY AY
ACSP Confusion Matrix ROC Curve
CSP
TP = 18 FN = 0 FP = 10 TN = 0
TRP = 100% FNR = 0% TNR = 0% FPR = 100% PPV = 64% NPV =0% FDR = 36% FOR = 0%
AUC Class 1 = 0.22 AUC Class 2 = 0.22
ACSP iA
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP iB
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP ic
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
2. inter subjek tipe 1
Berikut ini dilampirkan seluruh hasil Confusion Matrix dari perhitungan
ACSP intra subjek tipe 1 berdasarkan hasil akurasi pada tabel 4.4. Hasil confusion
matrix tersebut disusun berdasarkan data seluruh subjek. Tabel d.6 adalah data
keseluruhan dari dataset IVa.
132
Tabel D.6 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk inter Subjek tipe 1 dengan data
data ACSP Confusion Matrix ROC Curve
CSP
TP = 140 FN = 142 FP = 139 TN = 139
TRP = 50% FNR = 50% TNR = 50% FPR = 50% PPV = 50% NPV =49% FDR = 50% FOR = 51%
AUC Class 1 = 0.51 AUC Class 2 = 0.51
ACSP iA
TP = 168 FN = 114 FP = 123 TN = 155
TRP = 60% FNR =40% TNR = 56% FPR = 44% PPV = 58% NPV =58% FDR = 42% FOR = 42%
AUC Class 1 = 0.63 AUC Class 2 = 0.63
ACSP iB
TP = 170 FN = 112 FP = 127 TN = 151
TRP = 60% FNR = 40% TNR = 54% FPR = 46% PPV = 57% NPV =57% FDR = 43% FOR = 43%
AUC Class 1 = 0.63 AUC Class 2 = 0.63
ACSP ic
TP = 174 FN = 108 FP = 120 TN = 158
TRP = 62% FNR = 38% TNR = 57% FPR = 43% PPV = 59% NPV =59% FDR = 41% FOR = 41%
AUC Class 1 = 0.64 AUC Class 2 = 0.64
3. inter subjek tipe 1
Berikut ini dilampirkan seluruh hasil Confusion Matrix dari perhitungan
ACSP inter subjek berdasarkan hasil akurasi pada tabel 4.5. Hasil confusion matrix
tersebut disusun berdasarkan data tiap subjek. Tabel d.7 adalah data AA. Tabel d.8
adalah data AL. Tabel d.9 adalah data AV. Tabel d.10 adalah data AW. Tabel d.11
adalah data AY.
Tabel D.7 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Inter Subjek tipe 2 dengan data AA
AA ACSP Confusion Matrix ROC Curve
CSP
TP = 26 FN = 54 FP = 32 TN = 56
TRP = 32% FNR = 68% TNR = 64% FPR = 36% PPV = 45% NPV =51% FDR = 55% FOR = 49
AUC Class 1 = 0.49 AUC Class 2 = 0.49
ACSP iA
TP = 53 FN = 27 FP = 14 TN = 74
TRP = 66% FNR =34% TNR = 84% FPR = 16% PPV = 79% NPV =73% FDR = 21% FOR = 27%
AUC Class 1 = 0.82 AUC Class 2 = 0.82
ACSP iB
TP = 53 FN = 27 FP = 17 TN = 71
TRP = 66% FNR =34% TNR = 81% FPR = 19% PPV = 76% NPV =72% FDR = 24% FOR = 28
AUC Class 1 = 0.81 AUC Class 2 = 0.81
133
AA ACSP Confusion Matrix ROC Curve
ACSP ic
TP = 51 FN = 29 FP = 18 TN = 70
TRP = 64% FNR =36% TNR = 80% FPR = 20% PPV = 74% NPV =71% FDR = 26% FOR = 29%
AUC Class 1 = 0.82 AUC Class 2 = 0.82
Tabel D.8 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Inter
Subjek tipe 2 dengan data AL AL
ACSP Confusion Matrix ROC Curve
CSP
TP = 52 FN = 60 FP = 69 TN = 43
TRP = 90% FNR = 10% TNR = 85% FPR = 15% PPV = 86% NPV =90% FDR = 14% FOR = 10%
AUC Class 1 = 0.40 AUC Class 2 = 0.40
ACSP iA
TP = 38 FN = 4 FP = 6 TN = 36
TRP = 90% FNR = 10% TNR = 86% FPR = 14% PPV = 86% NPV =90% FDR = 14% FOR = 10%
AUC Class 1 = 0.96 AUC Class 2 = 0.96
ACSP iB
TP = 38 FN = 4 FP = 7 TN = 35
TRP = 90% FNR = 10% TNR = 83% FPR = 17% PPV = 84% NPV =90% FDR = 16% FOR = 10%
AUC Class 1 = 0.95 AUC Class 2 = 0.95
ACSP ic
TP = 39 FN = 3 FP = 6 TN = 36
TRP = 93% FNR = 7% TNR = 86% FPR = 14% PPV = 87% NPV =92% FDR = 13% FOR = 8%
AUC Class 1 = 0.94 AUC Class 2 = 0.94
Tabel D.9 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Inter
Subjek tipe 2 dengan data AV Av
ACSP Confusion Matrix ROC Curve
CSP
TP = 25 FN = 17 FP = 22 TN = 20
TRP = 60% FNR = 40% TNR = 48% FPR = 52% PPV = 53% NPV =54% FDR = 47% FOR = 46%
AUC Class 1 = 0.64 AUC Class 2 = 0.64
ACSP iA
TP = 38 FN = 4 FP = 6 TN = 36
TRP = 90% FNR =10 TNR = 86% FPR = 14% PPV = 84% NPV =90% FDR = 16% FOR = 10%
AUC Class 1 = 0.96 AUC Class 2 = 0.96
ACSP iB
TP = 38 FN = 4 FP = 7 TN = 36
TRP = 90% FNR =10 TNR = 83% FPR = 17% PPV = 84% NPV =90% FDR = 16% FOR = 10%
AUC Class 1 = 0.95 AUC Class 2 = 0.95
ACSP ic TP = 39 FN = 3 FP = 6
TRP = 93% FNR =7% TNR = 86% FPR = 14% PPV = 87% NPV =92%
AUC Class 1 = 0.94 AUC Class 2 = 0.94
134
TN = 36 FDR = 13% FOR = 8% Tabel D.10 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Inter
Subjek tipe 2 dengan data AW AW
ACSP Confusion Matrix ROC Curve
CSP
TP = 17 FN = 13 FP = 10 TN = 16
TRP = 57% FNR = 43% TNR = 62% FPR = 38% PPV = 63% NPV =55% FDR = 37% FOR = 45%
AUC Class 1 = 0.53 AUC Class 2 = 0.53
ACSP iA
TP = 30 FN = 0 FP = 1 TN = 25
TRP = 100% FNR = 0% TNR = 96% FPR = 4% PPV = 97% NPV =100% FDR = 3% FOR = 0%
AUC Class 1 = 0.99 AUC Class 2 = 0.99
ACSP iB
TP = 30 FN = 0 FP = 1 TN = 25
TRP = 100% FNR = 0% TNR = 96% FPR = 4% PPV = 97% NPV =100% FDR = 3% FOR = 0%
AUC Class 1 = 0.99 AUC Class 2 = 0.99
ACSP ib
TP = 30 FN = 0 FP = 1 TN = 25
TRP = 100% FNR = 0% TNR = 96% FPR = 4% PPV = 97% NPV =100% FDR = 3% FOR = 0%
AUC Class 1 = 0.99 AUC Class 2 = 0.99
Tabel D.11 Tabel ROC dari klasifikasi tanpa menggunakan praproses untuk Inter
Subjek tipe 2 dengan data AY Ay
ACSP Confusion Matrix ROC Curve
CSP
TP = 18 FN = 0 FP = 10 TN = 0
TRP = 100% FNR = 0% TNR = 0% FPR = 100% PPV = 64% NPV =0% FDR = 36% FOR = 0%
AUC Class 1 = 0.26 AUC Class 2 = 0.26
ACSP iA
TP = 18 FN = 0 FP = 18 TN = 0
TRP = 100% FNR =0% TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 3% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP iB
TP = 18 FN = 0 FP = 18 TN = 0
TRP = 100% FNR =0% TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 3% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP ic
TP = 18 FN = 0 FP = 18 TN = 0
TRP = 100% FNR =0% TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 3% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
135
E. Confusion Matrix dan Kurva ROC dari Hasil klasifikasi
Menggunakan TVAR
Pada lampiran d ini akan menjelaskan Confusion Matrix dan hasil kurva
ROC dari bagian bab 4.4.1.2.
1. Intra subjek Berikut ini dilampirkan seluruh hasil Confusion Matrix dari perhitungan
ACSP inter subjek berdasarkan hasil akurasi pada tabel 4.6. Hasil confusion matrix
tersebut disusun berdasarkan data tiap subjek. Tabel e.1 adalah data AA. Tabel e.2
adalah data AL. Tabel e.3 adalah data AV. Tabel e.2 adalah data AW. Tabel e.5
adalah data AY.
Tabel E.1 Tabel ROC dari klasifikasi menggunakan TVAR untuk intra Subjek dengan data AA
AA ACSP Confusion Matrix ROC Curve
CSP
TP = 0 FN = 80 FP = 0 TN = 88
TRP = 0% FNR = 100% TNR = 100% FPR = 0% PPV = 0% NPV =52% FDR = 0% FOR = 48%
AUC Class 1 = 0.55 AUC Class 2 = 0.55
ACSP iA
TP = 64 FN = 16 FP = 13 TN = 75
TRP = 80% FNR = 20% TNR = 85% FPR = 15% PPV = 83% NPV =82% FDR = 17% FOR = 18%
AUC Class 1 = 0.92 AUC Class 2 = 0.92
ACSP iB
TP = 61 FN = 19 FP = 14 TN = 74
TRP = 76% FNR = 24% TNR = 84% FPR = 16% PPV = 81% NPV =80% FDR = 19% FOR = 20%
AUC Class 1 = 0.91 AUC Class 2 = 0.91
ACSP ic
TP = 66 FN = 14 FP = 13 TN = 75
TRP = 82% FNR = 18% TNR = 85% FPR = 15% PPV = 84% NPV =84% FDR = 16% FOR = 16%
AUC Class 1 = 0.92 AUC Class 2 = 0.92
Tabel E.2 Tabel ROC dari klasifikasi menggunakan TVAR untuk intra Subjek
dengan data AL AL
ACSP Confusion Matrix ROC Curve
CSP
TP = 56 FN = 56 FP = 68 TN = 44
TRP = 50% FPR = 50% TNR = 39% FNR = 61% PPV = 45% FDR = 44% NPV =55% FOR = 56%
AUC Class 1 = 0.44 AUC Class 2 = 0.44
ACSP iA TP = 96 TRP = 86% FPR = 14%
136
AL ACSP Confusion Matrix ROC Curve
FN = 16 FP = 13 TN = 99
TNR = 88% FNR = 12% PPV = 88% FDR = 86% NPV =12% FOR = 14%
AUC Class 1 = 0.94 AUC Class 2 = 0.94
ACSP iB
TP = 94 FN = 18 FP = 12 TN = 100
TRP = 86% FNR = 14% TNR = 89% FPR = 11% PPV = 89% NPV =85% FDR = 11% FOR = 15%
AUC Class 1 = 0.94 AUC Class 2 = 0.94
ACSP ic
TP = 96 FN = 16 FP = 10 TN = 102
TRP = 86% FNR = 14% TNR = 91% FPR = 9% PPV = 91% NPV =86% FDR = 9% FOR = 14%
AUC Class 1 = 0.94 AUC Class 2 = 0.94
Tabel E.3 Tabel ROC dari klasifikasi menggunakan TVAR untuk intra Subjek
dengan data AV AV
ACSP Confusion Matrix ROC Curve
CSP
TP = 25 FN = 17 FP = 29 TN = 13
TRP = 60% FNR = 40% TNR = 31% FPR = 69% PPV = 46% NPV =43% FDR = 54% FOR = 57%
AUC Class 1 = 0.42 AUC Class 2 = 0.42
ACSP iA
TP = 40 FN = 2 FP = 7 TN = 35
TRP = 95% FNR =5% TNR = 83% FPR = 17% PPV = 85% NPV =95% FDR = 15% FOR = 5%
AUC Class 1 = 0.96 AUC Class 2 = 0.96
ACSP iB
TP = 39 FN = 3 FP = 6 TN = 36
TRP = 93% FNR =7% TNR = 86% FPR = 14% PPV = 87% NPV =92% FDR = 13% FOR = 8%
AUC Class 1 = 0.96 AUC Class 2 = 0.96
ACSP ic
TP = 40 FN = 2 FP = 8 TN = 34
TRP = 95% FNR =5% TNR = 81% FPR = 19% PPV = 83% NPV =94% FDR = 17% FOR = 6%
AUC Class 1 = 0.95 AUC Class 2 = 0.95
Tabel E.4 Tabel ROC dari klasifikasi menggunakan TVAR untuk intra Subjek
dengan data AW AW
ACSP Confusion Matrix ROC Curve
CSP
TP = 25 FN = 5 FP = 26 TN = 0
TRP = 83% FNR = 17% TNR = 0% FPR = 100% PPV = 46% NPV =0% FDR = 51% FOR = 100%
AUC Class 1 = 0.39 AUC Class 2 = 0.39
ACSP iA TP = 30 FN = 0 FP = 1
TRP = 100% FNR =0 TNR = 96% FPR = 4% PPV = 97% NPV =100%
AUC Class 1 = 0.99 AUC Class 2 = 0.99
137
TN = 25 FDR = 3% FOR = 0
ACSP iB
TP = 29 FN = 1 FP = 1 TN = 25
TRP = 97% FNR =3% TNR = 96% FPR = 4% PPV = 97% NPV =3% FDR = 96% FOR = 4%
AUC Class 1 = 1 AUC Class 2 = 1
ACSP ic
TP = 28 FN = 2 FP = 1 TN = 25
TRP = 93% FNR =7% TNR = 96% FPR = 4% PPV = 97% NPV =93% FDR = 3% FOR = 7%
AUC Class 1 = 0.99 AUC Class 2 = 0.99
Tabel E.5 Tabel ROC dari klasifikasi menggunakan TVAR untuk intra Subjek
dengan data AY ay
ACSP Confusion Matrix ROC Curve
CSP
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR = 0% TNR = 0% FPR = 100% PPV = 64% NPV =0% FDR = 36% FOR = 0%
AUC Class 1 = 0.41 AUC Class 2 = 0.41
ACSP iA
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 9% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP iB
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 9% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP ic
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 9% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
2. inter subjek tipe 1
Berikut ini dilampirkan seluruh hasil Confusion Matrix dari perhitungan
ACSP inter subjek tipe 1 berdasarkan hasil akurasi pada tabel 4.7. Hasil confusion
matrix tersebut disusun berdasarkan data suluruh subjek. Tabel e.1 adalah data dari
keseluruhan subjek.
Tabel E.6 Tabel ROC dari klasifikasi menggunakan TVAR untuk Inter Subjek tipe 1 dengan data
data ACSP Confusion Matrix ROC Curve
CSP
TP = 251 FN = 31 FP = 258 TN = 20
TRP = 89% FNR = 11% TNR = 7% FPR = 93% PPV = 49% NPV =39% FDR = 51% FOR = 61%
AUC Class 1 = 0.46 AUC Class 2 = 0.46
138
data ACSP Confusion Matrix ROC Curve
ACSP iA
TP = 153 FN = 129 FP = 137 TN = 141
TRP = 54% FNR =46% TNR = 51% FPR = 49% PPV = 53% NPV =52% FDR = 47% FOR = 48%
AUC Class 1 = 0.50 AUC Class 2 = 0.50
ACSP iB
TP = 157 FN = 125 FP = 139 TN = 139
TRP = 56% FNR =50% TNR = 44% FPR = 50% PPV = 53% NPV =53% FDR = 47% FOR = 47%
AUC Class 1 = 0.51 AUC Class 2 = 0.51
ACSP ic
TP = 155 FN = 127 FP = 141 TN = 137
TRP = 55% FNR =45% TNR = 49% FPR = 51% PPV = 52% NPV =52% FDR = 48% FOR = 48%
AUC Class 1 = 0.51 AUC Class 2 = 0.51
3. inter subjek tipe 2
Berikut ini dilampirkan seluruh hasil Confusion Matrix dari perhitungan
ACSP inter subjek tipe 2 berdasarkan hasil akurasi pada tabel 4.8. Hasil confusion
matrix tersebut disusun berdasarkan data tiap subjek. Tabel e.7 adalah data AA.
Tabel e.8 adalah data AL. Tabel e.9 adalah data AV. Tabel e.10 adalah data AW.
Tabel e.11 adalah data AY.
Tabel E.7 Tabel ROC dari klasifikasi menggunakan TVAR untuk inter subjek tipe 2 dengan data AA
4. AA
ACSP Confusion Matrix ROC Curve
CSP
TP = 0 FN = 80 FP = 0 TN = 88
TRP = 0% FPR = 100% TNR = 100% FNR = 0% PPV = 0% FDR = 52% NPV =0% FOR = 48%
AUC Class 1 = 0.54 AUC Class 2 = 0.54
ACSP iA
TP = 62 FN = 18 FP = 13 TN = 75
TRP = 78% FPR = 22% TNR = 85% FNR = 15% PPV = 83% FDR = 81% NPV =17% FOR = 19%
AUC Class 1 = 0.91 AUC Class 2 = 0.91
ACSP iB
TP = 60 FN = 20 FP = 13 TN = 75
TRP = 75% FNR = 25% TNR = 85% FPR = 15% PPV = 82% NPV =79% FDR = 18% FOR = 21%
AUC Class 1 = 0.92 AUC Class 2 = 0.92
ACSP ic
TP = 62 FN = 18 FP = 11 TN = 77
TRP = 84% FNR = 16% TNR = 88% FPR = 12% PPV = 88% NPV =85% FDR = 12% FOR = 15%
AUC Class 1 = 0.94 AUC Class 2 = 0.94
139
Tabel E.8 Tabel ROC dari klasifikasi menggunakan TVAR untuk inter subjek tipe 2 dengan data AL
AL ACSP Confusion Matrix ROC Curve
CSP
TP = 21 FN = 21 FP = 26 TN = 16
TRP = 55% FNR = 45% TNR = 29% FPR = 71% PPV = 44% NPV =40% FDR = 56% FOR = 60%
AUC Class 1 = 0.39 AUC Class 2 = 0.39
ACSP iA
TP = 97 FN = 15 FP = 12 TN = 100
TRP = 87% FNR = 13% TNR = 89% FPR = 11% PPV = 89% NPV =87% FDR = 11% FOR = 13%
AUC Class 1 = 0.94 AUC Class 2 = 0.94
ACSP iB
TP = 98 FN = 14 FP = 11 TN = 101
TRP = 88% FNR = 12% TNR = 90% FPR = 10% PPV = 90% NPV =88% FDR = 10% FOR = 12%
AUC Class 1 = 0.95 AUC Class 2 = 0.95
ACSP ic
TP = 94 FN = 18 FP = 13 TN = 99
TRP = 92% FNR = 8% TNR = 81% FPR = 19% PPV = 83% NPV =91% FDR = 17% FOR = 9%
AUC Class 1 = 0.97 AUC Class 2 = 0.97
Tabel E.9 Tabel ROC dari klasifikasi menggunakan TVAR untuk inter subjek
tipe 2 dengan data AV AV
ACSP Confusion Matrix ROC Curve
CSP
TP = 24 FN = 6 FP = 20 TN = 6
TRP = 50% FNR = 50% TNR = 38% FPR = 62% PPV = 45% NPV =43% FDR = 55% FOR = 57%
AUC Class 1 = 0.42 AUC Class 2 = 0.42
ACSP iA
TP = 40 FN = 2 FP = 6 TN = 36
TRP = 95% FNR = 5% TNR = 86% FPR = 14% PPV = 87% NPV =95% FDR = 13% FOR = 15%
AUC Class 1 = 0.95 AUC Class 2 = 0.95
ACSP iB
TP = 40 FN = 2 FP = 6 TN = 36
TRP = 95% FNR =5% TNR = 86% FPR = 14% PPV = 87% NPV =95% FDR = 13% FOR = 15%
AUC Class 1 = 0.95 AUC Class 2 = 0.95
ACSP ic
TP = 39 FN = 3 FP = 7 TN = 35
TRP = 93% FNR =7% TNR = 83% FPR = 17% PPV = 85% NPV =92% FDR = 15% FOR = 8%
AUC Class 1 = 0.95 AUC Class 2 = 0.95
140
Tabel E.10 Tabel ROC dari klasifikasi menggunakan TVAR untuk inter subjek tipe 2 dengan data AW
AW ACSP Confusion Matrix ROC Curve
CSP
TP = 26 FN = 4 FP = 25 TN = 1
TRP = 87% FNR = 13% TNR = 4% FPR = 96% PPV = 51% NPV =20% FDR = 49% FOR = 80%
AUC Class 1 = 0.52 AUC Class 2 = 0.52
ACSP iA
TP = 30 FN = 0 FP = 2 TN = 24
TRP = 100% FNR =0 TNR = 92% FPR = 8% PPV = 94% NPV =100% FDR = 6% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP iB
TP = 28 FN = 2 FP = 2 TN = 24
TRP = 93% FNR =7% TNR = 92% FPR = 8% PPV = 93% NPV =92% FDR = 7% FOR = 8%
AUC Class 1 = 0.99 AUC Class 2 = 0.99
ACSP ic
TP = 29 FN = 1 FP = 1 TN = 25
TRP = 97% FNR =3% TNR = 96% FPR = 4% PPV = 97% NPV =96% FDR = 3% FOR = 4%
AUC Class 1 = 1 AUC Class 2 = 1
Tabel E.11 Tabel ROC dari klasifikasi menggunakan TVAR untuk inter subjek
tipe 2 dengan data AY AY
ACSP Confusion Matrix ROC Curve
CSP
TP = 18 FN = 0 FP = 10 TN = 0
TRP = 100% FNR = 0% TNR = 0% FPR = 100% PPV = 64% NPV =0% FDR = 36% FOR = 0%
AUC Class 1 = 0.61 AUC Class 2 = 0.61
ACSP iA
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0% TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP iB
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0% TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP ic
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0% TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
F. Confusion Matrix dan Kurva ROC dari Hasil klasifikasi
Menggunakan SSA
Pada lampiran d ini akan menjelaskan Confusion Matrix dan hasil kurva ROC dari bagian bab 4.4.1.3.
141
1. intra subjek
Berikut ini dilampirkan seluruh hasil Confusion Matrix dari perhitungan
ACSP intra subjek berdasarkan hasil akurasi pada tabel 4.9. Hasil confusion matrix
tersebut disusun berdasarkan data tiap subjek. Tabel f.1 adalah data AA. Tabel f.2
adalah data AL. Tabel f.3 adalah data AV. Tabel f.2 adalah data AW. Tabel f.5
adalah data AY.
Tabel F.1 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek dengan data AA
AA ACSP Confusion Matrix ROC Curve
CSP
TP = 41 FN = 39 FP = 30 TN = 58
TRP = 51% FPR = 49% TNR = 66% FNR = 34% PPV = 58% FDR = 60% NPV =42% FOR = 40%
AUC Class 1 = 0.59 AUC Class 2 = 0.59
ACSP iA
TP = 54 FN = 26 FP = 18 TN = 70
TRP = 68% FPR = 32% TNR = 80% FNR = 20% PPV = 75% FDR = 73% NPV =25% FOR = 27%
AUC Class 1 = 0.83 AUC Class 2 = 0.83
ACSP iB
TP = 55 FN = 25 FP = 16 TN = 72
TRP = 69% FNR = 31% TNR = 82% FPR = 18% PPV = 77% NPV =74% FDR = 23% FOR = 26%
AUC Class 1 = 0.84 AUC Class 2 = 0.84
ACSP ic
TP = 53 FN = 27 FP = 17 TN = 71
TRP = 66% FNR = 34% TNR = 81% FPR = 19% PPV = 76% NPV =72% FDR = 24% FOR = 28%
AUC Class 1 = 0.84 AUC Class 2 = 0.84
Tabel F.2 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek
dengan data AL AL
ACSP Confusion Matrix ROC Curve
CSP
TP = 67 FN = 45 FP = 52 TN = 60
TRP = 60% FNR = 40% TNR = 54% FPR = 46% PPV = 56% NPV =57% FDR = 44% FOR = 43%
AUC Class 1 = 0.64 AUC Class 2 = 0.64
ACSP iA
TP = 103 FN = 9 FP = 19 TN = 93
TRP = 92% FNR = 8% TNR = 83% FPR = 17% PPV = 84% NPV =91% FDR = 16% FOR = 9%
AUC Class 1 = 0.97 AUC Class 2 = 0.97
ACSP iB TP = 102 FN = 10 FP = 19
TRP = 91% FNR = 9% TNR = 83% FPR = 17% PPV = 84% NPV =90%
AUC Class 1 = 0.96 AUC Class 2 = 0.96
142
TN = 93 FDR = 16% FOR = 10%
ACSP ic
TP = 103 FN = 9 FP = 21 TN = 91
TRP = 92% FNR = 8% TNR = 81% FPR = 19% PPV = 83% NPV =91% FDR = 17% FOR = 9%
AUC Class 1 = 0.97 AUC Class 2 = 0.97
Tabel F.3 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek dengan data AV
AV ACSP Confusion Matrix ROC Curve
CSP
TP = 30 FN = 12 FP = 25 TN = 17
TRP = 71% FNR = 29% TNR = 40% FPR = 60% PPV = 55% NPV =59% FDR = 45% FOR = 41%
AUC Class 1 = 0.67 AUC Class 2 = 0.67
ACSP iA
TP = 36 FN = 6 FP = 9 TN = 33
TRP = 86% FNR = 14% TNR = 79% FPR = 21% PPV = 80% NPV =85% FDR = 20% FOR = 15%
AUC Class 1 = 0.93 AUC Class 2 = 0.93
ACSP iB
TP = 37 FN = 5 FP = 8 TN = 34
TRP = 88% FNR = 12% TNR = 81% FPR = 19% PPV = 82% NPV =87% FDR = 18% FOR = 13%
AUC Class 1 = 0.95 AUC Class 2 = 0.95
ACSP ic
TP = 36 FN = 6 FP = 9 TN = 33
TRP = 86% FNR = 14% TNR = 79% FPR = 21% PPV = 80% NPV =85% FDR = 20% FOR = 15%
AUC Class 1 = 0.93 AUC Class 2 = 0.93
Tabel F.4 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek dengan data AW
AW ACSP Confusion Matrix ROC Curve
CSP
TP = 24 FN = 6 FP = 20 TN = 6
TRP = 80% FNR = 20% TNR = 23% FPR = 77% PPV = 55% NPV =50% FDR = 45% FOR = 50%
AUC Class 1 = 0.45 AUC Class 2 = 0.45
ACSP iA
TP = 30 FN = 0 FP = 1 TN = 25
TRP = 100% FNR =0 TNR = 96% FPR = 4% PPV = 97% NPV =100% FDR = 3% FOR = 0
AUC Class 1 = 0.99 AUC Class 2 = 0.99
ACSP iB
TP = 30 FN = 0 FP = 1 TN = 25
TRP = 100% FNR =0 TNR = 96% FPR = 4% PPV = 97% NPV =100% FDR = 3% FOR = 0
AUC Class 1 = 0.99 AUC Class 2 = 0.99
ACSP ic TP = 30 TRP = 100% FNR =0
143
AW ACSP Confusion Matrix ROC Curve
FN = 0 FP = 1 TN = 25
TNR = 96% FPR = 4% PPV = 97% NPV =100% FDR = 3% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
Tabel F.5 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek
dengan data AY Ay
ACSP Confusion Matrix ROC Curve
CSP
TP = 18 FN = 0 FP = 10 TN = 0
TRP = 100% FNR = 0% TNR = 0% FPR = 100% PPV = 64% NPV =0% FDR = 36% FOR = 0%
AUC Class 1 = 0.67 AUC Class 2 = 0.67
ACSP iA
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP iB
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP ic
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
2. Inter Subjek Tipe 1
Berikut ini dilampirkan seluruh hasil Confusion Matrix dari perhitungan
ACSP inter subjek tipe 1 berdasarkan hasil akurasi pada tabel 4.10. Hasil confusion
matrix tersebut disusun berdasarkan data seluruh subjek. Tabel f.6 adalah data dari
keseluruhan subjek
Tabel F.6 Tabel ROC dari klasifikasi menggunakan SSA untuk inter subjek tipe 1 dengan data
data ACSP Confusion Matrix ROC Curve
CSP
TP = 147 FN = 135 FP = 126 TN = 152
TRP = 52% FNR = 48% TNR = 55% FPR = 45% PPV = 54% NPV =53% FDR = 46% FOR = 47%
AUC Class 1 = 0.55 AUC Class 2 = 0.55
ACSP iA TP = 180 FN = 102 FP = 115
TRP = 64% FNR =36% TNR = 59% FPR = 41% PPV = 61% NPV =62%
AUC Class 1 = 0.67 AUC Class 2 = 0.67
144
data ACSP Confusion Matrix ROC Curve
TN = 163 FDR = 39% FOR = 38%
ACSP iB
TP = 169 FN = 113 FP = 125 TN = 153
TRP = 60% FNR =40% TNR = 55% FPR = 45% PPV = 57% NPV =58% FDR = 43% FOR = 42%
AUC Class 1 = 0.65 AUC Class 2 = 0.65
ACSP ic
TP = 172 FN = 110 FP = 123 TN = 155
TRP = 61% FNR =30% TNR = 56% FPR = 44% PPV = 58% NPV =58% FDR = 42% FOR = 42%
AUC Class 1 = 0.64 AUC Class 2 = 0.64
3. Inter Subjek Tipe 2
Berikut ini dilampirkan seluruh hasil Confusion Matrix dari perhitungan
ACSP inter subjek tipe 2 berdasarkan hasil akurasi pada tabel 4.11. Hasil confusion
matrix tersebut disusun berdasarkan data tiap subjek. Tabel f.7 adalah data AA.
Tabel f.8 adalah data AL. Tabel f.9 adalah data AV. Tabel f.10 adalah data AW.
Tabel f.11 adalah data AY.
Tabel F.7 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek tipe 2
dengan data AA 4. AA
ACSP Confusion Matrix ROC Curve
CSP
TP = 29 FN = 51 FP = 37 TN = 51
TRP = 36% FPR = 64% TNR = 58% FNR = 42% PPV = 44% FDR = 50% NPV =56% FOR = 50%
AUC Class 1 = 0.48 AUC Class 2 = 0.48
ACSP iA
TP = 57 FN = 23 FP = 17 TN = 71
TRP = 71% FPR = 29% TNR = 81% FNR = 19% PPV = 77% FDR = 76% NPV =23% FOR = 24%
AUC Class 1 = 0.82 AUC Class 2 = 0.82
ACSP iB
TP = 55 FN = 25 FP = 14 TN = 74
TRP = 69% FNR = 31% TNR = 84% FPR = 16% PPV = 80% NPV =75% FDR = 20% FOR = 2%
AUC Class 1 = 0.82 AUC Class 2 = 0.82
ACSP ic
TP = 56 FN = 24 FP = 16 TN = 72
TRP = 70% FNR = 30% TNR = 82% FPR = 18% PPV = 78% NPV =75% FDR = 22% FOR = 25%
AUC Class 1 = 0.82 AUC Class 2 = 0.82
Tabel F.8 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek tipe 2
dengan data AL
145
AL ACSP Confusion Matrix ROC Curve
CSP
TP = 67 FN = 45 FP = 60 TN = 52
TRP = 60% FNR = 40% TNR = 46% FPR = 54% PPV = 53% NPV =54% FDR = 47% FOR = 46%
AUC Class 1 = 0.52 AUC Class 2 = 0.52
ACSP iA
TP = 97 FN = 15 FP = 12 TN = 100
TRP = 87% FNR = 13% TNR = 89% FPR = 11% PPV = 89% NPV =87% FDR = 11% FOR = 13%
AUC Class 1 = 0.96 AUC Class 2 = 0.96
ACSP iB
TP = 98 FN = 14 FP = 15 TN = 97
TRP = 88% FNR = 12% TNR = 87% FPR = 13% PPV = 87% NPV =87% FDR = 13% FOR = 13%
AUC Class 1 = 0.96 AUC Class 2 = 0.96
ACSP ic
TP = 100 FN = 12 FP = 13 TN = 99
TRP = 89% FNR = 11% TNR = 88% FPR = 12% PPV = 88% NPV =89% FDR = 12% FOR = 11%
AUC Class 1 = 0.96 AUC Class 2 = 0.96
Tabel F.9 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek tipe 2
dengan data AV AV
ACSP Confusion Matrix ROC Curve
CSP
TP = 29 FN = 13 FP = 21 TN = 21
TRP = 69% FNR = 31% TNR = 50% FPR = 50% PPV = 58% NPV =62% FDR = 42% FOR = 38%
AUC Class 1 = 0.62 AUC Class 2 = 0.62
ACSP iA
TP = 39 FN = 3 FP = 8 TN = 34
TRP = 93% FNR = 7% TNR = 81% FPR = 19% PPV = 83% NPV =93% FDR = 17% FOR = 8%
AUC Class 1 = 0.96 AUC Class 2 = 0.96
ACSP iB
TP = 40 FN = 2 FP = 6 TN = 36
TRP = 95% FNR = 5% TNR = 86% FPR = 14% PPV = 87% NPV =95% FDR = 13% FOR = 5%
AUC Class 1 = 0.96 AUC Class 2 = 0.96
ACSP ic
TP = 36 FN = 3 FP = 6 TN = 36
TRP = 93% FNR = 7% TNR = 86% FPR = 14% PPV = 87% NPV =92% FDR = 13% FOR = 8%
AUC Class 1 = 0.95 AUC Class 2 = 0.95
146
Tabel F.10 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek tipe 2 dengan data AW
AW ACSP Confusion Matrix ROC Curve
CSP
TP = 20 FN = 10 FP = 21 TN = 5
TRP = 67% FNR = 33% TNR = 19% FPR = 81% PPV = 49% NPV =33% FDR = 51% FOR = 67%
AUC Class 1 = 0.34 AUC Class 2 = 0.34
ACSP iA
TP = 30 FN = 0 FP = 1 TN = 25
TRP = 100% FNR =0 TNR = 96% FPR = 4% PPV = 97% NPV =100% FDR = 3% FOR = 0
AUC Class 1 = 0.99 AUC Class 2 = 0.99
ACSP iB
TP = 30 FN = 0 FP = 2 TN = 24
TRP = 100% FNR =0 TNR = 92% FPR = 8% PPV = 94% NPV =100% FDR = 6% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP ic
TP = 30 FN = 0 FP = 2 TN = 24
TRP = 100% FNR =0 TNR = 92% FPR = 8% PPV = 94% NPV =100% FDR = 6% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
Tabel F.11 Tabel ROC dari klasifikasi menggunakan SSA untuk intra subjek tipe
2 dengan data AW Ay
ACSP Confusion Matrix ROC Curve
CSP
TP = 17 FN = 1 FP = 10 TN = 0
TRP = 94% FNR = 6% TNR = 0% FPR = 100% PPV = 63% NPV =0% FDR = 37% FOR = 100%
AUC Class 1 = 0.56 AUC Class 2 = 0.56
ACSP iA
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP iB
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP ic
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
147
G. Confusion Matrix dan Kurva ROC dari Hasil klasifikasi Menggunakan Bandpass Filtering.
Pada lampiran d ini akan menjelaskan Confusion Matrix dan hasil kurva
ROC dari bagian bab 4.4.1.4.
1. intra subjek Berikut ini dilampirkan seluruh hasil Confusion Matrix dari perhitungan
ACSP intra subjek berdasarkan hasil akurasi pada tabel 4.12. Hasil confusion
matrix tersebut disusun berdasarkan data tiap subjek. Tabel g.1 adalah data AA.
Tabel g.2 adalah data AL. Tabel g.3 adalah data AV. Tabel g.2 adalah data AW.
Tabel g.5 adalah data AY.
Tabel G.1 Tabel ROC dari klasifikasi menggunakan Bandpass untuk intra subjek dengan data AA
AA ACSP Confusion Matrix ROC Curve
CSP
TP = 39 FN = 41 FP = 33 TN = 55
TRP = 49% FPR = 51% TNR = 62% FNR = 38% PPV = 54% FDR = 57% NPV =46% FOR = 43%
AUC Class 1 = 0.58 AUC Class 2 = 0.59
ACSP iA
TP = 78 FN = 2 FP = 5 TN = 83
TRP = 98% FPR = 3% TNR = 94% FNR = 6% PPV = 94% FDR = 98% NPV =6% FOR = 2%
AUC Class 1 = 1 AUC Class 2 = 1
ACSP iB
TP = 78 FN = 2 FP = 4 TN = 84
TRP = 98% FNR = 3% TNR = 95% FPR = 5% PPV = 95% NPV =98% FDR = 5% FOR = 5%
AUC Class 1 = 1 AUC Class 2 = 1
ACSP ic
TP = 77 FN = 3 FP = 5 TN = 83
TRP = 96% FNR = 4% TNR = 94% FPR = 6% PPV = 94% NPV =97% FDR = 6% FOR = 3%
AUC Class 1 = 1 AUC Class 2 = 1
Tabel G.2 Tabel ROC dari klasifikasi menggunakan Bandpass untuk intra subjek
dengan data AL AL
ACSP Confusion Matrix ROC Curve
CSP
TP = 94 FN = 18 FP = 30 TN = 82
TRP = 84% FNR = 16% TNR = 73% FPR = 27% PPV = 76% NPV =82% FDR = 24% FOR = 18%
AUC Class 1 = 0.88 AUC Class 2 = 0.88
ACSP iA TP = 111 FN = 1
TRP = 99% FNR = 1% TNR = 99% FPR = 1%
AUC Class 1 = 1
148
AL ACSP Confusion Matrix ROC Curve
FP = 1 TN = 111
PPV = 99% NPV =99% FDR = 1% FOR = 1%
AUC Class 2 = 1
ACSP iB
TP = 112 FN = 0 FP = 2 TN = 110
TRP = 100% FNR = 0% TNR = 98% FPR = 2% PPV = 98% NPV =100% FDR = 2% FOR = 0%
AUC Class 1 = 1 AUC Class 2 = 1
ACSP ic
TP = 110 FN = 2 FP = 1 TN = 111
TRP = 98% FNR = 2% TNR = 99% FPR = 1% PPV = 99% NPV =98% FDR = 1% FOR = 2%
AUC Class 1 = 1 AUC Class 2 = 1
Tabel G.3 Tabel ROC dari klasifikasi menggunakan Bandpass untuk intra subjek
dengan data AV AV
ACSP Confusion Matrix ROC Curve
CSP
TP = 21 FN = 21 FP = 18 TN = 24
TRP = 50% FNR = 50% TNR = 57% FPR = 43% PPV = 54% NPV =53% FDR = 46% FOR = 47%
AUC Class 1 = 0.62 AUC Class 2 = 0.62
ACSP iA
TP = 41 FN = 1 FP = 1 TN = 41
TRP = 98% FNR = 2% TNR = 98% FPR = 2% PPV = 98% NPV =98% FDR = 2% FOR = 2%
AUC Class 1 = 1 AUC Class 2 = 1
ACSP iB
TP = 41 FN = 1 FP = 1 TN = 41
TRP = 98% FNR = 2% TNR = 96% FPR = 2% PPV = 98% NPV =98% FDR = 2% FOR = 2%
AUC Class 1 = 1 AUC Class 2 = 1
ACSP ic
TP = 41 FN = 1 FP = 0 TN = 42
TRP = 98% FNR = 2% TNR = 100% FPR = 0% PPV = 100% NPV =98% FDR = 0% FOR = 2%
AUC Class 1 = 1 AUC Class 2 = 1
Tabel G.4 Tabel ROC dari klasifikasi menggunakan Bandpass untuk intra subjek
dengan data AW AW
ACSP Confusion Matrix ROC Curve
CSP
TP = 18 FN = 12 FP = 7 TN = 19
TRP = 60% FNR = 40% TNR = 73% FPR = 27% PPV = 72% NPV =61% FDR = 28% FOR = 39%
AUC Class 1 = 0.69 AUC Class 2 = 0.69
ACSP iA
TP = 30 FN = 0 FP = 0 TN = 26
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
149
AW ACSP Confusion Matrix ROC Curve
ACSP iB
TP = 30 FN = 0 FP = 0 TN = 26
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP ic
TP = 30 FN = 0 FP = 0 TN = 26
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
Tabel G.5 Tabel ROC dari klasifikasi menggunakan Bandpass untuk intra subjek
dengan data AY Ay
ACSP Confusion Matrix ROC Curve
CSP
TP = 16 FN = 2 FP = 6 TN = 4
TRP = 89% FNR = 11% TNR = 40% FPR = 60% PPV = 73% NPV =67% FDR = 27% FOR = 33%
AUC Class 1 = 0.76 AUC Class 2 = 0.76
ACSP iA
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP iB
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP ic
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
2. Inter Subjek Tipe 1
Berikut ini dilampirkan seluruh hasil Confusion Matrix dari perhitungan
ACSP inter subjek tipe 1 berdasarkan hasil akurasi pada tabel 4.13. Hasil confusion
matrix tersebut disusun berdasarkan data seluruh subjek. Tabel g.6 adalah data dari
seluruh subjek.
150
Tabel G.6 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek tipe 1dengan data
data ACSP Confusion Matrix ROC Curve
CSP
TP = 211 FN = 71 FP = 115 TN = 163
TRP = 75% FNR = 25% TNR = 59% FPR = 41% PPV = 65% NPV =70% FDR = 35% FOR = 30%
AUC Class 1 = 0.74 AUC Class 2 = 0.74
ACSP iA
TP = 213 FN = 69 FP = 74 TN = 204
TRP = 76% FNR =24% TNR = 73% FPR = 27% PPV = 74% NPV =75% FDR = 26% FOR = 25%
AUC Class 1 = 0.84 AUC Class 2 = 0.84
ACSP iB
TP = 213 FN = 69 FP = 72 TN = 206
TRP = 76% FNR =24% TNR = 74% FPR = 26% PPV = 75% NPV =75% FDR = 25% FOR = 25%
AUC Class 1 = 0.84 AUC Class 2 = 0.84
ACSP ic
TP = 209 FN = 73 FP = 78 TN = 200
TRP = 74% FNR =26% TNR = 72% FPR = 28% PPV = 73% NPV =73% FDR = 27% FOR = 27%
AUC Class 1 = 0.83 AUC Class 2 = 0.83
3. Inter Subjek Tipe 2
Berikut ini dilampirkan seluruh hasil Confusion Matrix dari perhitungan
ACSP inter subjek tipe 2 berdasarkan hasil akurasi pada tabel 4.14. Hasil confusion
matrix tersebut disusun berdasarkan data tiap subjek. Tabel g.7 adalah data AA.
Tabel g.8 adalah data AL. Tabel g.9 adalah data AV. Tabel g.10 adalah data AW.
Tabel g.11 adalah data AY.
Tabel G.7 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek tipe 2 dengan data AA
AA ACSP Confusion Matrix ROC Curve
CSP
TP = 41 FN = 39 FP = 32 TN = 56
TRP = 51% FPR = 49% TNR = 64% FNR = 36% PPV = 56% FDR = 59% NPV =44% FOR = 41%
AUC Class 1 = 0.58 AUC Class 2 = 0.58
ACSP iA
TP = 77 FN = 3 FP = 5 TN = 83
TRP = 96% FPR = 4% TNR = 94% FNR = 6% PPV = 94% FDR = 97% NPV =6% FOR = 3%
AUC Class 1 = 0.99 AUC Class 2 = 0.99
ACSP iB
TP = 79 FN = 1 FP = 6 TN = 82
TRP = 99% FNR = 1% TNR = 93% FPR = 7% PPV = 93% NPV =99% FDR = 7% FOR = 1%
AUC Class 1 = 0.99 AUC Class 2 = 0.99
151
AA ACSP Confusion Matrix ROC Curve
ACSP ic
TP = 78 FN = 2 FP = 4 TN = 84
TRP = 98% FNR = 3% TNR = 95% FPR = 5% PPV = 95% NPV =98% FDR = 5% FOR = 2%
AUC Class 1 = 1 AUC Class 2 = 1
Tabel G.8 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek
tipe 2 dengan data AL AL
ACSP Confusion Matrix ROC Curve
CSP
TP = 97 FN = 15 FP = 30 TN = 82
TRP = 87% FNR = 13% TNR = 73% FPR = 27% PPV = 76% NPV =85% FDR = 24% FOR = 15%
AUC Class 1 = 0.91 AUC Class 2 = 0.91
ACSP iA
TP = 111 FN = 1 FP = 2 TN = 110
TRP = 99% FNR = 1% TNR = 98% FPR = 2% PPV = 98% NPV =99% FDR = 2% FOR = 1%
AUC Class 1 = 1 AUC Class 2 = 1
ACSP iB
TP = 110 FN = 2 FP = 3 TN = 109
TRP = 98% FNR = 2% TNR = 97% FPR = 3% PPV = 97% NPV =98% FDR = 3% FOR = 2%
AUC Class 1 = 1 AUC Class 2 = 1
ACSP ic
TP = 110 FN = 2 FP = 3 TN = 109
TRP = 98% FNR = 2% TNR = 97% FPR = 3% PPV = 97% NPV =98% FDR = 3% FOR = 2%
AUC Class 1 = 1 AUC Class 2 = 1
Tabel G.9 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek
tipe 2 dengan data AV AV
ACSP Confusion Matrix ROC Curve
CSP
TP = 23 FN = 19 FP = 18 TN = 24
TRP = 55% FNR = 45% TNR = 57% FPR = 43% PPV = 56% NPV =56% FDR = 44% FOR = 44%
AUC Class 1 = 0.60 AUC Class 2 = 0.60
ACSP iA
TP = 30 FN = 12 FP = 8 TN = 34
TRP = 71% FNR = 29% TNR = 81% FPR = 19% PPV = 79% NPV =74% FDR = 21% FOR = 26%
AUC Class 1 = 0.75 AUC Class 2 = 0.75
ACSP iB
TP = 41 FN = 1 FP = 1 TN = 41
TRP = 98% FNR = 2% TNR = 98% FPR = 2% PPV = 98% NPV =98% FDR = 2% FOR = 2%
AUC Class 1 = 1 AUC Class 2 = 1
ACSP ic TP = 41 FN = 1 FP = 0
TRP = 98% FNR = 2% TNR = 100% FPR = 0% PPV = 100% NPV =98%
AUC Class 1 = 1 AUC Class 2 = 1
152
AV ACSP Confusion Matrix ROC Curve
TN = 42 FDR = 0% FOR = 2%
Tabel G.10 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek tipe 2 dengan data AW
AW ACSP Confusion Matrix ROC Curve
CSP
TP = 19 FN = 11 FP = 9 TN = 17
TRP = 63% FNR = 37% TNR = 65% FPR = 35% PPV = 68% NPV =61% FDR = 32% FOR = 32%
AUC Class 1 = 0.71 AUC Class 2 = 0.71
ACSP iA
TP = 30 FN = 0 FP = 0 TN = 26
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP iB
TP = 30 FN = 0 FP = 0 TN = 26
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP ic
TP = 30 FN = 0 FP = 0 TN = 26
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
Tabel G.11 Tabel ROC dari klasifikasi menggunakan Bandpass untuk inter subjek tipe 2 dengan data AY
Ay ACSP Confusion Matrix ROC Curve
CSP
TP = 16 FN = 2 FP = 6 TN = 4
TRP = 89% FNR = 11% TNR = 40% FPR = 60% PPV = 73% NPV =67% FDR = 27% FOR = 33%
AUC Class 1 = 0.80 AUC Class 2 = 0.80
ACSP iA
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP iB
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
ACSP ic
TP = 18 FN = 0 FP = 0 TN = 10
TRP = 100% FNR =0 TNR = 100% FPR = 0% PPV = 100% NPV =100% FDR = 0% FOR = 0
AUC Class 1 = 1 AUC Class 2 = 1
153
BIOGRAFI PENULIS
Ahmad Syafiq Kamil, lahir di kota Sorong 12 Mei 1992 merupakan anak pertama dari empat bersaudara. Penulis penyelesaikan pendidikan formal di SDN Sungonlegowo 2 Gresik, Dilanjutkan dengan menempuh pendidikan menengah pertama di SMPN 3 Peterongan Jombang, kemudian bersekolah di MAN 3 Malang dan menempuh pendidikan S1 di Universitas Jember. Penulis sangat memiliki ketertarikan dibidang Programming, Brain Computer Interface dan memulai merambah kebidang big data. Penulis juga pernah menjadi programer android di UPPTI universitas jember serta menjadi pelaksana survei dibidang E-goverment. Untuk kepentingan dengan
penelitian terkait, penulis dapat dihubungi di [email protected]
