23

BAB III

PERANCANGAN SISTEM

3.1 Perancangan Proses

Pada bab ini akan dijelaskan tahapan desain penelitian dan kerangka konsep

penelitian yang digunakan untuk klasifikasi tingkat selective attention dan memori

dengan menggunakan Discrete Wavelet Transform dan Clustering K-means. Pada

penelitian ini nantinya akan menghasilkan script pada software matlab R2014 a

yang dapat menganalisa feature (ciri) dan claster (kelas) masing masing subjek

saat melakukan test stroop task. Dari hasil data perekaman subjek saat melakukan

test stroop task data yang diperoleh akan di ekstraksi feature dengan

menggunakan Discrete Wavelet Transform yang selanjutnya setelah di ekstak

feature maka akan dibentuk claster masing masing subjek di K-Means untuk

menentukan klasifikasi masing masing subjek saat melakukan test stoop task.

Untuk mempermudah proses pembuatan script tersebut, maka penelitian

kali ini perlu dibuat langkah-langkah yang sistematis. Dengan adanya langkah-

langkah pada penelitian ini penelitan ini diharapkan dapat memberikan petunjuk

dalam merumuskan masalah penelitian. Alur perancangan dapat dilihat dalam

Gambar 3.1.

Gambar 3.1 Blok diagram Pengukuran Sistem

24

Dalam penelitian ini subjek akan diberikan test berupa test stroop task

dengan neorosky diletakkan dikepala subjek sehingga didapatkan sinyal EEG.

Selanjutnya dilakukan pra-pengolahan pada Sinyal EEG yang baru didapat. Tahap

Pra pengolahan bertujuan untuk menampilkan rata rata sinyal dari sinyal aslinya

dan menghapus baseline atau garis dasar dalam sinyal EEG untuk mendapatkan

keluaran sinyal. hasil pra pengolahan sinya eeg kemudian dianalisa menggunakan

wavelet transform untuk mendapatkan sinyal EEG tanpa noise untuk ekstrak

semua komponen frekuensi yang penting dari sinyal EEG seperti, alpha, betha,

gamma, delta, and theta. Pemisahan frekuensi bagian gelombang pada sinyal

EEG untuk pengelompokan fitur gelombang otak subjek yang melakukan test

berdasarkan pada sinyal pada level tertentu. Wavelet digunakan untuk

pengelompokan dan pendeteksian gelombang otak dimana gelombang otak

tersebut menyediakan fitur yang berbeda beda. Hasil pemilihan sinyal EEG yang

menonjol dari sinyal gelombang otak dalam identifikasi fitur menghasilkan

identifikasi pengklasifikasian data dengan K-Means

Hasil dari pengklasifikasian K-Means akan dijadikan parameter pembanding

saat subjek yang berdasarkan tingkatan usia melakukan test stroop task warna,

bentuk, dan gambar. Klasifikasi aktivitas kondisi mental subjek bertujuan untuk

memberikan hasil diagnosis berdasarkan kondisi yang sudah ditentukan yaitu

kondisi selective attention dan memori dalam kondisi baik, sedang dan rendah

hasil yang diharapkan dari penelitian ini adalah dapat mengetahui stimulus yang

tepat untuk meningkatkan atensi dan kerja memori bagi masing masing subjek

berdasarkan batasan usia.

3.2 Perancangan Pengambilan Stimulus

Sebelum memulai eksperimen, diperlukan waktu persiapan untuk

meletakan Neurosky Mindwave dan mengatur posisi subjek agar nyaman saat

beraktifitas, waktu pengerjaan tidak dapat diprediksi , karna tergantung berapa

lama waktu yang dibutuhkan subjek untuk menyelesaikan tugas yang diberikan.

Perancangan pengambilan stimulus pada penelitian ini menggunakan

desain eksperimen game stroop task yang dimodifikasi dengan game atensi dan

memori, yang digunakan untuk mengevaluasi efek dari masing masing stimulus

25

untuk meningkatkan fungsi selective Attention dan memori masing masing subjek

saat melakukan permainan.

Game stroop task berbasis desktop merupakan sebuah aplikasi yang

dirancang untuk melatih daya ingatan serta konsentrasi dengan metode yang lebih

interaktif. Agar dalam penggunaannya, subjek akan merasa lebih nyaman dan

tidak cepat bosan saat melakukan test. Perancangan aplikasi game stroop task

untuk melatih daya ingat dan konsentrasi menggunakan unity dan ditampilkan

dalam Gambar 3.2

Gambar 3.2 Halaman menu game stroop task

Pada halaman menu berisi 3 (Tiga) macam tombol/button, diantaranya ada tombol

warna, bentuk, dan gambar yang berfungsi untuk memulai permainan dalam

stroop task. Pada penelitian ini subjek akan diminta untuk memilih masing masing

menu dimulai dari urutan paling atas yaitu warna. Pada saat subjek memilih menu

warna maka akan muncul tampilan seperti yang ditunjukan pada Gambar 3.3

Gambar 3.3 stroop task warna

26

Pada halaman stroop task warna, subjek akan diminta untuk menyelesaikan tugas

dimana tugasnya adalah subjek akan melihat tulisan ungu yang berwarna biru

subjek akan diminta untuk menyebutkan warna bukan tulisan. Jadi apabila tulisan

diatas bertuliskan ungu dan berwarna biru maka yang harus dilakukan subjek

adalah memilih tombol/button biru dan bukan tombol/button ungu. Pada game

stroop task warna, subjek diminta untuk menyelesaikan 10 (sepuluh) soal dan

subjek akan diminta untuk fokus kelayar monitor dan tidak melakukan pergerakan

tubuh yang dapat mempengaruhi hasil dari pengambilan data.

Setelah menyelesaikan 10 (sepuluh) tugas dari stroop warna subjek akan

diberikan waktu untuk istirahat sebanyak 15 detik sebelum masuk pada game

stroop task bentuk, setelah 15 detik berlalu, subjek akan dipersilahkan untuk

melanjutkan ke game selanjutnya. Tampilan untuk game stroop task bentuk

ditunjukan pada Gambar 3.4

Gambar 3.4 stroop task bentuk

Pada game stroop task bentuk subjek akan diminta untuk memilih tombol/button

benar atau salah berdasarkan pertanyaan- pertanyaan yang diberikan pada game

stroop task tersebut. tugas pada game stroop bentuk sama dengan game stroop

warna yaitu sebanyak 10 pertanyaan dengan kondisi subjek diminta untuk tetap

fokus kelayar monitor dan tidak melakukan pergerakan yang bisa mempengaruhi

hasil pengambilan data. Setelah subjek menyelesaikan game stroop bentuk, subjek

akan diberikan istirahat sebanyak 15 detik. Alasan pemilihan periode 15 detik

adalah, subjek membutuhkan kurang lebih 15 detik untuk menyegarkan pikiran,

27

dan memperbaiki posisi. Setelah subjek rileks, maka stroop task ketiga yaitu

gambar dimulai. Tampilan stroop task gambar dapat dilihat pada Gambar 3.5

Gambar 3.5 stroop task gambar

Game stoop task gambar memiliki alur yang sama dengan game stroop

sebelumnya, subjek akan diminta untuk memilih tombol/button benar atau salah

berdasarkan pertanyaan-pertanyaan yang diberikan. Game warna memiliki 10

pertanyaan dan subjek diminta untuk menyelesaikannya.

Adapun hasil dari game stroop task untuk masing masing subjek ditunjukan

pada Tabel 4.1, 4.2, 4.3

Tabel 3.1 Hasil Subjek Bermain Game Katagori Dewasa

No

Nama

umur

game 1

game 2

game 3 Keterangan

benar Salah benar salah benar salah

1 Akhirul Wasit 41 9 0 8 1 4 5 Pekerja

2 Andi 52 8 1 9 0 8 1 Pekerja

3 Samsul Arifin 36 9 0 9 0 5 4 Pekerja

4 sulistyo 40 9 0 6 3 5 4 Pekerja

5 Tumini 52 8 1 9 0 5 4 Ibu Rumah Tangga

6 Aris 30 9 0 9 0 6 3 Pekerja

7 Sanawiyah 31 9 0 4 5 6 3 Ibu Rumah Tangga

8 Suadi 31 8 1 5 4 4 5 Pekerja

9 Tina 40 9 0 7 2 6 3 Ibu Rumah Tangga

10 Yana 43 8 1 9 0 3 6 Ibu Rumah Tangga

28

11 Yuyun 40 9 0 8 1 5 4 Ibu Rumah Tangga

12 Jodi 28 7 2 9 0 6 3 Pekerja

Tabel 3.2 Hasil Subjek Bermain Game Katagori Dewasa

No

Nama

Umur

Kelas

Game 1

Game 2

Game 3

Benar Salah Benar Salah Benar Salah

1 Ghofari 11 5 9 0 7 2 4 5

2 Fahri 11 5 9 0 8 1 7 2

3 Puput 11 6 9 0 8 1 8 2

4 Putri 11 6 9 0 9 0 8 2

5 Arul 10 4 9 0 8 2 4 5

6 Iqbal 11 6 9 0 9 0 6 3

7 Yuni 7 2 9 0 6 3 6 3

8 Alvin 7 2 9 0 5 4 4 5

9 Rendy 9 4 9 0 4 5 4 5

10 Norma 11 6 9 0 9 0 7 2

11 Ahzel 9 4 9 0 8 1 6 3

12 Aldi 11 6 9 0 9 0 6 3

Tabel 3.3 Hasil Game Stroop Task Katagori Remaja

3.3 Proses Pengumpulan Data

No

Nama

umur

status

game 1

game 2

game 3

benar salah benar salah benar salah

1 Dara 24 Mahasiswa 9 0 9 0 9 0

2 Edi 25 Pekerja 9 0 9 0 6 3

3 Faris 22 Pekerja 9 0 8 1 6 3

4 Kiah 24 Mahasiswa 9 0 9 0 5 4

5 Mahda 20 Mahasiswa 9 0 9 0 7 2

6 Mimi 19 Mahasiswa 9 0 8 1 5 4

7 Yusuf 20 Mahasiswa 9 0 8 2 4 5

8 Jidi 25 Pekerja 9 0 9 0 5 4

9 Ayu 20 Mahasiswa 9 0 6 3 5 4

10 Jaka 24 Mahasiswa 9 0 9 0 3 6

11 Ardi 22 Mahasiswa 9 0 9 0 6 3

12 Wawan 24 Pekerja 9 0 9 0 3 6

29

Subjek diambil dari 12 orang dewasa, 12 orang remaja, dan 12 orang anak

usia sekolah dasar. Semua subjek memiliki dominan ditangan kanan, dan

memiliki kemampuan yang baik dalam mengoperasikan komputer. Data diambil

menggunakan Neorosky Mindwave,yang merupakan jenis EEG 3 Channel

Pada percobaan ini subjek dalam keadaan normal, berjenis kelamin pria dan

wanita dengan umur anak anak berkisar usia 7-15 tahun, remaja 18-25 tahun dan

dewasa 26-50 tahun. Kondisi saat subjek melakukan test berada diruangan dengan

banyak gangguan

Semua subjek akan direkam gelombang otaknya menggunakan

MyndPlayerPro 2.3 untuk mendapatkan parameter yang akan diproses oleh sistem

nantinya. Perekaman gelombang otak menggunakan EEG Neurosky Mindwave

terdiri dari 3 perekaman yaitu saat bermain game stroop warna, game stroop

bentuk dan game stroop gambar. Perekaman subjek saat melakukan test stroop

task menggunakan myndplayerpro disajikan dalam gambar 3.6

Gambar 3.6 hasil perekaman subjek Menggunakan Myndplayer Pro

Setelah perekaman selesai, hasil rekaman EEG di-export ke format csv, format

csv (comma separated values) merupakan suatu format data dalam basis data

dimana setiap record dipisahkan dengan tanda koma (,) atau titik koma (;). Format

csv dapat dibuka dengan berbagai text-editor seperti notepad, wordpad, dan

Ms.excel. Pada penelitian gelombang perekaman neorosky akan di export ke

Ms.excel untuk melihat hasil data perekaman neorosky. Untuk export data

neorosky ditunjukan pada Gambar 3.7

30

Gambar 3.7 export data Neorosky

pada kolom export log file yang ditunjukkan pada Gambar 3.7, hal ini dilakukan

agar file dapat diolah menggunakan Microsoft Excell. Setelah dilakukan export

log file pada software myndplayerpro maka diperoleh 3 data berupa data excel

diantaranya adalah data log, data log processed, dan data raw. Data log dapat

dilihat dalam Gambar 3.8

Gambar 3.8 Data log perekaman Myndplayer Pro excell

Data pada gambar 3.8 merupakan data dari software Myndplayer Pro yang

telah di export log file. Setelah export maka didapat data berupa data time, waktu

perekaman selama subjek melakukan tes, data signal level (lemah atau kuatnya

sinyal bluetooth neorosky), kemudian gelombang neorosky seperti Attention

(gelombang fokus), Meditation (gelombang rileks), zone (titik tengah), delta,

theta, low alpa, high alpa, low gamma, mid gamma, raw count (jumlah data

mentah) dan raw values (nilai data mentah). Data yang kedua hasil dari export log

file adalah data log proses perekaman. hasil data log proses perekaman sedikit

berbeda dengan data perekaman log. Untuk lebih jelasnya ditampilkan pada

gambar 3.9

31

Gambar 3.9 Data log proses perekaman Myndplayer Pro excell

Data pada gambar 3.9 merupakan data kedua dari software Myndplayer Pro

yang telah di export log file setelah data di export maka didapat data berupa data

time, attention, meditation, delta, theta, low alpa, high alpa, low gamma, mid

gamma. Data yang ketiga adalah data raw. data raw adalah data mentah Neorosky.

Untuk lebih jelasnya data raw ditampilkan pada Gambar 3.10

Gambar 3.10 Data raw perekaman Myndplayer Pro excell

Data mentah atau disebut juga data raw atau data primer dalam sebuah

kondisi untuk sebuah data didalam sebuah sistem komputer yang dikoleksi

langsung dari sebuah sumber langsung tanpa perubahan apapun. Data mentah

dapat berdiri sendiri dan tidak menjadi subjek untuk diproses atau dimanipulasi

inilah mengapa data mentah juga disebut sebagai data primer. Data mentah dapat

dimasukan kedalam sebuah perangkat lunak komputer tertentu untuk dianalisa

lebih lanjut. Bentuk data mentah sendiri bisa berupa sebuah kumpulan data biner

32

ataupun kumpulan data-data dalam bentuk lain yang digabungkan menjadi

satu[20].

Semua data hasil perekaman di eksport log file ke data ms.excell, setelah itu

data dari ms.excell di load ke matlab untuk selanjutnya diproses menggunakan

diskrit wavlet transform.

3.4 Fungsi main.m EEG di Matlab

Untuk memulai tahap menganalisa data yang sudah didapat, langkah awal

yang harus dilakukan adalah menjalankan aplikasi matlab dan membuka fungsi

main.m EEG dengan cara klik menu new-editor maka akan keluar tampilan

seperti pada Gambar 3.11

Gambar 3.11 Tampilan Editor fungsi main.m EEG

Selanjutnya adalah data export yang sudah diganti format CSV kemudian dibuka

melalui ms.excel. data signal Neorosky yang sudah diubah format ke csv lalu di

load ke matlab.

3.5 Input data dalam program Matlab

Pada tahapan ini merupakan tahap untuk memasukan semua data penelitian

yang didapat dari perekaman gelombang otak menggunakan Neorosky Mindwave,

berikut beberapa data yang didapat dan nantinya akan diolah:

33

3.5.1 Data Perekaman Gelombang Otak Anak Usia Sekolah Dasar

Data perekaman gelombang otak pada anak usia sekolah dasar merupakan

data dari software Myndplayer yang telah di export log-file. Setelah export maka

didapat data berupa berupa data Attention, Meditation, Zone, Delta, Theta, Low

Alpha, High Alpa, Low Beta, High Beta,, Low Gamma, Mid Gamma, Raw Count

(jumlah data mentah), raw values (nilai data mentah). Semua data hasil

perekaman subjek selama bermain game dieksfort kedata excell, setelah itu data

dari excell di load ke matlab untuk selanjutnya diproses menggunakan diskrit

wavelet haar transform. Data perekaman gelombang otak dengan subjek anak

usia sekolah dasar saat melakukan test stroop task ditunjukan pada tabel 3.4

Tabel 3.4 Data Perekaman Aldi Game Stroop Task 1

'Time' 'VidTime' 'Raw Value'

2017/12/28 14:57:55.000 07:00:00.000 -71

2017/12/28 14:57:55.001 07:00:00.001 -115

2017/12/28 14:57:55.003 07:00:00.003 91

2017/12/28 14:57:55.005 07:00:00.005 66

2017/12/28 14:57:55.007 07:00:00.007 54

2017/12/28 14:57:55.009 07:00:00.009 59

2017/12/28 14:57:55.011 07:00:00.011 75

2017/12/28 14:57:55.013 07:00:00.013 104

2017/12/28 14:57:55.015 07:00:00.015 -102

2017/12/28 14:57:55.017 07:00:00.017 -53

2017/12/28 14:57:55.019 07:00:00.019 -94

2017/12/28 14:57:55.021 07:00:00.021 77

2017/12/28 14:57:55.023 07:00:00.023 24

2017/12/28 14:57:55.025 07:00:00.025 17

2017/12/28 14:57:55.027 07:00:00.027 39

2017/12/28 14:57:55.029 07:00:00.029 75

2017/12/28 14:57:55.031 07:00:00.031 119

2017/12/28 14:57:55.033 07:00:00.033 -100

2017/12/28 14:57:55.035 07:00:00.035 -76

2017/12/28 14:57:55.037 07:00:00.037 -88

2017/12/28 14:57:55.039 07:00:00.039 118

2017/12/28 14:57:55.041 07:00:00.041 54

2017/12/28 14:57:55.042 07:00:00.042 4

2017/12/28 14:57:55.044 07:00:00.044 -23

2017/12/28 14:57:55.046 07:00:00.046 -27

2017/12/28 14:57:55.048 07:00:00.048 2

34

2017/12/28 14:57:55.050 07:00:00.050 73

2017/12/28 14:57:55.052 07:00:00.052 -100

2017/12/28 14:57:55.054 07:00:00.054 -45

2017/12/28 14:57:55.056 07:00:00.056 -56

2017/12/28 14:57:55.058 07:00:00.058 123

2017/12/28 14:57:55.060 07:00:00.060 50

2017/12/28 14:57:55.062 07:00:00.062 25

2017/12/28 14:57:55.064 07:00:00.064 24

2017/12/28 14:57:55.066 07:00:00.066 7

2017/12/28 14:57:55.068 07:00:00.068 -3

2017/12/28 14:57:55.070 07:00:00.070 23

2017/12/28 14:57:55.072 07:00:00.072 69

2017/12/28 14:57:55.074 07:00:00.074 116

2017/12/28 14:57:55.076 07:00:00.076 -121

3.5.2 Data Perekaman Gelombang Otak Remaja

Data perekaman gelombang otak saat subjek bermain game stroop task

pada tingkatan usia remaja ditunjukan dalam Tabel 3.5

Tabel 3.5 Data Perekaman Gelombang Otak Ardi Game Stroop Task 1

'Time' 'VidTime' 'Raw

Value'

2017/12/29 13:46:07.000 07:00:00.000 80

2017/12/29 13:46:07.001 07:00:00.001 71

2017/12/29 13:46:07.003 07:00:00.003 58

2017/12/29 13:46:07.005 07:00:00.005 55

2017/12/29 13:46:07.007 07:00:00.007 70

2017/12/29 13:46:07.009 07:00:00.009 67

2017/12/29 13:46:07.011 07:00:00.011 44

2017/12/29 13:46:07.013 07:00:00.013 49

2017/12/29 13:46:07.015 07:00:00.015 72

2017/12/29 13:46:07.017 07:00:00.017 97

2017/12/29 13:46:07.019 07:00:00.019 88

2017/12/29 13:46:07.021 07:00:00.021 55

2017/12/29 13:46:07.023 07:00:00.023 26

2017/12/29 13:46:07.025 07:00:00.025 7

2017/12/29 13:46:07.027 07:00:00.027 1

2017/12/29 13:46:07.029 07:00:00.029 -4

2017/12/29 13:46:07.031 07:00:00.031 6

2017/12/29 13:46:07.033 07:00:00.033 35

2017/12/29 13:46:07.035 07:00:00.035 48

2017/12/29 13:46:07.037 07:00:00.037 51

35

2017/12/29 13:46:07.039 07:00:00.039 49

2017/12/29 13:46:07.041 07:00:00.041 41

2017/12/29 13:46:07.042 07:00:00.042 44

2017/12/29 13:46:07.044 07:00:00.044 54

2017/12/29 13:46:07.046 07:00:00.046 55

2017/12/29 13:46:07.048 07:00:00.048 57

2017/12/29 13:46:07.050 07:00:00.050 75

2017/12/29 13:46:07.052 07:00:00.052 82

2017/12/29 13:46:07.054 07:00:00.054 72

2017/12/29 13:46:07.056 07:00:00.056 66

2017/12/29 13:46:07.058 07:00:00.058 66

2017/12/29 13:46:07.060 07:00:00.060 68

2017/12/29 13:46:07.062 07:00:00.062 67

2017/12/29 13:46:07.064 07:00:00.064 69

2017/12/29 13:46:07.066 07:00:00.066 82

2017/12/29 13:46:07.068 07:00:00.068 98

3.5.3 Data Perekaman Gelombang Otak Dewasa

Data perekaman gelombang otak saat subjek bermain game stroop task pada

tingkatan usia dewasa ditunjukan dalam Tabel 3.6

Tabel 3.6 data perekaman Gelombang Otak Akhirul Wasit Game Stroop Task 1

'Time' 'VidTime' 'Raw Value'

2017/12/30 14:08:50.000 07:00:00.000 8

2017/12/30 14:08:50.001 07:00:00.001 22

2017/12/30 14:08:50.003 07:00:00.003 28

2017/12/30 14:08:50.005 07:00:00.005 45

2017/12/30 14:08:50.007 07:00:00.007 81

2017/12/30 14:08:50.009 07:00:00.009 105

2017/12/30 14:08:50.011 07:00:00.011 119

2017/12/30 14:08:50.013 07:00:00.013 104

2017/12/30 14:08:50.015 07:00:00.015 54

2017/12/30 14:08:50.017 07:00:00.017 1

2017/12/30 14:08:50.019 07:00:00.019 -7

2017/12/30 14:08:50.021 07:00:00.021 -6

2017/12/30 14:08:50.023 07:00:00.023 -2

2017/12/30 14:08:50.025 07:00:00.025 24

2017/12/30 14:08:50.027 07:00:00.027 69

2017/12/30 14:08:50.029 07:00:00.029 90

2017/12/30 14:08:50.031 07:00:00.031 91

2017/12/30 14:08:50.033 07:00:00.033 67

2017/12/30 14:08:50.035 07:00:00.035 36

36

2017/12/30 14:08:50.037 07:00:00.037 19

2017/12/30 14:08:50.039 07:00:00.039 26

2017/12/30 14:08:50.041 07:00:00.041 57

2017/12/30 14:08:50.042 07:00:00.042 72

2017/12/30 14:08:50.044 07:00:00.044 80

2017/12/30 14:08:50.046 07:00:00.046 92

2017/12/30 14:08:50.048 07:00:00.048 100

2017/12/30 14:08:50.050 07:00:00.050 106

2017/12/30 14:08:50.052 07:00:00.052 117

2017/12/30 14:08:50.054 07:00:00.054 99

2017/12/30 14:08:50.056 07:00:00.056 45

2017/12/30 14:08:50.058 07:00:00.058 0

2017/12/30 14:08:50.060 07:00:00.060 -2

2017/12/30 14:08:50.062 07:00:00.062 26

2017/12/30 14:08:50.064 07:00:00.064 58

2017/12/30 14:08:50.066 07:00:00.066 99

3.6 Proses Pengolahan Data

Dalam mengolah data ini dibutuhkan sebuah variabel yang digunakan

sebagai input. Variabel yang digunakan adalah nilai gelombang neorosky. Setelah

pengambilan data hasil gelombang neorosky selesai maka data akan didenoising

untuk menghapus data sinyal yang tidak diperlukan, yang terekam pada saat

proses perekaman gelombang otak. Hasil perhitungan dari normalisasi gelombang

neorosky akan divisualisasikan berupa grafik bar, lalu dilakukan clastering

menggunakan K-Means. Berikut dijelaskan tentang integrasi Wavelet Transform

dan K-Means dengan kedua variabel tersebut sehingga menghasilkan clastering

sesuai dengan tujuan penelitian.

Transformasi wavelet haar digunakan untuk mendekomposisikan

gelombang neorosky, dekomposisi dilakukan dengan memisahkan sinyal masukan

ke dalam frekuensi rendah dan frekuensi tinggi, hasil dari dekomposisi adalah

komponen approximation yang merupakan scaling function (lowpass filter) dan

komponen detail yang merupakan wavelet function.[17]. Level dekomposisi

ditetapkan berdasarkan frekuensi cuplik yang digunakan [16]. Proses menentukan

perbedaan parameter himpunan (beta,teta,low alpa,high alpa, low beta, high beta

dan mid gamma) untuk masing masing subjek berdasarkan perbedaan usia

berdasarkan ciri fiture algoritma Diskrit Wavelet Transform. Langkah awal untuk

37

melakukan analisa perhitungan adalah menentukan filter lowpass wavelet haar.

Untuk menentukan filter lowpass

∑ [ ] √ sehingga N = 2 menghasilkan [ ] [ ] √

D∑ [ ] [ ] sehingga N=2 menghasilkan [ ]

[ ]

Fungsi skala wavelet haar adalah { [ ]} {

√

√ }

Kemudian fungsi skala dimodulasikan { [ ]}= {

√

√ } setelah menentukan

filter low pass maka Langkah selanjutnya adalah menentukan nilai dekomposisi

perataan (averages) dan pengurangan (differences). Perataan dilakukan dengan

menghitung nilai rata-rata dua pasang dengan persamaan 3.1:

3.1

Sedangkan menghitung pengurangan dilakukan dengan persamaan 3.2

3.2

Dengan menggunakan persamaan diatas, proses hasil dekomposisi perataan

dan pengurangan dengan sampel data Jodi katagori dewasa dengan range data

matlab 16 data ditunjukan pada Tabel 3.7

Tabel 3.7 Data Jodi Perekaman Game 3

66 55 21 73

67 38 28 67

58 28 45 75

58 22 67 88

Baris 1 =

= 60,5 47 5,5 -26

Baris 2 =

= 52,5 47,5 14,5 -

19,5

Baris 3 =

= 43 60 -15 15

Baris 4 =

38

= 41 77.5 18 -10,5

Hasil dekomposisi perataan dan pengurangan dalam arah baris ditunjukan pada

tabel 3.8

Tabel 3.8 hasil dekomposisi dalam arah baris

60,5 47 0 0

52,5 47,5 0 0

43 -15 0 0

41 18 0 0

= 56,5 42 4

1

Baris 2 =

= 47,25 1,5

-0,25 -1,5

Baris 3 =

= 0 0 0 0

Baris 4 =

= 0 0 0 0

Hasil dekomposisi perataan dan pengurangan dalam arah kolom ditunjukan pada

tabel 3.9

Tabel 3.9 hasil dekomposisi dalam arah kolom

56,5 47,25 0 0

42 1,5 0 0

4 -0,25 0 0

1 -1,5 0 0

Setelah menerapkan perataan (averages) dan pengurangan (differences) maka

selanjutnya adalah mencari nilai LL,HL,LH,HH dengan menggunakan persamaan

3.3 dan 3.4

LPF :

√ 3.3

39

HPF :

√ 3.4

Untk mempermudah proses perhitungan low pass dan high pass. Langkah pertama

yang dilakukan adalah membuat tabel persamaan. Tabel 3.5 dan 3.6 adalah tabel

low pass dan high pass

Tabel 3.10 Filter Low Pass

Filter Low Pass

0,707 0,707 0 0

0 0 0,707 0,707

Tabel 3.11 Filter High Pass

Filter Low Pass

0,707 -0,707 0 0

0 0 0,707 -0,707

setelah proses wavelet sudah mendapatkan ekstraksi fiture maka masing

masing data akan diclastering berdasarkan kelasnya Proses pertama yang

dilakukan adalah menentukan jumlah k (Cluster). Inisialisasi k yang di gunakan

adalah sebanyak 3 diantaranya adalah diagnosa kondisi subjek tinggi, sedang, dan

cukup sehingga dapat mengetahui analisa hasil perhitungan berdasarkan analisa

psikologi dan berdasarkan perhitungan gelombang wavelet apakah memiliki

perbedaan atau kesamaan.

sehingga di dapat pengelompokan hasil iterasi ke 1. Inisialisasi nilai

centroid awal dilakukan dengan cara mengambil data dengan cara random.

Perbandingan data centroid dengan data yang lain untuk mengetahui apakah data

1 dengan nilai centroid memiliki kemiripan atau tidak, jika data memiliki

kemiripin maka data akan menjadi satu kelompok dan jika data tidak memiliki

kemiripin maka akan dicari data berdasarkan kelompoknya dengan persamaan 3.5

√∑

3.5

40

Dimana :

Kemudian setelah perhitungan mendapatkan kelompok jumlah cluster, maka

akan didapatkan centroid baru, centroid baru akan dibandingkan dengan data awal

kemudian proses perhitungan berdasarkan persamaan 3.5. perhitungan akan terus

berlanjut sampai cluster tidak berubah.

3.7 Running Program dan Mengamati Hasil

Running program bertujuan untuk menampilkan hasil analisa dari program

yang dibuat di Matlab R2014a, dan hasil yang ditampilkan oleh Matlab R2014a

ini dapat digunakan untuk menyimpulkan kondisi ekstraksi dan clastering pada

data EEG Neorosky Mindwave

Contoh running program yang dilakukan dapat dilihat pada Gambar 3.12

dibawah ini:

Gambar 3.12 Running Program

41