1

BAB 1. PENDAHULUAN

1.1 Latar Belakang

Electroenchelpalograph (EEG) adalah suatu alat untuk merekam aktivitas

listrik pada otak selama kurun waktu tertentu. EEG mengukur fluktuasi tegangan

yang dihasilkan oleh aliran ion dalam otak. EEG banyak digunakan untuk

diagnosa epilepsi, koma, tumor, stroke, dan gangguan otak lainya [5]. Penggunaan

EEG mengalami penurunan seiring adanya teknik pencitraan anatomi dengan

resolusi spasial tinggi, seperti Computed Tomography (CT Scan) dan Magnetic

Resonance Imaging (MRI). Walaupun EEG memiliki resolusi spasial terbatas,

EEG tetap menjadi alat yang berharga untuk penelitian dan diagnosa, terutama

ketika resolusi temporal dalam rentang milidetik dibutuhkan.

Tujuan EEG berbasis Brain Computer Interface (BCI) adalah untuk

mendeteksi pola sinyal EEG pengguna untuk mengontrol komputer atau perangkat

eksternal. Sebagai contoh, pola yang sesuai dengan pencitraan motorik (pengguna

membayangkan bahwa salah satu bagian tubuhnya bergerak), pencitraan rotasi

obyek, atau memikirkan kata-kata dapat dikenali dalam sinyal EEG. Variabilitas

yang tinggi dari pola EEG antara subyek yang berbeda menyebabkan pemilihan

teknik klasifikasi yang tepat sangat dibutuhkan. Teknik klasifikasi yang tepat

dapat digunakan untuk mendeteksi pola pada data EEG [5] .

Berbagai macam algoritma klasifikasi telah diuji pada penelitian BCI.

Penelitian awal mengenai algoritma klasifikasi pada BCI, yaitu algoritma

klasifikasi linear dan nonlinear [1]. Penelitian selanjutnya tentang survei yang

lengkap dan terbaru mengenai teknik mesin belajar untuk BCI [2]. Berbagai

algoritma klasifikasi yang disurvei adalah Linear Discriminant Analysis (LDA),

Support Vector Machines (SVM), Neural Networks (NN), klasifikasi bayes, dan

k-nearest neighbor (KNN).

Dalam kasus klasifikasi sinyal EEG, penentuan informasi masukan yang

relevan menjadi hal yang sangat menentukan keberhasilan proses klasifikasi.

Sinyal EEG pada dasarnya bersifat time-series yang diambil dari elektroda.

Penggunaan data sinyal EEG yang bersifat time-series menghambat pembelajaran

2

proses klasifikasi karena jumlah atribut yang terlalu besar. Diketahui bahwa jika

hubungan antara jumlah data latih dan jumlah atribut pada dataset terlalu rendah,

hasil klasifikasi akan overfitting terhadap data latih [3]. Dengan demikian,

pembelajaran untuk mendapatkan pola yang tepat dan menghindari overfitting

menjadi hal yang cukup sulit. Selain itu, diketahui bahwa pola terbaik terdeteksi

pada domain frekuensi, bukan pada domain waktu. Oleh karena itu, preproses

yang tepat dari sinyal mentah diakui sangat penting untuk mendapatkan akurasi

klasifikasi yang tinggi.

Tiga jenis transformasi yang umum digunakan [4], yaitu filter spasial,

Fourier Transform, dan filter band-pass. Filter spasial digunakan karena sinyal

yang terdeteksi pada satu elektroda dapat berasal dari berbagai bagian otak. Filter

tersebut menghasilkan sinyal lebih tepat untuk setiap elektroda. Sinyal juga harus

ditransformasikan ke domain frekuensi menggunakan, Fast Fourier Transform

(FFT) dan Power Spectral Density (PSD) karena diketahui bahwa pola terbaik

terletak pada rentang frekuensi tertentu di domain frekuensi.

Pada penelitian sebelumnya, dilakukan optimisasi filter spasial dan filter

seleksi frekuensi menggunakan Covariance Matrix Adaptation Evolution Strategy

(CMA-ES). Pada proses klasifikasi, CMA-ES mampu mengoptimalkan filter

spasial dan filter seleksi frekuensi sehingga mampu memaksimalkan akurasinya

[5]. Namun, penggunaan algoritma CMA-ES pada preproses data EEG masih

membutuhkan waktu komputasi yang cukup lama. Oleh karena itu, dibutuhkan

optimasi komputasional berdasarkan algoritma Principal Component Analysis

(PCA), transformasi whitening, dan transformasi rotasi pada algoritma CMA-ES

untuk menghemat waktu komputasi yang dibutuhkan dan meningkatkan atau tetap

mempertahankan akurasi yang dihasilkan.

1.2 Tujuan dan Manfaat Penelitian

Penelitian ini memiliki beberapa tujuan dan manfaat sebagai berikut :

1. Melakukan optimasi komputasional pada algoritma CMA-ES untuk

menghemat biaya komputasi yang dibutuhkan dengan tetap mempertahankan

atau meingkatkan akurasi yang dihasilkan

3

2. Membangun algoritma CMA-ES untuk sistem klasifikasi sinyal EEG

menggunakan MATLAB

3. Membandingkan kinerja sistem yang menggunakan algoritma CMA-ES yang

telah dilakukan optimasi dengan yang tidak dilakukan optimasi.

1.3 Rumusan Masalah

Rumusan masalah yang diangkat dalam penelitian ini adalah sebagai berikut

:

1. Bagaimana melakukan optimasi komputasional pada algoritma CMA-ES

untuk menghemat biaya komputasi yang dibutuhkan dengan tetap

mempertahankan atau meingkatkan akurasi yang dihasilkan?

2. Bagaimana menyusun suatu algoritma CMA-ES dan merancang sistem yang

sesuai dengan metode yang digunakan?

3. Bagaimana kinerja sistem yang menggunakan algoritma CMA-ES yang telah

dilakukan optimasi dengan yang tidak dilakukan optimasi?.

1.4 Batasan Masalah

Permasalahan yang dibahas pada penelitian ini memiliki beberapa batasan

sebagai berikut :

1. Simulasi eksperimen dilakukan menggunakan MATLAB 8.1.0 atau

MATLAB R2013a.

2. Data yang digunakan adalah data IDIAP Research Institute yang telah

diuji dalam kompetisi BCI III tahun 2005 (data mentah).

1.5 Kontribusi Penelitian

Kontribusi pada penelitian ini adalah melakukan optimasi komputasional

pada algoritma CMA-ES berdasarkan algoritma Principal Component Analysis

(PCA), transformasi whitening, dan transformasi rotasi.

1.6 Metodologi

Pembuatan Tesis ini dilakukan dengan menggunakan metodologi sebagai

berikut:

1. Penyusunan Proposal Tesis

4

Tahap awal untuk memulai pengerjaan Tesis adalah penyusunan Proposal

Tesis. Pada penulisan proposal penulis mengajukan gagasan untuk

memecahkan masalah mengenai lamanya waktu komputasi yang dibutuhkan

dalam klasifikasi sinyal EEG menggunakan optimasi algoritma CMA-ES.

2. Studi Literatur

Pada tahapan ini akan dilakukan studi literatur mengenai metode yang

digunakan, yaitu metode optimasi algoritma CMA-ES menggunakan basis

nonortogonal.

3. Pengimplementasian Rumus secara Analitis

Tahap ini merupakan tahap penerapan dasar teori yang telah dipahami dalam

penggunaan rumus dan algoritma yang akan diterapkan.

4. Perancangan Perangkat Lunak dan Desain Sistem

Pada tahap ini dilakukan proses perancangan perangkat lunak, berdasarkan

literatur yang telah dikaji kemudian dibuat desain model, diagram alir proses-

proses yang ada, dan desain antarmuka aplikasi. Kemudian untuk selanjutnya

akan diimplementasikan.

5. Pengimplementasian Perancangan Perangkat Lunak

Pada tahap ini dilakukan proses pengimplementasian, dengan berdasar pada

rancangan awal perangkat lunak dan literatur yang telah dikaji. Aplikasi telah

dibuat secara menyeluruh.

6. Uji Coba dan Evaluasi

Pada tahap ini akan diuji aplikasi yang telah selesai diimplementasikan

tersebut.

7. Penyusunan Laporan Tesis

Pada tahap ini disusun buku sebagai dokumentasi dari pelaksanaan Tesis

yang mencangkup seluruh konsep, teori, implementasi, serta hasil yang telah

dikerjakan.

1.7 Sistematika Penulisan

Laporan Tesis ini dibagi menjadi beberapa bab, sebagai berikut:

a. Bab I, Pendahuluan, berisi latar belakang, rumusan masalah, batasan masalah,

tujuan dan manfaat, kontribusi, metodologi, dan sistematika penulisan.

5

b. Bab II, Dasar Teori, akan dibahas dasar ilmu yang mendukung pembahasan

Tesis ini.

c. Bab III, Metodologi Penelitian, berisi pembahasan mengenai metodologi

yang digunakan dalam penerapan basis nonortogonal pada Covariance Matrix

Adaptation-Evolution Strategy untuk klasifikasi sinyal

Electroencephalograph berdasarkan Brain Computer Interface. Pada bab ini

juga dibahas mengenai perancangan data yang terdiri dari data proses, data

masukan, dan data keluaran.

d. Bab IV, Uji Coba dan Evaluasi, akan dilakukan uji coba berdasarkan

parameter-parameter yang telah ditetapkan kemudian dilakukan analisa

terhadap hasil uji coba tersebut.

e. Bab V, Kesimpulan, berisi kesimpulan yang dapat diambil dari Tesis ini

beserta saran untuk pengembangan selanjutnya.