ITS-Master-29004-5111201902-Chapter1
description
Transcript of ITS-Master-29004-5111201902-Chapter1
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.