Perpustakaan Digital ITB

Sistem saraf merupakan bagian dari sistem organ manusia, yang memiliki tiga fungsi dasar, yaitu: menerima input sensori dengan mengumpulkan informasi dari sensor penerima, melakukan proses integrasi yang mengolah dan menginterpretasikan input yang diterima sensor, serta menghasilkan output motorik dengan melakukan aktivasi yang mempengaruhi organ dalam hal memberikan respon. Pada sistem saraf, otak merupakan salah satu organ di mana sel saraf merupakan bagian dari otak dengan skala yang lebih kecil. Jumlah sel saraf yang ada di otak sekitar seratus miliar sel. Aktivitas pada sel saraf pada skala ion menghasilkan beda potensial sisa sekitar -70 milivolt. Secara keseluruhan aktivitas otak yang terkait dengan sel saraf tersebut menghasilkan beda potensial kumulatif yang dapat dideteksi di bagian luar kepala pada kisaran 20-100 mikrovolt. Perangkat yang digunakan untuk mengukur beda pontensial di bagian luar kepala tersebut dikenal dengan istilah Electroencephalograph (EEG). Dari fungsi utama yang dimiliki sistem saraf, terdapat beberapa jenis gangguan, salah satunya dapat berdampak kelumpuhan di mana sistem saraf tidak bisa meneruskan perintah gerak atau fungsi motorik. Kelumpuhan ini dapat mempengaruhi kemampuan manusia dalam hal komunikasi ataupun mobilitas. Untuk dapat membantu manusia dalam kondisi kelumpuhan tersebut, diperlukan suatu alat bantu, yaitu sistem Brain Computer Interface (BCI). Sistem BCI menangkap aktivitas otak dengan memanfaatkan EEG, untuk diterjemahkan langsung menjadi pesan atau perintah. Sistem BCI berbasiskan EEG merupakan translasi dari sinyal otak menjadi bentuk pesan atau perintah. Pada sistem BCI terdapat 2 (dua) bagian proses utama yaitu: ekstraksi fitur dan klasifikasi. Sistem BCI berbasiskan EEG dengan fokus pada sinyal yang terkait dengan gerakan, pada proses ekstraksi fitur yaitu memilih fitur sinyal otak yang akan dijadikan parameter dalam merepresentasikan beberapa gerakan yang berbeda; dan proses klasifikasi yaitu menetukan apakah fitur tersebut masuk dalam daftar klasifikasi gerakan yang ada. Penentuan fitur sinyal yang akan digunakan sebagai indikator dari intensi gerakan dapat diambil pada sinyal domain waktu atau domain frekuensi. Fitur sinyal pada domain waktu dapat diperoleh dengan menggunakan pendekatan korelasi silang, yang merupakan produk dari sinyal referensi pada kanal EEG tertentu dan sinyal kanal lainnya. Sinyal referensi dapat dipilih langsung dari kanal EEG yang tersedia. Pendekatan korelasi silang menghasilkan suatu deret nilai yang disebut urutan korelasi silang. Ekstraksi fitur dapat menggunakan 6 nilai dasar statistik (maksimum, minimun, rata-rata, median, modus, dan standar deviasi) dari urutan korelasi silang, untuk selanjutnya digunakan sebagai dimensi data pada proses klasifikasi. Pada penelitian ini, tahap awal proses yang dilakukan pada sinyal EEG yaitu diterapkannya bandpass filter pada 8-35 Hz. Rentang frekuensi yang digunakan pada filter dengan mempertimbangkan tipikal sinyal yang terkait dengan intensi gerakan, yaitu mu dan beta ritme. Penentuan sinyal referensi yang digunakan pada metoda korelasi silang bersifat dinamis sehingga setiap kanal EEG diperlakukan sebagai sinyal referensi secara bergantian untuk mendapatkan kanal yang paling optimal dalam mendapatkan akurasi yang baik. Selain sinyal referensi, pada fitur yang dapat menggunakan 6 nilai dasar statistik, dilakukan pengujian dari masing-masing fitur tersebut secara independen. Pengujian fitur dilakukan untuk dapat melakukan analisa apakah fitur tersebut memberikan kontribusi pada pencapaian akurasi yang baik atau tidak. Data ujicoba yang digunakan, yaitu BCI Competition III, dataset IVa dengan validasi silang lipat 10 sebagai validasi. Hasil penelitian yang didapatkan, bahwa proses awal dengan penerapan bandpass filter pada 8-35 Hz memberikan kontribusi peningkatan akurasi menjadi lebih baik. Sinyal referensi yang digunakan untuk dapat menghasilkan tingkat akurasi yang tinggi bersifat dinamis, dimana kanal EEG sebagai sinyal referensi bergantung pada subyek. Hal ini membuktikan bahwa sinyal referensi tidak dapat ditentukan dengan memilih langsung salah satu kanal EEG namun diperlukan pengujian sehingga didapatkan kanal yang optimal dalam pencapaian akurasi tinggi. Penentuan kanal EEG yang paling optimal sebagai sinyal referensi pada proses kalibrasi, dapat membantu simplifikasi penggunaan kanal pada sisi penggunaan secara nyata. Pada penelitian penentuan dimensi dari fitur, juga didapatkan bahwa untuk mendapatkan akurasi yang baik tidak diperlukan banyak dimensi namun cukup menggunakan nilai maksimum dari urutan korelasi silang. Nilai maksimum merupakan refleksi dari similaritas sinyal yang dapat dijadikan fitur tunggal pada proses klasifikasi. Akurasi dari pendekatan yang digunakan pada data BCI Competition III, dataset IVa didapatkan rata-rata akurasi 99%. Untuk data lain dari sepuluh nara studi didapatkan rata-rata akurasi 84%. Dengan hasil akurasi yang diperoleh pada eksperimen di dua data sinyal otak, pengolahan awal sinyal dengan bandpass filter, pendekatan ekstraksi fitur berbasiskan korelasi silang dengan nilai maksimum sebagai dimensi tunggal serta pemilihan sinyal referensi yang tepat merupakan pendekatan yang handal untuk digunakan sebagai basis ekstrasi fitur di sistem BCI secara keseluruhan.