Article Per Year (5 Year)
p-Index From 2020 - 2025
0.969
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) TELKOMNIKA (Telecommunication Computing Electronics and Control) Bulletin of Electrical Engineering and Informatics Proceeding of the Electrical Engineering Computer Science and Informatics Indonesian Journal of Electrical Engineering and Computer Science
Esmeralda C. Djamal
Universitas Jenderal Achmad Yani
Computer Science & IT Electrical & Electronics Engineering

Published : 26 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 26 Documents
Search

 1   2   3 
Significant variables extraction of post-stroke EEG signal using wavelet and SOM kohonen Esmeralda C. Djamal; Deka P. Gustiawan; Daswara Djajasasmita
TELKOMNIKA (Telecommunication Computing Electronics and Control) Vol 17, No 3: June 2019
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/telkomnika.v17i3.11776

Abstract

Stroke patients require a long recovery. One success of the treatment given is the evaluation and monitoring during recovery. One device for monitoring the development of post-stroke patients is Electroencephalogram (EEG). This research proposed a method for extracting variables of EEG signals for post-stroke patient analysis using Wavelet and Self-Organizing Map Kohonen clustering. EEG signal was extracted by Wavelet to obtain Alpha, beta, theta, gamma, and Mu waves. These waves, the amplitude and asymmetric of the symmetric channel pairs are features in Self Organizing Map Kohonen Clustering. Clustering results were compared with actual clusters of post-stroke and no-stroke subjects to extract significant variable. These results showed that the configuration of Alpha, Beta, and Mu waves, amplitude together with the difference between the variable of symmetric channel pairs are significant in the analysis of post-stroke patients. The results gave using symmetric channel pairs provided 54-74% accuracy.
Precipitation prediction using recurrent neural networks and long short-term memory Mishka Alditya Priatna; Esmeralda C. Djamal
TELKOMNIKA (Telecommunication Computing Electronics and Control) Vol 18, No 5: October 2020
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/telkomnika.v18i5.14887

Abstract

Prediction of meteorological variables such as precipitation, temperature, wind speed, and solar radiation is beneficial for human life. The variable observations data is available from time to time for more than thirty years, scattered each observation station makes the opportunity to map patterns into predictions. However, the complexity of weather variables is very high, one of which is influenced by Decadal phenomena such as El-Nino Southern Oscillation and IOD. Weather predictions can be reviewed for the duration, prediction variables, and observation stations. This research proposed precipitation prediction using recurrent neural networks and long short-term memory. Experiments were carried out using the prediction duration factor, the period as a feature and the amount of data set used, and the optimization model. The results showed that the time-lapse as a shorter feature gives good accuracy. Also, the duration of weekly predictions provides more accuracy than monthly, which is 85.71% compared to 83.33% of the validation data.
Brain-computer interface of focus and motor imagery using wavelet and recurrent neural networks Esmeralda C. Djamal; Rifqi D. Putra
TELKOMNIKA (Telecommunication Computing Electronics and Control) Vol 18, No 5: October 2020
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/telkomnika.v18i5.14899

Abstract

Brain-computer interface is a technology that allows operating a device without involving muscles and sound, but directly from the brain through the processed electrical signals. The technology works by capturing electrical or magnetic signals from the brain, which are then processed to obtain information contained therein. Usually, BCI uses information from electroencephalogram (EEG) signals based on various variables reviewed. This study proposed BCI to move external devices such as a drone simulator based on EEG signal information. From the EEG signal was extracted to get motor imagery (MI) and focus variable using wavelet. Then, they were classified by recurrent neural networks (RNN). In overcoming the problem of vanishing memory from RNN, was used long short-term memory (LSTM). The results showed that BCI used wavelet, and RNN can drive external devices of non-training data with an accuracy of 79.6%. The experiment gave AdaDelta model is better than the Adam model in terms of accuracy and value losses. Whereas in computational learning time, Adam's model is faster than AdaDelta's model.
Identification of post-stroke EEG signal using wavelet and convolutional neural networks Esmeralda C. Djamal; Rizkia I. Ramadhan; Miranti I. Mandasari; Deswara Djajasasmita
Bulletin of Electrical Engineering and Informatics Vol 9, No 5: October 2020
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (675.505 KB) | DOI: 10.11591/eei.v9i5.2005

Abstract

Post-stroke patients need ongoing rehabilitation to restore dysfunction caused by an attack so that a monitoring device is required. EEG signals reflect electrical activity in the brain, which also informs the condition of post-stroke patient recovery. However, the EEG signal processing model needs to provide information on the post-stroke state. The development of deep learning allows it to be applied to the identification of post-stroke patients. This study proposed a method for identifying post-stroke patients using convolutional neural networks (CNN). Wavelet is used for EEG signal information extraction as a feature of machine learning, which reflects the condition of post-stroke patients. This feature is Delta, Alpha, Beta, Theta, and Mu waves. Moreover, the five waves, amplitude features are also added according to the characteristics of the post-stroke EEG signal. The results showed that the feature configuration is essential as distinguish. The accuracy of the testing data was 90% with amplitude and Beta features compared to 70% without amplitude or Beta. The experimental results also showed that adaptive moment estimation (Adam) optimization model was more stable compared to Stochastic gradient descent (SGD). But SGD can provide higher accuracy than the Adam model. 
Perintah Menggunakan Sinyal Suara dengan Mel-Frequency Cepstrum Coefficients dan Learning Vector Quantization Neneng Nurhamidah; Esmeralda C. Djamal; Ridwan Ilyas
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2017
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan teknologi informasi mengarahkan perintah komputer tidak hanya dari keyboard, mouse ataupun touchscreen, tetapi dapat menggunakan suara atau pikiran. Persoalan utama dari instruksi suara adalah identifikasi kata yang diucapkan sehingga perlu proses ekstraksi yang tepat. Beberapa penelitian terdahulu mengidentifikasi suara dengan menggunakan Mel-Frequency Cepstrum Coefficients (MFCC) untuk mengoperasikan komputer, instruksi lampu otomatis dan penguncian pintu. Sementara penelitian lain menggunakan Linier Predictive Cepstral Coefficients sebagai pembanding MFCC dengan hasil akurasi MFCC lebih baik ketika mengenali suara dalam kondisi bising.  MFCC memiliki kemiripan dengan sistem pendengaran manusia serta merupakan perhitungan yang kuat dan hemat biaya. Penelitian ini telah membuat sistem identifikasi kata. Identifikasi dibagi atas tiga kelas yaitu “Klasik”, “Dangdut” dan “Pop”, yang digunakan untuk aksi mengoperasikan tiga jenis lagu yang sesuai. Sinyal suara diekstraksi menggunakan MFCC yang kemudian diidentifikasi menggunakan Learning Vector Quantization (LVQ). Data latih dan data uji didapatkan dari enam naracoba dan 10 kali perulangan dari yang mengucapkan kata “Klasik”, “Dangdut” dan “Pop” secara terpisah. Kemudian sinyal suara yang direkam dilewatkan praproses menggunakan Histogram Equalization, DC Removal  dan Pre-emphasize untuk mereduksi noise dari sinyal suara, yang kemudian diekstraksi menggunakan MFCC. Spektrum frekuensi yang dihasilkan dari MFCC diidentifikasikan menggunakan LVQ setelah melewati proses pelatihan terlebih dahulu. Hasil penelitian diperoleh akurasi sebesar 92% untuk identifikasi data yang telah dilatih. Sedangkan pengujian data baru diperoleh akurasi sebesar 46%.
Identifikasi Suara Pengontrol Lampu Menggunakan Mel-Frequency Cepstral Coefficients dan Hidden Markov Model Angga Kersana Munggaran; Esmeralda C. Djamal; Rezki Yuniarti
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2017
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Identification of voice signals can be used to command a computer system. Identification can be made of voice owner and spoken word. Identification of voice owner is used for security, while spoken word identification is often used to execute command on external devices. Previous research on voice identification using Mel-Frequency Cepstral Coefficient and Linear Vector Quantisation, other research using Linear Prediction Cepstral Coefficients and Linear Vector Quantisation. This study create a system that can identify the speakers on 15 seconds. Voice signal extracted using Mel Frequency Cepstral Coefficient, then Hidden Markov Model are used for classification. The classification results are tested to execute the command to turn on lamp.
Deteksi Respon Konsentrasi Terhadap Rangsangan Suara Secara Real-Time Menggunakan Wavelet dan Support Vector Machine Nendra Cahya Permana; Esmeralda C. Djamal; Agus Komarudin
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2017
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Konsentrasi merupakan penunjang untuk mencapai tujuan dalam melakukan kegiatan. Rangsangan suara dapat mempengaruhi konsentrasi dan dapat digunakan dalam terapi rehabilitasi medik. Oleh karena itu, peningkatan konsentrasi dapat dilakukan dengan pemberian rangsangan suara, namun perlu diukur efektivitasnya ditinjau dari jenis suara dan waktu pemberian. Namun, untuk mendeteksi respon tingkat konsentrasi terhadap rangsangan suara tersebut tidak mudah. EEG merupakan suatu alat yang dapat memberikan informasi kondisi pikiran berdasarkan aktivitas listrik di otak. Beberapa penelitian terdahulu telah melakukan analisis sinyal EEG untuk kondisi emosi, kondisi rileks, dan variabel pikiran lainnya. Analisis sinyal EEG tidak mudah, termasuk untuk mendeteksi respon konsentrasi sehingga diperlukan pemrosesan menggunakan metode yang tepat. Penelitian terdahulu menggunakan Absolute Power Spectrum, Wavelet dan Adaptive Backpropagation untuk identifikasi konsentrasi secara offline. Dalam evaluasi terapi, respon tingkat konsentrasi terhadap rangsangan suara perlu dideteksi setiap waktunya sehingga dibutuhkan perangkat yang dapat memonitor respon konsentrasi secara real-time. Penelitian ini telah menghasilkan sistem untuk mendeteksi respon tingkat konsentrasi seseorang terhadap rangsangan suara secara real-time setiap enam detik. Sistem dibangun menggunakan Wavelet untuk ekstraksi ciri dan Support Vector Machine untuk memisahkan tingkat konsentrasi dengan akurasi yang diperoleh sebesar 93,6% untuk data latih dan 85% untuk data uji.
Identifikasi Respon Emosional Berdasarkan Sinyal Elektroensephalogram Menggunakan Wavelet dan Support Vector Machine Diansyah Andri Ramdhany; Esmeralda C. Djamal; Agus Komarudin
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2017
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Video game dapat menimbulkan respon emosional yang berbeda bagi pemainnya, seperti senang, semangat, ataupun marah. Jika respon emosional marah yang timbul dibiarkan berkelanjutan, dapat membahayakan, terutama pada anak-anak. Oleh karena itu, diperlukan perangkat monitoring respon emosional saat bermain video game secara real time. Namun, hal ini tidaklah mudah. Kondisi emosional dapat diidentifikasi salah satunya menggunakan sinyal Elektroensephalogram (EEG), namun, analisis sinyal tersebut terlalu kompleks. Beberapa penelitian menggunakan sinyal EEG untuk identifikasi respon emosional, tingkat perhatian, ataupun untuk menggerakkan perangkat eksternal. Identifikasi respon emosional penelitian lalu dilakukan secara offline sehingga kurang efektif untuk monitoring. Sementara penelitian lainnya menggunakan Support Vector Machine (SVM) untuk mengidentifikasi respon emosional secara real time. Keunggulan SVM untuk mengidentifikasi sinyal EEG dapat dilakukan sekitar 0,0161 detik, lebih cepat daripada waktu identifikasi real time setiap 10 detik. Pada penelitian ini, sistem dibuat untuk mengidentifikasi respon emosional secara real time saat bermain video game. Identifikasi dilakukan setiap 10 detik, dengan pertimbangan waktu yang cukup terhadap perubahan emosional. Sistem dibangun menggunakan ekstraksi Wavelet dan klasifikasi Support Vector Machine dari data latih 10 naracoba dan lima kali perulangan untuk setiap respon emosional, yaitu marah, senang, dan semangat. Tingkat akurasi yang dihasilkan sebesar 88% untuk data latih dan 70% untuk data uji.
Brain Computer Interface Untuk Aksi Memutar Lagu Terhadap Tiga Kondisi Emosional Menggunakan Spektral Daya dan Adaptive Backpropagation Iyan Taufik Hidayat; Esmeralda C. Djamal; Ridwan Ilyas
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2017
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Musik dapat memberikan efek positif bagi kondisi psikologis dan emosional seseorang, misalnya bagi penyandang Tuna Laras dan penderita gangguan syaraf. Bagi orang yang memiliki keterbatasan fisik, mengoperasikan perangkat eksternal seperti memutar lagu tidaklah mudah. Oleh karena itu Brain Computer Interface (BCI) dengan Elektroensephalogram (EEG) sebagai perangkat intermediate adalah salah satu solusi untuk menangani masalah tersebut. Penelitian terdahulu menggunakan sinyal EEG untuk identifikasi kondisi emosi. Namun pola sinyal dari EEG tidak dapat diklasifikasikan langsung dalam bentuk kondisi emosional, sehingga dibutuhkan sebuah model komputasi yang dapat mengklasifikasikan emosi sebagai masukan dalam mengoperasikan musik dengan genre yang sesuai. Penelitian sebelumnya menggunakan BCI untuk mengendalikan kursi roda dan sebagai input dari video game. Penelitian ini telah membangun BCI melalui sinyal EEG  untuk identifikasi kondisi emosional yang digunakan untuk memilih genre lagu yang dioperasikan. Model komputasi yang dibangun menggunakan Spektral Daya sebagai ekstraksi dan Adaptive Backpropagation sebagai identifikasi. Data EEG hasil perekaman diambil dua menit terakhir, dilakukan pada 10 naracoba untuk data latih dan 10 naracoba data uji dengan tiga kali perekaman dan lima kali perulangan. Sinyal EEG diekstraksi menggunakan Spektral Daya pada frekuensi 4-30 Hz dengan frekuensi sampling 128 Hz, dan diklasifikasikan menggunakan Adaptive Backpropagation. BCI terintegrasi dengan wireless EEG dalam bentuk perangkat lunak. Hasil penelitian memperoleh akurasi pengujian sebesar 99% untuk data yang telah dilatih dan 54% untuk pengujian data baru.
Identifikasi Respon Emosional Terhadap Rangsangan Suara Melalui Sinyal Elektroensephalogram Menggunakan Wavelet Dan Learning Vector Quantization Poppi Lodaya; Esmeralda C. Djamal; Agus Komarudin
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2017
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Emosi merupakan suatu perasaan manusia, seperti senang, sedih, semangat, dan kecewa yang dipengaruhi beberapa faktor seperti cuaca, lingkungan, kesehatan, suara, film, dan video game. Beberapa orang mempunyai kesulitan dalam mengendalikan emosi, biasanya diakibatkan depresi ataupun mengalami gangguan pada syaraf otak. Oleh karena itu diperlukan terapi, yang salah satunya menggunakan rangsangan suara. Keberhasilan terapi ditentukan dari jenis rangsangan suara dan waktu. Oleh karena itu, dibutuhkan identifikasi respon emosional terhadap rangsangan suara secara real time. Salah satu instrumen yang dapat menangkap kondisi emosional adalah Elektroensephalogram (EEG), namun analisisnya tidaklah mudah. Beberapa penelitian terdahulu melakukan identifikasi kondisi rileks, kondisi mental, kewaspadaan, tingkat perhatian melaui sinyal EEG. Identifikasi emosional juga telah dilakukan di antaranya menggunakan Wavelet dan Backpropagation, Wavelet, Support Vector Machine (SVM), dan Frantal Dimension. Namun penelitian tersebut tidak dilakukan secara real time sehingga mempunyai kelemahan memperoleh waktu efektif pemberian terapi jika digunakan untuk evaluasi. Penelitian ini telah membuat sistem diimplementasikan dalam perangkat lunak identifikasi respon emosional secara real time terhadap rangsangan suara dengan segmentasi waktu per 10 detik dalam identifikasinya. Dalam proses akuisisi data dilakukan terhadap 10 naracoba dengan lima kali perulangan dengan 3 jenis respon yang berbeda yaitu respon semangat. rileks, dan sedih. Hasil pengujian dengan menggunakan seluruh data latih yang sebanyak 2400 menghasilkan akurasi sebesar 93%. Sistem telah diuji dengan menggunakan data baru yang menghasilkan akurasi sebanyak 75%, dan waktu respon 0.0041 detik. Waktu identifikasi cukup cepat dibandingkan waktu identifikasi 10 detik, sehingga dapat digunakan.
Co-Authors Agus Komarudin Agya Java Maulidin Ahmad Arif Alvi Yudistira Angga Kersana Munggaran Arifah Ummul Fadiyah Asti F. Fadlilah Azmira Mifti Harjana Daswara Djajasasmita Deka P. Gustiawan Destri Wulansari Deswara Djajasasmita Diansyah Andri Ramdhany Faiza Renaldi Fikri Nugraha Fitri Nur Suciani Irma Santikarama Irvan Herdiansyah Iyan Taufik Hidayat Miranti I. Mandasari Mishka Alditya Priatna Mohammad Rizky Alimansyah Muhammad Fauzan Ar Rasyid Nendra Cahya Permana Neneng Nurhamidah Nur Muhammad Hasyim Poppi Lodaya Resa Abdilah Rezki Yuniarti Ridwan Ilyas Rifqi D. Putra Rizkia I. Ramadhan Rozak Arief Pratama Tertianto Prabowo Widiyanti Isni Furi