Article Per Year (5 Year)
p-Index From 2021 - 2026
13.012
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering IAES International Journal of Artificial Intelligence (IJ-AI) International Journal of Reconfigurable and Embedded Systems (IJRES) Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal INKOM TELKOMNIKA (Telecommunication Computing Electronics and Control) Bulletin of Electrical Engineering and Informatics Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika JETT (Jurnal Elektro dan Telekomunikasi Terapan) JOIV : International Journal on Informatics Visualization JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) TEKTRIKA - Jurnal Penelitian dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika Building of Informatics, Technology and Science Journal of Electronics, Electromedical Engineering, and Medical Informatics IJAIT (International Journal of Applied Information Technology) Journal of Applied Engineering and Technological Science (JAETS) Jurnal Abdi Insani Madani : Indonesian Journal of Civil Society JURPIKAT (Jurnal Pengabdian Kepada Masyarakat) JURNAL ILMIAH GLOBAL EDUCATION Prosiding Konferensi Nasional PKM-CSR Jurnal Nasional Teknik Elektro dan Teknologi Informasi eProceedings of Applied Science eProceedings of Engineering Community Service Seminar and Community Engagement (COSECANT) Abdibaraya: Jurnal Pengabdian Masyarakat Jurnal Rekayasa elektrika Jurnal INFOTEL Journal of Applied Engineering and Social Science
Sugondo Hadiyoso
Universitas Telkom
Agriculture, Biological Sciences & Forestry Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Nursing Public Health Social Sciences Other

Published : 157 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 42 Documents
Search
Journal : eProceedings of Engineering

 1   2   3   4   5 
Analisis Perbandingan Sinyal Alpha Dan Betha Eeg 5 Ch Terhadap Efek Yang Ditimbulkan Pada Seseorang Saat Diberi Stimulus Berupa Potongan Film Horor Bayu Erviga Yulanda Setiawan; Inung Wijayanto; Sugondo Hadiyoso
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Otak merupakan bagian utama tubuh yang berfungsi sebagai pengontrol gerak dan emosi jiwa. Sebagai pusat dari kontrol emosi jiwa, otak mampu membuat respon emosi berupa senang, sedih, cemas, tertekan dan ketakutan. Salah satu respon yang sangat menarik untuk diteliti adalah respon otak terhadap sebuah ketakutan. Banyak jenis-jenis ketakutan seperti ketakutan terhadap suatu kondisi tertentu, sebuah benda dan mitologi yang berkembang dimasyarakat. Hal yang unik untuk ditelisik lebih dalam adalah ketakutan terhadap suatu kondisi tertentu, seperti seseorang yang dihadapkan pada kondisi ketakutan saat melihat suatu film horror. Seseorang akan merasakan sensasi ketakutan yang ditimbulkan dari beberapa potongan adegan dalam film tersebut, yang mampu menimbulkan rangsangan pada otak. Rangsangan tersebut dapat terekam melalui alat electroencephalograph atau EEG yang berfungsi sebagai perangkat perekam sinyal yang terjadi pada otak. Dari hasil keluaran EEG tersebut ada 5 jenis sinyal otak seperti sinyal alfa, beta, delta, theta dan gamma dengan frekuensi masing-masing. Pada penelitian ini ekstrasi sinyal menggunakan metode DWT dikarenakan metode tersebut merupakan fungsi logic yang membagi data menjadi beberapa komponen frekuensi yang berbeda-beda, kemudian dilakukan analisis untuk masing-masing komponen menggunakan resolusi sesuai dengan skalanya yang dapat dimanfaatkan untuk memisahkan sinyal yang dianalisis, yaitu sinyal alpha dan betha. Hal ini memudahkan dalam proses analisis sinyal agar tidak tegabung dengan sinyal lain seperti delta, theta dan gamma dan membandingkan sinyal alpha dan beta setiap kanal serta menggunakan klasifikasi K-NN dengan parameter K=1,3,5,7,9. Hasil perbandingan pola sinyal alpha dan beta, untuk sinyal alpha yang cenderung muncul berada dikanal AF3 dan AF4. Sedangkan untuk sinyal beta cenderung muncul berada di kanal T7,Pz dan T8. Hasil pengujian menunjukkan akurasi tertinggi sinyal alpha berada pada kanal AF3 dengan akurasi sebesar 66.66% dan sinyal beta berada pada kanal T8 dengan akurasi sebesar 55.56%. Kata kunci : Film Horor, EEG 5 kanal , DWT, K-NN, alpha dan beta Abstract Brain is the main body that serves as a controlling motion and emotion of the soul. As the center of emotional control of the soul, brain is able to make emotional responses of happy, sad, anxious, depressed and fearful. One of the most interesting responses to be researched is the response to a fear. Many types of fears such as fear of a particular condition, fear of an object and mythology that developed in the community. The unique thing to be research more deeply is the fear of a certain condition, such as someone who will be faced with the condition of fear when seeing a horror movie. Someone will feel the sensation of fear generated from some scene in the movie, which will be able to cause stimulation of the brain. The stimulation can be recorded through an electroencephalograph or EEG device that serves as a signal recording device that occurs in the brain. From the EEG output there will be 5 types of brain signals such as alpha, beta, delta, theta and gamma signals with their respective frequencies. In this research we will observe 5 types of channels, that are AF3, T7, Pz, T8, AF4 using DWT method because the method is a logic function that divides data into several different frequency components, then analyzed for each component using resolution according to the scale that can be utilized to separate the signal to be analyzed, that are alpha and beta signals, this will facilitate the process of signal analysis so it does not combine with other signals such as delta, theta and gamma and use the K-NN classification with parameters K = 1, 3,5,7,9. The result from signal pattern comparison shows that alpha signal is more liable in AF3 and AF4 channels. While beta is more liable in T7, Pz and T8 channels. the simulation results show that the highest alpha signal accuracy is on the AF3 channel with an accuracy of 66.66% and the beta signal is on the T8 channel with an accuracy of 55.56%. Keywords: Horror movie, EEG 5channal , DWT, K-NN, alpha dan beta
Analisis Perbandingan Pola Sinyal Alfa Dan Beta Eeg Untuk Klasifikasi Kondisi Rileks Pada Perokok Aktif Dengan Menggunakan K-nearest Neighbor Ahmad Hilmi; Inung Wijayanto; Sugondo Hadiyoso
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Rokok mengandung unsur nikotin yang dapat membuat kecanduan. Kecanduan terhadap alkohol, obat-obatan dan rokok dapat mempengaruhi kondisi rileks penggunanya. Kondisi rileks seseorang dapat diamati menggunakan EEG. EEG atau Electroencephalograph merupakan suatu kegiatan untuk merekam aktivitas listrik neuron otak. EEG sering digunakan untuk analisis aktivitas otak dan prediksi emosi yang dihasilkan. Dengan EEG diharapkan dapat mengamati kondisi rileks perokok aktif. Dalam jurnal ini penulis membahas bagaimana cara membangun sistem untuk mengklasifikasikan kondisi rileks perokok aktif berdasarkan analisis pola sinyal alfa dan beta EEG. K-Nearest Neighbor (K-NN) digunakan sebagai metode pengklasifikasian kondisi. Selain itu, untuk meningkatkan performansi sistem yang dibangun, digunakan Principal Component Analysis (PCA) sebagai ekstraksi ciri untuk melakukan reduksi dimensi pada dataset EEG. Hasil pengujian menunjukkan akurasi terbaik pada sinyal alfa didapatkan dengan nilai 90% dan pada sinyal beta didapatkan dengan nilai 96.67%. Serta hasil korelasi silang menunjukkan bahwa setiap data uji memiliki kemiripan dengan data latih, dengan rata-rata 83.33% pada sinyal alfa dan 90% pada sinyal beta. Maka dapat disimpulkan bahwa sinyal otak orang yang sedang merokok cenderung terdeteksi sebagai sinyal otak orang pada kondisi rileks.Kata Kunci : Rokok, Electroencephalograph, Principal Component Analysis, K-Nearest Neighbor.
Identifikasi Biometrik Berdasakan Sinyal Eeg 4 Kanal Dengan Stimuli Foto Menggunakan Metode Hjorth Fauzia Anis Sekar Ningrum; Inung Wijayanto; Sugondo Hadiyoso
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Teknik biometrik adalah metode untuk mengenali seseorang berdasarkan karakteristik fisiologis atau karakteristik perilaku. Keunggulan dari teknik biometrik adalah keaslian lebih terjamin dan sulit di modifikasi. Teknik Biometrik yang akan diteliti dalam tugas akhir ini dengan memanfaatkan sinyal otak yaitu EEG. Electroencephalograph (EEG) adalah suatu alat yang mempelajari gambar dari rekaman aktifitas listrik dalam otak manusia yang memanfaatkan sinyal sebagai identifikasi biometrik. Pada tugas akhir ini diusulkan sebuah kerangka identifikasi biometrik berdasarkan sinyal EEG dengan stimuli foto. Pengambilan data dilakukan kepada 5 partisipan dengan 5 kali pengambilan data menggunakan Muse Headband Monitor yang dipasangkan pada kepala partisipan. Dalam tugas akhir ini ektraksi ciri yang digunakan menggunakan metode Hjorth Descriptor dan klasifikasi JST Backpropagation. Dalam penelitian ini menggunakan data sebanyak 25 (terdiri dari 10 data uji dan 15 data latih), data tersebut diklasifikasikan kedalam 4 kelas. Sistem yang telah dibuat menghasilkan tingkat akurasi yang lebih baik dibandingkan menggunakan ekstraksi ciri yang lain yaitu mencapai 88%. Kata kunci: EEG, otak, biometrik, stimuli, hjorth. Abstract Biometric techniques are methods for recognizing a person based on physiological characteristics or behavioral characteristics. The advantages of biometric techniques are more assured of authenticity and difficult to modifications. The biometric technique that will be examined in this final task by utilizing brain signals namely EEG. Electroencephalograph (EEG) is a tool that examines the pictures from the recording of the electrical activity in the human brain that utilizes the signals as a biometric identification. In this final project proposes a framework of EEG signal based on biometric identification with photo stimuli. Data capture is carried out to 5 participants, 5 times using Muse Headband Monitors attached to the participant's head. In this final project, feature extraction that used using the Hjorth Descriptor method and classification of Backpropagation Artificial Neural Network. In this study, using 25 data (consisting of 10 test data and 15 training data), the data is classified into 4 classes. The system that has been made produces a better level of accuracy compared to using other feature extraction which is 88%. Keyword: EEG, brain, biometrics, stimuli, hjorth.
Analisis Perbandingan Sinyal Beta Dan Gamma Eeg 4 Kanal Terhadap Efek Yang Ditimbulkan Pada Seseorang Saat Diberi Stimulus Berupa Potongan Film Horor Luthfi Muhammad Pahlevi; Inung Wijayanto; Sugondo Hadiyoso
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

ABSTRAK Film merupakan media komunikasi audio visual untuk menyampaikan suatu pesan untuk orang lain. Film horror sendiri memiliki daya Tarik bagi penontonya. Rasa takut, tegang dan konsentrasi yang diciptakan dapat membuat penonton terpusat di dalamnya. Hal tersebut dapat mempengaruhi otak seseorang. Otak manusia sendiri memiliki beberapa jenis sinyal diantaranya alpha, beta, delta, theta, gamma. Kondisi otak seseorang saat menonton film horror dapat dianalisa melalui Electroencepalograph (EEG). Pada tugas akhir kali ini dilakukan analisa sinyal beta dan gamma pada otak manusia untuk mengetahui keadaan otaknya. Dengan menggunakan EEG 4 kanal sebagai alat pendeteksi sinyal otak dan alat pendeteksi denyut jantung yang dipasang pada jari manusia serta merekam ekspresi wajah saat diberikan stimulus berupa film horror, untuk menganalisa bagaimana bentuk sinyal beta dan gamma yang terjadi pada otak manusia. Metode yang digunakan pada penelitian ini adalah metode Principal Component Analysis (PCA) dan K-Nearest Neighbor (K-NN) sebagai klasifikasi. Pengujian yang dilakukan menghasilkan perbandingan sinyal beta cenderung muncul pada kanal AF7, AF8, TP9. Sementara sinyal gamma cenderung muncul pada kanal TP10. Nilai akurasi tertinggi pada pengujian berada pada kanal AF7 dengan nilai akurasi beta 66,667% dan sinyal gamma sebesar 55,556%. Kata Kunci : Horror, EEG, Sinyal, Beta, Gamma, Otak ABSTRACT Movie is a communication media in visual audio form to give such message to people in some places. A horror movie has it’s kind of attraction to its audiences. The fear, tremble and concentration that is made by watching horror movie makes the audience more focus in it. Those things can make an impact to someone’s brain. Human brain itself has many types of signals, those are alpha, beta, gamma and delta. Human brain condition when watching horror movies can be analyzed using Electroencephalograph (EEG). In this research, beta and gamma signals in brain waves will be analyzed to understand the brain’s condition. By using 4 channels EEG as a tool in signals detection and a heart beat detector that is installed in someone’s finger and a camera to record the expression from his face when a stimulus of horror movie is given, to analyze how the beta and gamma signals formed in brain waves. The method that is used inthis research is Principal Component Analysys (PCA). And K-Nearest Neighbor (K-NN) for classifying. The result of this research shows that beta signal is more liable in AF7, AF8, and TP9 channels. While gamma signal is more liable in TP10 channel. The maximum value of accuracy found in AF7 channel in the amount of 66,667% in beta signal and 55,556% in alpha signal. Keyword : Horror, EEG, Signal, Beta, Gamma, Brain
Analisis Perbandingan Pola Sinyal Alpha Dan Theta Eeg Untuk Deteksi Trypophobia Dengan Menggunakan Hjorth Descriptor Rizal Fachrudin Maulana; Inung Wijayanto; Sugondo Hadiyoso
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Trypophobia merupakan salah satu fobia spesifik yang mengacu pada ketakutan, panik, dan jijik saat diberi rangsangan visual terdiri dari objek berupa kumpulan benda berlubang dan tidak berbahaya seperti kondensasi air, sarang lebah, dan spons laut. Electroencephalograph (EEG) merupakan alat untuk merekam aktivitas listrik pada otak melaui elektroda yang diletakan pada kulit kepala. Rekaman sinyal EEG berisi informasi mengenai keadaan fisiologis otak dan gangguan neurologis pada otak. Pada tugas akhir ini dibangun sistem untuk mendeteksi trypophobia berdasarkan analisis pola sinyal alpha dan theta EEG. Metoda Hjorth Descriptor sebagai metode ekstraksi ciri sinyal EEG. Untuk metoda klasifikasi menggunakan Support Vector Machine. Hasil pengujian menunjukkan akurasi terbaik pada sinyal alpha pada kernel RBF didapatkan dengan nilai 95.83% dan pada sinyal theta didapatkan dengan nilai 87.5% untuk mendeteksi trypophobia dan tidak. Serta dilakukan pengujian dengan menambahkan kelas stress dengan hasil akurasi terbaik alpha sebesar 75% dan sinyal theta 66.66%. Maka dapat disimpulakan bahwa sinyal trypophobia berbeda dengan yang tidak. Namun jika dibandingkan dengan kondisi stress, sinyal trypophobia masih ada kemiripan dengan kondisi stress. Kata Kunci : Trypophobia, Eclectroencephalograph, Hjorth Descriptor, Support Vector Machine (SVM) Abstract Trypophobia is one of the specific phobias that refers to fear, panic, and disgust when given visual stimuli consisting of objects in the form of a collection of hollow and harmless objects such as water condensation, honeycomb, and sea sponge. Electroencephalograph (EEG) is a tool to record electrical activity in the brain through electrodes placed on the scalp. Recorded EEG signals contain information about the physiological state of the brain and neurological disorders of the brain. In this final project built a system to detect trypophobia based on pattern analysis of alpha and theta EEG signals. The Hjorth Descriptor method is an EEG signal characteristic extraction method. For the classification method using Support Vector Machine. The test result shows the best accuracy on alpha signal in RBF kernel obtained with 95.83% and on theta signal obtained with 87.5% to detect trypophobia and not trypophobia. And done the test by adding stress class with the best alpha accuracy of 75% and theta signal 66.66%. It can be concluded that trypophobia signals are different from those not. However, when compared with stress conditions, trypophobia signal is still similar to the stress conditions. Keywords : Trypophobia, Eclectroencephalograph, Hjorth Descriptor, Support Vector Machine (SVM)
Wrapper Features Subset Selection Sebagai Ekstraksi Ciri Untuk Proses Analisis Sinyal Alfa Dan Sinyal Beta Eeg Brainwave Untuk Mengetahui Kondisi Normal Pada Manusia Saat Mendengarkan Musik Jazz Bagus Tri Astadi; Inung Wijayanto; Sugondo Hadiyoso
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Musik merupakan suatu hal yang dapat mempengaruhi emosi dan ekspresi seseorang. Dengan musik, seseorang dapat menjadi tenang hanya dengan mendengarkannya. Musik yang dapat membuat sesorang menjadi tenang salah satunya musik bergenre jazz. Musik jazz yang didengar oleh seseorang akan langsung menimbulkan reaksi pada otak. Dari sinyal-sinyal yang dikeluarkan otak tersebut dapat dideteksi dengan cara mengklasifikasikan sinyal alfa dan sinyal beta. Sehingga dapat diketahui bagaimana keadaan otak pada pendengar musik jazz. Electroencephalography (EEG) merupakan alat dapat menerima sinyal otak yang dikeluarkan akibat adanya aktivitas abnormal dalam fungsi otak. Otak seseorang yang sedang mendengarkan music jazz akan mengeluarkan sinyal-sinyal tertentu yang kemudian diterima oleh alat EEG. Dengan teknologi EEG dan metode Wrapper Features Subset Selection dapat diketahui kondisi otak pada pendengar musik jazz. Dalam keadaan tenang otak akan menghasilkan sinyal alfa dan sinyal beta dengan amplitudo tertentu. Sehingga sinyal alfa dan sinyal beta tersebut yang kemudian dapat diklasifikasikan dan dianalisis.Kata Kunci: Musik, Jazz, Electroencephalography, Wrapper Features Subset Selection, Sinyal alfa, Sinyal beta
Klasifikasi Tipe Emosi Arousal Pada Sinyal Eeg Dengan Metode Support Vector Machine Nur Arviah Sofyan; Rita Purnamasari; Sugondo Hadiyoso
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Perkembangan teknologi Brain Computer Interface saat ini telah menyebar dalam kasus mengklasifikasikan emosi berdasarkan sinyal otak (EEG) pada manusia, yang dalam penelitian ini menggunakan data sekunder dari DEAP. Salah satu parameter emosi yang difokuskan di sini adalah tipe emosi arousal dengan jangkauan dari rendah (uninterested) ke tinggi (excited). Penelitian ini menerapkan Principal Component Analysis sebagai ekstraksi fitur. Tidak hanya itu, ekstraksi fitur juga dilakukan secara statistik. Sedangkan untuk klasifikasi fitur menggunakan Support Vector Machine dengan akurasi maksimum yang hanya mampu mencapai 60% yang menandakan sistem masih membutuhkan perbaikan untuk penelitian selanjutnya. Kata Kunci: EEG, PCA, SVM, deteksi emosi Abstract The development of Brain Computer Interface technology nowadays has spread out in a case of classifying emotions based on brain signal (EEG) in human, which in this work using a set of secondary data from DEAP. One of the emotion parameters being focused on here is arousal with the range from low (uninterested) to high (excited). This study is applying Principal Component Analysis as the feature extraction. Not only that, feature extraction also being done statistically. As for feature classification is using Support Vector Machine with the maximum accuracy that only able to reach 60% which still needs improvements in the system for future works. Keyword : EEG, PCA, SVM, emotion detection
Analisis Perbandingan Pola Sinyal Alpha Dan Beta Eeg Dalam Kondisi Trypophobia Dengan Metode Wavelet Jehan Pratama Herdaning; Inung Wijayanto; Sugondo Hadiyoso
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Phobia merupakan rasa takut manusia akan hal-hal yang sangat sepele bagi mayoritas orang. Salah satu phobia yaitu Trypophobia merupakan rasa takut akan visual lubang-lubang yang kecil. Pengaruh dari efek trypophobia itupun bisa kita lihat gelombang otaknya dengan alat bernama EEG atau disebut Electroencephalograph, sehingga kita bisa mengetahui seseorang itu benar-benar mengalami Trypophobia atau tidak. Pada tugas akhir ini dibangun sistem untuk mengklasifikasikan kondisi seseorang tidak merasa takut, dan kondisi seseorang merasa takut akan Trypophobia berdasarkan analisi sinyal alpha dan beta EEG. Artificial Neural Network (ANN) digunakan untuk pengklasifikasian kondisi. Untuk ekstra ciri datanya digunakan Discrete Wavelete Transform (DWT) agar performansi sistem bisa ditingkatkan dan melakukan reduksi dimensi dataset EEG. Hasil pengujianya menunjukan bahwa performa terbaik didapatkan pada sinyal beta yang memiliki akurasi parameter ciri tertinggi yaitu Maksimum, Standar Deviasi dan Variansi dengan nilai akurasi 100%, dengan waktu komputasi 0.027 dan 0.037 detik. Sedangkan untuk sinyal alfa didapat dengan parameter Variansi dan Interquartile Range sebesar 96.42% dengan waktu 0.03 dan 0.032 detik. Meskipun akurasinya sama, namun rata-rata akurasi berdasarkan neuronnya, beta lebih tinggi dari pada alfa, sehingga dapat disimpulkan sinyal beta lebih peka terhadap ketakutan seperti Trypophobia dan channel AF7 baik dalam menangkap sinyal EEG yang terstimulus Trypophobia. Kata Kunci : Phobia, Trypophobia, Electroencephalograph, Artificial Neural Network, Discrete Wavelete Transform. Abstract A phobia is a human fear of things that are very trivial for people. One phobia, Trypophobia, is the fear of visual small holes. The effect of the trypophobia effect can we see its brain waves with a device called EEG or called Electroencephalograph, so we can understand who really improved Trypophobia or not. In this final project a system was developed to classify the condition of someone who is not afraid, and the condition of someone who is afraid of Trypophobia is based on alpha signal analysis and EEG beta. Artificial Neural Networks (ANN) are used for classifying conditions. For the extra features of the data Discrete Wavelete Transform (DWT) is used so that system performance can be improved and reduce the EEG dataset dimensions. The test results show that the best performance is obtained in beta signals which have the highest characteristic parameter accuracy are Maksimum, Standard Deviation and Variance with an accuracy value of 100%, with a calculation time of 0.027 and 0.037 seconds. While for alpha signals obtained with Variance and Interquartile Range parameters of 96.42% with a time of 0.03 and 0.032 seconds. Although the accuracy is the same, but the average is resolved based on the neurons, beta is higher than alpha, so it can told that beta signals more than sensitive to such as Trypophobia and AF7 channels good in catching EEG signals of Trypophobia stimulated condition. Keywords: Phobia, Trypophobia, Electroencephalograph, Artificial Neural Network, Discrete Wavelete Transform.
Klasifikasi Kenyenyakan Tidur Berdasarkan Umur Pada Sinyal Electroencephalograph Dengan Melihat Kondisi Non Rapid Eye Movement : Classification Depth Of Sleep Based On Age By Using Electroencephalograpgh Wave With See Non Rapid Eye Movement Condition Naufal Rizky Pratama; Raditiana Patmasari; Sugondo Hadiyoso
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Manusia membutuhkan tidur untuk mengekang stress di dalam diri. Kurang tidur membuat mudah stress, cemas, dan juga tegang. Maka dari itu tidur yang cukup sangatlah penting. Saat tidur, otak beraktivitas, merespon, dan menghasilkan brainwave atau sinyal otak. Dalam tidur terbagi dua metode kondisi mata yaitu Rapid Eye Movement (REM) dan Non Rapid Eye Movement (NREM). Salah satu cara untuk mendeteksi dan merekam sinyal otak yang disebabkan oleh aktivitas neuron pada otak manusia adalah Electroencephalography (EEG). Oleh karena itu penelitian ini mengklasifikasikan kondisi kenyenyakan tidur pada sinyal EEG yang di ekstraksi ciri dengan HJORTH Descriptor. Setelah itu akan diklasifikasikan menggunakan Support Vector Machine. Dalam mengklasifikasikannya penelitian ini mengambil data dari penelitian Analysis of a SleepDependent Neuronal Feedback Loop: The Slow-Wave Microcontinuity of the EEG. Data ini sudah melalui tahap proses pre-procesing data yang ada di database, setelah itu menggunakan metode Hjorth Descriptor untuk mengekstraksi ciri fitur sinyal EEG dan diklasifikasi menggunakan SVM untuk melihat kondisi tidur tersebut termasuk dalam kategori nyenyak, kurang nyenyak, atau bahkan tidak nyenyak. Dalam penelitian ini hanya mengambil 39 data yang terdiri dari 20 correspondent dan dalam 2 kondisi malam yang berbeda. Malam pertama perekaman tidur normal. Malam kedua perekaman tidur dengan diberikan obat tidur kepada correspondent. Penelitian ini memperoleh parameter keberhasilan 100% menggunakan kernel Linear SVM, menghasilkan keluaran kondisi tidur yang terdiri dari tidur nyenyak pada saat lampu dimatikan, tidur kurang nyenyak pada saat mau terbangun, dan tidur tidak nyenyak pada saat awal tidur. Kata kunci : EEG, NREM, REM, HJROTH Descriptor, SVM Abstract Human need sleep to curb stress. Lack of sleep make easy stress, worried, and uptight. Therefore enough sleep is more important. At sleep, the brain moves, respond, and generate brainwave. In sleep has divided two condition method eye there is Rapid Eye Movement (REM) and Non Rapid Eye Movement (NREM). Either way to detect and record brainwave is Electroencephalography (EEG). Therefore this research will classify depth of sleep in EEG signal using HJORTH Descriptor to extraction the feature of data. After that will classify using Support Vector Machine. In classifying it, this research take data from research Analysis of a Sleep-Dependent Neuronal Feedback Loop: The Slow-Wave Microcontinuity of the EEG. The data has been pre-processing, after that using HJORTH Descriptor to extract characterstic feature signal of EEG and classify using SVM too see the sleep condition included in the category depth of sleep, well sleep, or not well sleep. In this research just took 39 data consisting of 20 correspondent in two night difference condition. The first night normal sleep recorded. The second night Temazepam has given to correspondent. This research has been reach 100% using Linier kernel SVM, produce output condition of sleep consisting of depth of sleep when the lights off, well sleep when before waking up, not well sleep when the lights on. Keywords: EEG, NREM, REM, HJROTH Descriptor, SVM
Klasifikasi Efek Familiarity Pada Sinyal Eeg Manusia Menggunakan Metode Hjorth Descriptor : Classification Of Familiarity Effects In Human Eeg Signal Using Hjorth Descriptor Method Hannissa Sanggarini; Rita Purnamasari; Sugondo Hadiyoso
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Dalam Human-Computer Interaction, audiovisual sangat berpengaruh bagi kondisi fisiologis yang mempengaruhi perasaan manusia. Hal ini dapat dilihat dari kemampuan manusia yang mampu merasakan perasaan yang berbeda-beda saat melihat tayangan video musik. Perasaan ini muncul akibat stimulus yang dihasilkan dari tayangan video musik tersebut sehingga terjadi fluktuasi aktifitas otak dan menghasilkan karakteristik sinyal otak tertentu. Dengan menggunakan Electroencephalogram (EEG), dilakukan klasifikasi karakteristik sinyal otak pada kategori familiarity. Familiarity adalah keadaan saat manusia mengenali sesuatu. Penelitian ini menggunakan data sekunder yang diambil dari DEAP: A Database for Emotion Analysis using Physiological Signals. Data yang diambil dari DEAP berjumlah 32 data yang telah melalui beberapa tahap pre-processing, maka data dapat langsung diproses dengan menggunakan metode Hjorth Descriptor untuk ekstraksi ciri dan metode Multilayer Perceptron (MLP) untuk klasifikasi. Pengujian dilakukan dengan skenario dimana data dari 29 data yang digunakan, 15 data digunakan sebagai data latih dan 14 data digunakan sebagai data uji. Dari hasil pengujian yang dilakukan, didapatkan akurasi terbaik pada kondisi balance class sebesar 78.57% pada percobaan 1, 2 dan 27 dengan kombinasi ciri Hjorth Descriptor activity, mobility dan complexity. Digunakan juga dua hidden layer dengan 12 neurons pada tiap hidden layer serta epoch berjumlah 1.000 epochs pada MLP. Kata Kunci: EEG, familiar, Hjorth Descriptor, Multilayer Perceptron. Abstract In Human-Computer Interaction, audiovisual is very influential for physiological condition that affects human’s feelings. This can be seen from human ability to feel different feelings while watching music video. This feeling occured because of the stimulus elicited from the music video, so that brain activity fluctuation happened and obtained certain brain signals characteristics. By using Electroencephalogram (EEG), we did a classification of brain signal characteristics in familiarity category. Familiarity is a state when human recognize something. This research is using secondary data taken from DEAP: A Database for Emotion Analysis using Physiological Signals. Data taken from deap is the amount of 32 and has been through several pre-processing methods, so data can go straight to be processed using Hjorth Descriptor as the feature extraction method and Multilayer Perceptron (MLP) as the classifier method. The test is done with scenario where from 29 data used, 15 data is used as training data and 14 data is used as testing data. From the test result, the best accuracy is gained in balance class is 78.57% in trial 1, 2 and 27 with Hjorth Descriptor feature combinations of activity, mobility and complexity. Two hidden layers with 12 neurons in each hidden layer and epoch with the amount of 1000 is also used in MLP. Keywords: EEG, familiar, Hjorth Descriptor, Multilayer Perceptron
Co-Authors A. V. Senthil Kumar A.A. Ketut Agung Cahyawan W Aaron Abel Abi Hakim Amanullah Achmad Rizal Achmad Rizal ADIANGGIALI, ANYELIA Adisaputra, Rangga Adiwijaya, Agustinus Aldian Adjie Gery Ramadhan Adnan Azhary Afandi, Mas Aly Agung Muliawan Ahmad Hilmi Ahmad Muammar Agusti Akhmad Alfaruq Akhmad Alfaruq Alfaruq, Akhmad Alfaruq, Akhmad Aliffansyah, Lingga Alvinas Deva Sih Illahi Ana Durrotul Isma Anatasya Bella Andhita Nurul Khasanah Andri Juli Setiawan Andro Harjanto Anggit Syorgaffi Anggun Fitrian Isnawati ANGGUNMEKA LUHUR PRASASTI Arfianto Fahmi Arif Indra Irawan ARIS HARTAMAN Ashshiddiqqi, Muhammad Arhizal Asril Ibrahim Astri Wulandari Ayu Chellsya, Ananda Ayu Tuty Utami Azahra, Yasmin Azriel Gilbert Samuel Rogito Azzahra, Salwa Bagus Tri Astadi Balova , Fathrurrizqa Bambang Hidayat Bandiyah Sri Aprillia Barus, Exal Deo Jayata Bayu Erviga Yulanda Setiawan Bayuaji Kurniadhani Bimo Rian Tri Nugroho Budhi Irawan Budi Prasetya Budiyawan Naztin Burhanuddin D. Burhanuddin Dirgantoro Cucu Fitri Dadan Nur Ramadan Dadan Nur Ramadhan Dadan Nur Ramadhan Denny Darlis Dewi Rahmaniar, Thalita Dharu Arseno Didin Bramastya Dieny Rofiatul Mardiyah Diliana, Faizza Haya Efri Suhartono Ema ERVIN MASITA DEWI Exal Deo Jayata Barus Ezi Rohmat Fadiaga Omar Michlas Fairuz Azmi FAJRI, SETIO EKA FARDAN FARDAN Farrel Fahrozi Fathrurrizqa Balova FATURRAHMAN, RAIHAN Fauzia Anis Sekar Ningrum Fony Ferliana Widianingrum Gadama, Melsan Gelar Budiman Ghilman Hafizhan Gifari, Rizqi Al Habib, Arrijal Hadjwan, Razel Hannissa Sanggarini Hariyani , Yuli Sun Hasanah Putri Hengky Yudha Bintara Heru Nugroho Hilman Fauzi, Hilman HUMAIRANI, ANNISA Hurianti Vidyaningtyas HW, EVA AISAH Ilham Edwian Berliandhy Ilmi, M. Bahrul Indrarini Dyah Irawati Inung Wijayanto Irsyad Abdul Basit Istikmal Ivany Sesa Rehadi Ivosierra Andrea Larasaty Jannah, Firna Noor Jannah, Sabila Hayyinun Jasmine, Diva Dhila Jauhari, Muhammad I Javani Sekar Larasati Jehan Pratama Herdaning Jondri Jondri Koredianto Usman Kridanto Surendro Kris Sujatmoko Kurnia Ismanto, Rima Ananda Larasaty, Ivosierra Andrea Lata Tripathi, Suman LATIP, ROHAYA Ledya Novamizanti Lurina, Manda Luthfi Muhammad Pahlevi Lutvi Murdiansyah Murdiansyah M. Nur Imam DJ Mahmud Dwi Sulistiyo Manda Lurina Meidatomo , Muhammad Haykal Milan Adila Amalia Mohamad Ramdhani Muh. Kurniawan, A. Muhamad Roihan Muhammad Adnan Muhammad Afif Ridwansyah Muhammad Iqbal MUHAMMAD JULIAN, MUHAMMAD Nadya Silva Arline Nasution, Muhammad Ilham Kurniawan Nasution, Seri Wahyuni Naufal Juhaidi Jafal Naufal Rizky Pratama Nur Arviah Sofyan Nur Pratama, Yohanes Juan Nur Ramadhani Nursanto Nursanto NURSANTO NURSANTO, NURSANTO Nurwan Reza Fachrurrozi Okki Rahmalisty, Fiona Pahira, Ela Diranda Permana, Andri Satia Prahara, Dzakwan Bahar Prajna Deshanta Ibnugraha Putra, I Gusti Ngurah R. A. Putri Fatoni, Salwa Berliana Putri, Athaliqa Ananda Putri, Silvi Dahlia R. Dhenake Aghni Bunga R. Yunendah Nur Fu’adah Radial Anwar, Radial Radian Sigit Raditiana Patmasari Rahmaniar, Thalita Dewi Rahmat Widadi Ramdani, Ahmad Zaky Ratna Mayasari Reivind P. Persada RENALDI, LUKY RENALDI, LUKY RENDIKA, ANANDA Rendy Munadi Reni Dyah Wahyuningrum Reny Yuliani Arnis Rina Pudji Astuti Riska Aprilina Rita Magdalena Rita Purnamasari Rizal Fachrudin Maulana Rizky Aulia Rahman Robinzon Pakpahan Rogito, Azriel Gilbert Samuel ROHMAT TULLOH Rosmiati, Mia Ruli Pandapotan, Bagas Ryan Bagus Wicaksono Safitri, Ayu Sekar Said, Ziani Sania Marcellina Bryan Sasmi Hidayatul Yulianing Tyas Sa’idah, Sofia Sekar Safitri, Ayu Septiansyah, Rizky SETIAWAN, AWAN WAHYU Sianturi, Kristian Fery Sidqi, Anka Sigit, Radian Siti Sarah Maidin Siti Zahrotul Fajriyah Sofia Naning Hertiana Suci Aulia Sugeng Santoso Sulistyo, Tobias Mikha Surya Putra Agung Saragih Suyatno Suyatno Syifa Nurgaida Yutia Tasya Chairunnisa Tati Latifah Erawati Rajab Teguh Musaharpa Gunawan Thomhert Suprapto Siadari Tita Haryanti Tobing, Goldfried Manuel Lbn Tri Nopiani Damayanti Triadi Triadi Unang Sunarya Untari Novia Wisesty Vany Octaviany Vera Suryani Wahyu Hauzan Rafi Wibowo, Raiyan Adi Wirakusuma, Muhammad P. Yasmin Azahra Yoza Radyaputra Yudha Purwanto Yudiansyah Yudiansyah YULI SUN HARIYANI YUYUN SITI ROHMAH Zahrah, Nasywa Nur Zhillan Al Rashif, Mohammad Zulfikar F.M. Ramli