Article Per Year (5 Year)
p-Index From 2020 - 2025
0
P-Index
This Author published in this journals
All Journal TELKA - Telekomunikasi, Elektronika, Komputasi dan Kontrol eProceedings of Engineering
Muhamad Rokhmat Isnaini
Telkom University
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Denoising Sinyal EEG dengan Algoritma Recursive Least Square dan Least Mean Square Nor Kumalasari Caecar Pratiwi; Rita Magdalena; Yunendah Nur Fuadah; Sofia Saidah; Syamsul Rizal; Muhamad Rokhmat Isnaini
TELKA - Jurnal Telekomunikasi, Elektronika, Komputasi dan Kontrol Vol 5, No 2 (2019): TELKA
Publisher : Jurusan Teknik Elektro UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (658.294 KB) | DOI: 10.15575/telka.v5n2.122-129

Abstract

EEG mengukur fluktuasi tegangan yang dihasilkan dari arus ionik yang beredar sepanjang neuron otak. Dalam pengaturan eksperimental, sinyal EEG sering terkontaminasi dengan berbagai noise akibat gerakan otot dan jantung. Noise dengan magnitudo yang lebih tinggi dari sinyal aslinya akan merusak sinyal EEG dan bisa berakibat fatal dalam analisis diagnosa. Sehingga diperlukan sebuah sistem denoising yang mampu secara maksimal mengurangi noise, tanpa menghilangkan komponen informasi penting dari sinyal EEG. Salah satu algoritma yang dapat digunakan dalam mereduksi noise pada sinyal biomedis adalah RLS dan LMS. Keuntungan utama dari penggunaan adaptif filtering termasuk RLS dan LMS adalah dapat digunakan pada lingkungan non-stasioner. Tujuan penelitian adalah melakukan uji perbandingan performansi filtering RLS dan LMS dalam mereduksi noise pada sinyal EEG. Parameter performansi yang diukur adalah waktu komputasi, MSE, SNR, dan PSNR. Dari hasil pengujian, diperoleh bahwa adaptif filtering dengan RLS dan LMS mampu mereduksi noise pada sinyal EEG dengan baik. Filter LMS memiliki kelebihan pada waktu komputasinya yang singkat, rata-rata waktu komputasi filter LMS selama 0.7 detik, jauh berbeda dengan filter RLS yang membutuhkan waktu sampai dengan 113 detik. Tetapi kehandalan sistem dari sisi MSE, SNR dan PSNR untuk filter LMS masih berada dibawah RLS untuk intensitas noise yang rendah. Besarnya parameter SNR dan PSNR pada filter RLS cenderung lebih stabil pada intesitas noise 10 dB, 20 dB, dan 30 db. Hal berbeda terjadi pada denoising dengan menggunakan filter LMS, terjadi perubahan SNR yang signifikan dari 16.14 dB pada noise 10 dB, 21.09 dB untuk noise sebesar 20 dB, dan 25.81 dB untuk intensitas noise sebesar 30 dB.
Analisis Performansi Denoising Sinyal Eeg Menggunakan Metode Discrete Wavelet Transform Dan Adaptive Filter Muhamad Rokhmat Isnaini; Rita Magdalena; Yunendah Nur Fuadah
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 Sinyal EEG ( Electroencephalogram ) merupakan rekaman sinyal yang dihasilkan dari medan elektrik spontan pada aktivitas neuron di dalam otak. Sinyal EEG dimanfaatkan pada bidang kesehatan untuk mendiagnosis keadaan neurologis otak, serta pada bidang teknologi seperti aplikasi Brain Computer Interface ( BCI ). Dalam perekaman sinyal EEG, terdapat noise yang tidak diinginkan sehingga dalam analisis sinyal EEG sulit mendapatkan informasi sinyal yang sebenarnya. Oleh karena itu dalam Tugas Akhir ini dirancang sebuah sistem denoising untuk menghilangkan noise agar memperoleh visualisasi sinyal yang sebenarnya. Pada penelitian ini sinyal EEG bersih akan di berikan noise AWGN (Additive White Gaussian Noise), kemudian teknik denoising yang akan dilakukan adalah menggunakan dua metode yaitu Discrete Wavelet Transforms dan Adaptive Filter. Pengujian dilakukan dalam Matlab dengan menggunakan parameter Minimum Squared Error ( MSE ), Signal-to-Noise Ratio ( SNR ), serta Peak Signal-to-Noise Ratio ( PSNR ). Berdasarkan hasil pengujian pada 5 data sinyal EEG, menunjukan untuk metode DWT ( Discrete Wavelet Transforms ) mendapatkan nilai rata – rata pada masing – masing parameter, MSE sebesar 0.0000209082, SNR sebesar 29.1607127780 dB dan PSNR sebesar 29.8262675865 dB. Dan untuk metode Adaptive Filter dengan algoritma Kalman diperoleh nilai rata – rata pada masing – masing parameter, MSE sebesar 0.0000425027, SNR sebesar 27.6136811973 dB dan PSNR sebesar 28.2792360058 dB. Kata kunci: Electroencephalogram (EEG), Denoising, Discrete wavelet Transform (DWT), Adaptive Filter. Abstract The EEG signal (Electroencephalogram) is a recording of a signal generated from a spontaneous electric field in the activity of neurons in the brain. EEG signals are used in the health field to diagnose the neurological state of the brain, as well as in areas of technology such as Brain Computer Interface (BCI) applications. In recording EEG signals, there is an undesirable noise so that in the EEG signal analysis it is difficult to get the actual signal information. Therefore in this final project is designed a denoising system to eliminate noise in order to obtain the actual signal visualization. In this study the clean EEG signal will be given AWGN noise (Additive White Gaussian Noise), then denoising technique that will be done is to use two methods of Discrete Wavelet Transforms and Adaptive Filter. The test is done in Matlab using Minimum Squared Error (MSE), Signal-to-Noise Ratio (SNR), and Peak Signalto-Noise Ratio (PSNR). Based on the results of testing on 5 EEG signal data, it shows that the DWT (Discrete Wavelet Transforms) method gets the average value of each parameter, MSE is 0.0000209082, SNR is 29.1607127780 dB and PSNR is 29.8262675865 dB. And for the Adaptive Filter method with Kalman algorithm, the average values for each parameter, MSE is 0.0000425027, SNR is 27.6136811973 dB and PSNR is 28.2792360058 dB. Keywords: Electroencephalogram (EEG), Denoising, Discrete wavelet Transform (DWT), Adaptive Filter.
Co-Authors Nor Kumalasari Caecar Pratiwi R. Yunendah Nur Fu’adah Rita Magdalena SOFIA SAIDAH Syamsul Rizal