Article Per Year (5 Year)
p-Index From 2020 - 2025
3.956
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering International Journal of Reconfigurable and Embedded Systems (IJRES) Lontar Komputer: Jurnal Ilmiah Teknologi Informasi ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Proceeding of the Electrical Engineering Computer Science and Informatics Jurnal Abdimasa TEKTRIKA - Jurnal Penelitian dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika Journal of Electronics, Electromedical Engineering, and Medical Informatics JMECS (Journal of Measurements, Electronics, Communications, and Systems) eProceedings of Engineering
Inung Wijayanto
Universitas Telkom
Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Other

Published : 93 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 93 Documents
Search

 4   5   6   7   8 
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
Perancangan Dan Implementasi Sistem Pendeteksi Api Pada Robot Pemadam Api Dengan Menggunakan Sensor Api Dan Kamera Rivan Radian Suryadi; Inung Wijayanto; Angga Rusdinar
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

Robot pemadam api adalah alat yang berfungsi untuk membantu manusia memadamkan api, dimana api merupakan proses oksidasi cepat terhadap suatu material yang memeliki bentuk cahaya (warna) dengan panjang gelombang dan panas. Karakteristik pada api tersebut dapat dijadikan parameter untuk pendeteksian (sensor) api pada rangkaian UVTRON, thermal, dan rangkaian sensor api lainnya. Selain menggunakan rangkaian sensor api, salah satu karakteristik pada api yaitu warna, dapat dideteksi dengan kamera yang diolah melalui library OpenCV. Pada rancangan robot pemadam api sebelumnya, teknik pendeteksi api yang digunakan adalah penggabungan sensor api UVTRON dan thermal. Dimana UVTRON mendeteksi api dengan panjang gelombangnya yang khas dan thermal mendeteksi dengan suhu api. Penggabungan kedua sensor ini bekerja dengan UVTRON sebagai deteksi ada atau tidak ada nya api pada ruangan, karena keluaran UVTRON hanya digital yaitu 0 atau 1. Sedangkan thermal sebagai penentu bahwa titik api sudah ada di depan robot, dengan keluaran thermal adalah I2C. Teknik deteksi penggabungan 2 sensor ini cukup efektif, namun dikarenakan jangkauan deteksi thermal yang sempit menyebabkan robot terkadang melewatkan titik api. Hal ini dapat diatasi dengan menambahkan sistem pendeteksi api dengan image processing menggunakan kamera yang memungkinkan robot menentukan tepatnya posisi titik api. Dalam tugas akhir ini, penulis menggabungkan rangkaian sensor api dengan kamera dan melihat perbandingan bila hanya menggunakan rangkaian sensor api saja, dan penggabungan kamera dengan rangkaian sensor api. Sehingga ditemukan cara yang mempunyai pendeteksian api lebih akurat, dan cepat dalam menemukan serta mematikan api. Penelitian pada Tugas Akhir ini telah berhasil membuat sistem yang menggabungkan image processing dan sensor pendeteksi api yang dimana tingkat akurasi pemadaman api jauh lebih baik yaitu 86.67% dibandingkan hanya flame sensor saja yang memiliki tingkat akurasi 80%. Dan memiliki kecepatan pemadaman api dengan waktu yang hampir sama, dimana PWM yang digunakan robot sebesar 90 pada setiap pengujian.Kata kunci : UVTRON, Thermal, Color Detection, Image processing, PWM, OpenCV
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)
Analisis Gelombang Sinyal Alpha Dan Beta Terhadap Tingkatan Konsentrasi Seseorang Yang Melakukan Brain Gym Menggunakan Sinyal Eeg 1 Kanal Iqbal Eshar Dwi Pourindra; Inung Wijayanto; Yuli Sun Hariyani
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 Banyak metode yang diklaim dapat meningkatkan konsentrasi seseorang, salah satunya adalah dengan melakukan gerakan Brain Gym. Brain Gym adalah suatu gerakan yang dirancang untuk membantu fungsi otak yang lebih baik, banyak penelitian yang sudah membuktikan bahwa Brain Gym memang benar meningkatkan kemampuan otak namun studi yang dilakukan sampai saat ini masih bersifat subjektif. Oleh sebab itu dibutuhkan penelitian yang bersifat objektif dan berdata konkrit untuk memastikan gerakan Brain Gym benar dapat meningkatkan konsentrasi. Elektroensephalograph atau sering disingkat EEG adalah alat yang dapat merekam aktivitas elektrik di sepanjang kulit kepala. EEG mengukur fluktuasi tegangan yang dihasilkan oleh arus ion di dalam neuron otak sehingga dapat memberikan data konkrit berupa sinyal atau gelombang yang menunjukan aktivitas kelistrikan di otak yang dapat dianalisis untuk mendukung penelitian tugas akhir ini. Tujuan dari penelitian ini adalah menciptakan sistem yang dapat membuktikan bahwa gerakan Brain Gym memang benar menghasilkan suatu gerakan yang membutuhkan konsentrasi dengan menganalisis gelombang sinyal Alpha dan Beta yang dihasilkan ketika melakukan Brain Gym dengan keadaan tenang berdasarkan analisis pengaruh Brain Gym terhadap otak yang dibaca dan dimonitor menggunakan EEG. Sistem yang dipakai dalam penelitian ini adalah Filter BPF untuk proses filter sinyal Alpha dan Beta, Discrete Wavelet Transform (DWT) dengan tipe DWT haar, daubechies 2 hingga daubechies 10 untuk ekstraksi ciri dan Support Vector Machine (SVM) menggunakan kernel Linear, RBF/Gaussian dan Polynomial untuk metode klasifikasi. Hasil akhir dari penelitian ini adalah sistem yang mampu mengklasifikasi kelas data uji sinyal keluaran EEG Brain Gym dan tenang dengan akurasi tertinggi 70% menggunakan tipe DWT daubechies 3 dan Kernel SVM Polynomial. Kata Kunci : konsentrasi , Brain Gym , EEG , DWT , SVM Abstract There are lots of method that claimed have great effects on increasing someone is concentration, one of it is doing a Brain Gym. Brain Gym is a movement that designed to help the brain to function better. There are lots of study that prove Brain Gym really works to improve brain’s ability but until now the study still only has quality of subjective study and because of that it needs a study that have a quality of objective study and have a concrete data to see if Brain Gym movements really can improve concentration. Electroensephalograph or often abbreviated as EEG is a device that can record electrical activity along the scalp. EEG measures voltage fluctuations produced by ionic currents in brain neurons so that it can provide concrete data in the form of signals or waves that indicate electrical activity in the brain that can be analyzed to support this research. The purpose of this study is to create a system that can prove that Brain Gym movements really can produce a movement that need some level of concentration by analyzing Alpha and Beta Wave that produced when doing Brain Gym and in relax state based on the impact of Brain Gym to the brain that read and monitored by EEG. The system used in this study are BPF filter for Alpha and Beta signal filtering process, Discrete Wavelet Transform (DWT) with the type of haar and daubechies 2 until daubechies 10 for the feature extraction and Support Vector Machine (SVM) using Linear, RBF/Gaussian and polynomial kernel for the classification. The final result of this research is a system that is able to classify the class of EEG Brain Gym signal test data with the highest accuracy of 70% using DWT daubechies 3 and Kernel SVM Polynomial types. Keywords : concentration , Brain Gym , EEG , DWT , SVM
Analisis Respon Tidur Saat Mendengarkan Musik Klasik Dan Musik Rock Melalui Sinyal Eeg Menggunakan Wavelet Transform Olivia Rossiana; Inung Wijayanto; Raditiana Patmasari
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 Ketika mendengarkan musik atau suara tertentu terkadang manusia merasakan suatu emosi dan respon yang berbeda beda, respon ini muncul akibat stimulus dari musik atau suara tersebut, yang mengakibatkan turun naiknya aktivitas otak. Dengan mendengarkan musik saat tidur, akan mempengaruhi tidur seseorang. Untuk dapat mengklasifikasikan aktivitas dan karakeristik otak diperlukan proses pengukuran aktivitas gelombang otak. Dalam tugas akhir ini dilakukan analisa aktivitas otak dengan mengggunakan EEG terhadap orang yang tidur dengan mendengarkan musik Dengan menggunakan Electrochepalography (EEG) sebagai instrumen untuk menangkap sinyal otak. Electrochepalography adalah perangkat yang dapat menangkap aktivitas listrik di otak dan menginformasikan kondisi seperti emosional, kelelahan, kewaspadaan, kesehatan dan tingkat konsentrasi. Sebelum menganalisis pengaruh suara terhadap aktivitas otak melalui EEG yang dihasilkan pada tugas akhir ini dirancang sistem untuk mengklasifikasikan kondisi nyenyak tidur seseorang ketika diberikan rangsangan suara berdasarkan analisis sinyal delta dan theta dengan menggunakan EEG. Ekstraksi ciri yang digunakan yaitu Discrete Wavelet Transform dan K-Nearest Neighbor (KNN) untuk klasifikasi. Hasil pengujian menunjukan bahwa kanal terbaik terdapat pada kanal AF8 pada sinyal delta dengan akurasi 96%, 29 data dari 30 data dapat mengenali sistem dengan baik dan theta dengan akurasi 93%, 28 data dari 30 data dapat mengenali sistem dengan baik. Kata Kunci: Electrochephalography, Discrete Wavelet Transform, KNN Abstract When listening to certain music or sounds sometimes humans feel different emotion and response, this response arises from the stimulus from the music or sound. By listening music while sleeping will affect a person’s sleep. To classify the brain activity it required process of measurement of brain wave activity. In this final project conducted analysis of brain activity by using EEG based on people who sleep while listening music by using EEG as an instrument to capture brain signals. EEG is a device that can capture electrical activity in the brain and inform conditions such as emotional, fatigue, health and concentration levels. Before analyzing the effect from the given stimulus on brain activity through EEG. In this final project been designed system to classify the sleep response while listening music classic and music rock based on delta and theta signal using EEG. Discrete Wavelet Transform and K-Nearest Neighbor (KNN) for classification. The test result show that the best channel is on AF8 channel on the delta signal with 96% accuracy , 29 data from 30 data can recognize the system well and theta signal with 93% accuracy, 28 data from 30 data can recognize the system well. Keywords : Electrochephalography, Discrete Wavelet Transform, KNN
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
Biometrik iris recognition menggunakan lbp dengan menggunakan klasifikasi knn Meidi Mahendra Rahmatullah; Inung Wijayanto; Suci Aulia
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 Iris recognition untuk mendeteksi dan mengenali sesuatu yang lebih baik dalam sistem biometrik. Oleh karena itu, banyak peneliti telah berusaha untuk meningkatkan algoritma untuk pengenalan diri iris. Namun, masalah terbesar yang terjadi dalam melakukan penelitian adalah untuk melakukan irisokalisasi dengan baik. Selain itu, kelopak mata dan bulu mata juga merupakan masalah lain dalam pengenalan iris karena mereka dapat menutupi iris atau mata, dan mungkin ada beberapa gangguan yang mempengaruhi citra iris dengan baik. Dalam Tugas Akhir ini telah dilakukan pengujian dengan sistem iris recognition yang mampu mengidentifikasi dengan mengunakan iris mata sistem berkarja dengan menggunakan Algoritma K-Nearest Neighbor (KNN) sebagai klasifikasi dan DWT sebagai ektrasi ciri. Setelah dilakukan pengujian dengan jumlah data 30 gambar iris di peroleh tingkat akurasi 54% dengan beberapa parameter diantaranya parameter level DWT dan parameter jarak pada KNN serta noise yang di ujikan. Dari hasil pengujian didapatkan tingkat akurasi tersebut masih handal untuk noise pad nilai variansi 0,1, localvar noise pada nilai 0,1, salt and paper noise pada nilai 0,1, dan poison noise nilai langsung kemungkinan error. Kata kunci: Algoritma K-NN, Iris identification, DWT Abstract iris recognition to detect and recognize something better in biometric systems. Therefore, many researchers have tried to improve the algorithm for iris self-recognition. However, the biggest problem that occurs in conducting research is to do the irisocalization well. In addition, the eyelids and eyelashes are also another problem in iris recognition because they can cover the iris or eyes, and there may be some disorders that affect the iris image well. In this Final Project, the iris recognition system has been tested which is able to identify using the iris system using a K-Nearest Neighbor (KNN) algorithm as a classification and DWT as the extraction feature. After testing with a total of 30 iris images obtained an accuracy rate of 54% with several parameters including DWT level parameters and distance parameters on the noise KNN that were tested. From the test results it was found that the accuracy level was still reliable for noise pad 0.1 variance value, localvar noise at value 0.1, salt and paper noise at value 0.1, and poison noise direct value possible error. -NN, Iris identification, DWT
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.
Co-Authors Achmad Muzahid Achmad Rizal Achmad Rizal Adisaputra, Rangga Adnan Azhary Ahmad Hilmi Ahmad Muammar Agusti Akbar Budi Wikanta Aldo Setiawan Alif, M.Nurfadli Alrizqi, Naufal Dwi Ana Durrotul Isma Andhita Nurul Khasanah Andi Muhammad Wahyu Safaat Angga Rusdinar ANGGUNMEKA LUHUR PRASASTI Atiffan Ramadhiat Azahra, Yasmin Azis, Qitfirul Abdul Azriel Gilbert Samuel Rogito Azzahra, Salwa Bagus Tri Astadi Balova , Fathrurrizqa Bambang Hidayat Bara, Alfianto Teofilus Bayu Erviga Yulanda Setiawan Budhi Irawan Daivalana Mahadika Priatama Denny Darlis Didin Bramastya Diliana, Faizza Haya Eko Susatio Elia Kurniawati Fardiyanti, Defitriana Fathrurrizqa Balova Faturachman Faturachman Fauzia Anis Sekar Ningrum Firdaus, Alvaro Ahmad Firmanda Robi Fitriah Halimah Gadama, Melsan Gelar Budiman Gemilang Kurniawan Soejantono Goenadiningrat, Jeahan Fitria Hakim, Nurina Listya Hendriadi Mukri HUMAIRANI, ANNISA Hurianti Vidyaningtyas I Nyoman Apraz Ramatryana Ilham Fadhlurrohman Ilva Herdayanti Indah Ratu Aulia Indra Bari Yulio Indrarini Dyah Irawati Iqbal Eshar Dwi Pourindra Iqbal Surya Adi Permana Irsyad Abdul Basit Iwan Iwut Tritoasmoro Jangkung Raharjo Jannah, Sabila Hayyinun Jasmine, Diva Dhila Jauhari, Muhammad I Jehan Pratama Herdaning Karina Permatasari Khairul Sani Kurnia Ismanto, Rima Ananda Leanna Vidya Yovita Lokahita, Lulu Luthfi Muhammad Pahlevi M. Fadhil Abdullah Meidatomo , Muhammad Haykal Meidi Mahendra Rahmatullah Melati Wahyutami Milan Adila Amalia Mohamad Ilham Abdurrahman Muhammad Adnan Muhammad Ary Murti Muhammad Ridho Putra Muzahid, Achmad Nadya Silva Arline Nasution, Seri Wahyuni Nizhar Arya Hamitha Novian Permana Nur Afifah Nur Ibrahim Nur Pratama, Yohanes Juan Nurina Listya Hakim Olivia Rossiana Pahira, Ela Diranda Pandu Jati Utomo Pelita Santi Permana, Andri Satia Prakoso, Mochamad Rafi Alfian Prasetio Nugroho Putra, I Gusti Ngurah R. A. Putri, Athaliqa Ananda Putri, Indah Amalia R. Dhenake Aghni Bunga R. S. Deanto R. Yunendah Nur Fu’adah Raditiana Patmasari Rahayu Lubis Rahmaniar, Thalita Dewi Ramdani, Ahmad Zaky Rani Harnila Ratri Dwi Atmaja Rayani Budi Andhini Rayyan Budhiarta Reny Yuliani Arnis Revi Febriana Simanjuntak Rita Magdalena Rita Purnamasari Rivan Radian Suryadi Rizal Fachrudin Maulana Rizky Gilang Gumilar Rogito, Azriel Gilbert Samuel Sa'idah, Sofia Safitri, Ayu Sekar Satrio Nur Adhi Gyat Sa’idah, Sofia Sidqi, Anka Siti Nur Fatihah Sofia Sa’idah SOFIA SAIDAH Subiakto, Septiaini Dela Suci Aulia Sugondo Hadiyoso Sulistyo, Tobias Mikha Sunarso Sunarso Syahnas, Aulia Teguh Musaharpa Gunawan Triadi Triadi Unang Sunarya Utami, Ayu Tuty Varian Mohammad Sutama Wahyu Lukman Hasan Wibowo, Raiyan Adi Wirakusuma, Muhammad P. Y. P. Gautama Yasmin Azahra Yoza Radyaputra YULI SUN HARIYANI Zulfikar F.M. Ramli