Garuda - Garba Rujukan Digital

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

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 brainâ€™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 Sinyal Alfa Dan Beta Pada Pengaruh Brain Gym Terhadap Konsentrasi Sinyal Otak Menggunakan Eeg Dengan Metode Wavelet Satrio Nur Adhi Gyat; Inung Wijayanto; Yuli Sun Hariyani
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstrak Dalam melakukan aktifitasnya sehari hari konsentrasi sangatlah penting dalam kehidupan manusia. Konsentrasi setiap manusia tidaklah sama, banyak sekali faktor yang mempengaruhi konsentrasi tersebut. Salah satu cara untuk melatih peningkatan konsentrasi otak yaitu Brain Gym. Brain Gym adalah senam otak yang merupakan aktivitas fisik yang digunakan untuk merangsang kedua belahan otak sehingga memungkinkan pencapaian kinerja otak yang maksimal. Tujuan dari penelitian ini adalah menganalisa pengaruh Brain Gym terhadap sinyal otak yang dihasilkan responden dengan menggunakan alat electroencephalograph (EEG) dan mencari nilai akurasi antara data latih dengan data uji terbaik. Metode Discrete Wavelet Transform (DWT) sebagai ekstraksi ciri dan metode klasifikasi menggunakan K-Nearest Neighbor (K-NN) dengan masukan berupa data sinyal EEG. Hasil pengujian menunjukkan bahwa performa terbaik dari hasil pelatihan sistem didapatkan pada semua nilai ð’Œ = ðŸ, menunjukkan dengan nilai akurasi 100% baik pada kanal AF7 maupun kanal AF8. Pada hasil pengujian sitem menunjukkan bahwa performa terbaik pada kanal AF7 menggunakan tipe KNN euclidean dan nilai ð’Œ = ðŸ menunjukkan nilai akurasi 71,43%. Sedangkan pada hasil pengujian sistem kanal AF8 bahwa performa terbaik menggunakan tipe K-NN chebychev dan nilai ð’Œ = ðŸ menunjukkan nilai akurasi 82,14%. Sehingga dalam pengujian ini dapat disimpulkan kanal AF8 lebih baik dalam menangkap sinyal EEG. Sinyal alfa brain gym terlihat Power spectral yang lebih tinggi dibandingkan dengan sinyal alfa normal, sedangkan pada sinyal beta normal Power spectral terlihat lebih tinggi dibandingkan keadaan brain gym. Penelitian ini membuktikan bahwa brain gym memiliki pengaruh pada konsentrasi seseorang. Kata kunci: brain gym, konsentrasi, electroencephalograph (EEG), Discrete Wavelet Transform (DWT), KNearest Neighbor (K-NN) Abstract In carrying out daily activities, concentration is very important in human life. The concentration of each human being is not the same, there are so many factors that affect concentration. One way to train increased brain concentration is Brain Gym. Brain Gym is brain exercise which is a physical activity that is used to stimulate the two hemispheres of the brain so enable to maximize brain performance. The purpose of this study was to analyze the influence of Brain Gym on the brain signals produced by respondents using an electroencephalograph (EEG) tool and find the value of accuracy between training data and the best test data. The Discrete Wavelet Transform (DWT) method as feature extraction and classification method uses K-Nearest Neighbor (K-NN) with input in the form of EEG signal data. The test results showed that the best performance from the results of system training was found in all values of ð’Œ = ðŸ, indicating a value of 100% accuracy both on AF7 and AF8 channels. The results of the system testing show that the best performance on the AF7 channel uses euclidean K-NN type and the value ð’Œ = ðŸ shows an accuracy value of 71.43%. While the results of testing the AF8 channel system that the best performance uses the chebychev K-NN type and the value of ð’Œ = ðŸ shows an accuracy value of 82.14%. So that in this test it can be concluded that the AF8 channel is better at capturing EEG signals. The alpha brain gym signal shows higher Power spectral compared to the normal alpha signal, while the normal beta signal Power spectral looks higher than the brain gym state. This study proves that brain gym has an influence on one's concentration. Keywords: brain gym, concentration, EEG (electroencephalograph), DWT (Discrete Wavelet Transform) , KNN (K-Nearest Neighbor)

Analisis Perbandingan Pola Sinyal Alpha Dan Beta Eeg Empat Kanal Terhadap Daya Ingat Mahasiswa Yang Melakukan Brain Gym Dan Tidak Melakukan Brain Gym Rayyan Budhiarta; Inung Wijayanto; Yuli Sun Hariyani
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstrak Manusia memiliki kemampuan mengingat dengan kapasitas yang sangat besar, tetapi tidak semua orang dapat memaksimalkan kemampuan mengingatnya, sehingga bagi sebagian orang mengingat adalah sebuah hal yang sulit. Banyak cara yang bisa meningkatkan daya ingat dan daya kognitif otak seseorang, salah satunya yaitu dengan brain gym, brain gym merupakan sebuah olahraga otak atau senam otak yang di maksudkan untuk melatih otak untuk meningkatkan daya kognitif otak, pengaruh yang ditimbulkan oleh brain gym diukur dengan EEG (Elektroensephologram). Sinyal EEG (Elektroensephalogram) merupakan sinyal biotik yang berasal dari aktifitas listrik pada kortex atau permukaan kulit kepala, yang disebabkan aktifitas fisiologis dari otak. Sinyal EEG (Elektroensephalogram) akan dihubungkan ke komputer dan di simpan pada database. Penelitian pada tugas akhir ini bertujuan untuk dapat menciptakan sistem yang dapat membuktikan efek yang ditimbulkan dari Brain Gym terhadap daya kognitif dan recall memory pada otak mahasiswa dengan menganalisis gelombang Alpha dan Beta. Metode yang dipakai dalam penelitian ini adalah 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 tidak melakukan Brain Gym dengan akurasi tertinggi pelatihan sistem 100% dan pengujian sistem 75% pada kanal AF7, 81% pada kanal AF8, 78% pada kanal TP9, 71% pada kanal TP10 menggunakan tipe DWT Haar dan Kernel SVM Polynomial. Kata kunci : Daya ingat, Brain Gym, EEG, DWT, SVM Abstract Humans have the ability to remember with a very large capacity, but not everyone can maximize the ability to remember, so for some people remembering is a difficult thing. There are many ways that can improve the memory and cognitive power of one's brain, one of which is the brain gym, brain gym is a brain sport or brain exercise intended to train the brain to increase brain cognitive power, the effect caused by brain gym measured by EEG (Elektroensephologram). EEG signal (Electroensephalogram) is a biotic signal that comes from electrical activity on the cortex or the surface of the scalp, which is caused by physiological activities of the brain. The EEG signal (Electroensephalogram) will be connected to the computer and stored in the database. The research in this final project aims to be able to create a system that can prove the effects of Brain Gym on cognitive power and recall memory in the student brain by analyzing Alpha and Beta waves. The method used in this study is Discrete Wavelet Transform (DWT) with type DWT ISSN : 2355-9365 e-Proceeding of Engineering : Vol.6, No.1 April 2019 | Page 321 haar, sub-projects 2 through technology 10 for feature extraction and Support Vector Machine (SVM) using Linear, RBF / Gaussian and Polynomial kernels for classification methods. The final result of this study is a system that is able to classify EEG Brain Gym output signal test classes and not do Brain Gym with the highest accuracy of 100% system training and 75% system testing on AF7 channels, 81% on AF8 channels, 78% on TP9 channels , 71% in the TP10 canal using the DWT Haar type and the SVM Polynomial Kernel. Keywords: Memory, Brain Gym, EEG, DWT, SVM

Sistem Fall Detection Pada Orang Lanjut Usia Menggunakan Metode Klasifikasi Support Vector Machine (SVM) Nadya Putri Yuliani; Raditiana Patmasari; Yuli Sun Hariyani
SinarFe7 Vol. 2 No. 1 (2019): Sinarfe7-2 2019
Publisher : FORTEI Regional VII Jawa Timur

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

Jatuh merupakan salah satu kejadian tidak disengaja yang dapat menyebabkan luka yang berbahaya. Risiko jatuh akan bertambah saat orang yang jatuh tidak bisa memanggil bantuan. Alat fall detection dapat membantu mengurangi waktu antara kejadian jatuh dengan kedatangan pertolongan medis sehingga dapat mencegah adanya risiko berat pada kejadian jatuh. Sistem fall detection pada penelitian ini dibuat dengan menggunakan metode pengolahan citra yang terdiri dari 3 tahap yaitu akuisisi video, ekstraksi ciri dan deteksi kejadian jatuh. Akuisisi video dilakukan dengan menggunakan dataset fall detection. Proses ekstraksi ciri dilakukan dengan menggunakan Gaussian Mixture Model untuk segmentasi objek, ellipse model untuk menentukan orientasi, Motion History Image (MHI) untuk menghitung motion coefficient dan Support Vector Machine (SVM) sebagai metode klasifikasi kejadian jatuh. Analisis kinerja sistem dilakukan dalam beberapa faktor yaitu tipe SVM yang sesuai, posisi kamera yang digunakan dan tingkat akurasi yang lebih besar. Berdasarkan faktor-faktor tersebut dapat diketahui bahwa tipe SVM yang paling sesuai adalah RBF Kernel dan posisi kamera pada the fall detection dataset (FDD) menghasilkan nilai terbaik dengan nilai akurasi kinerja sistem yang didapatkan adalah 95%.

PERANCANGAN APLIKASI PEMBACA WARNA UNTUK PENDERITA BUTA WARNA BERBASIS ANDROID Aulya Ellanda; Suci Aulia Aulia; Yuli Sun Hariyani
Jurnal Elektro dan Telekomunikasi Terapan (e-Journal) Vol 1 No 1: JETT Desember (2014)
Publisher : Direktorat Penelitian dan Pengabdian Masyarakat, Universitas Telkom

Penyandang cacat buta warna selalu mengalami kesulitan dalam hal membedakan warna dalam kehidupan sehari-harinya, sehingga dibutuhkan alat bantu bagi mereka. Dalam penelitian ini dibuat sebuah algorithma yang dapat berfungsi untuk membedakan warna, algorithma tersebut diaplikasikan kedalam sebuah android. Aplikasi ini membantu dalam hal membedakan warna (merah, hijau dan biru) dengan pola image processing. Output dari aplikasi ini berupa text dan voice yang merupakan hasil deteksi dari input (captured image) secara langsung menggunakan smartphone android. Hasil yang diperoleh dari penelitian ini, yaitu tingkat akurasi total sistem 85% dengan waktu komputasi 6,67 detik dan jarak terjauh 20 cm.

Breast Cancer Detection in Mammography Image using Convolutional Neural Network Farrel Fahrozi; Sugondo Hadiyoso; Yuli Sun Hariyani
Jurnal Rekayasa Elektrika Vol 18, No 1 (2022)
Publisher : Universitas Syiah Kuala

Breast cancer is one of the non-contagious diseases that tends to increase every year. This disease occurs almost entirely in women, but can also occur in men. One way to detect this disease is by observing mammography images. However, mammography images often tend to be blurry with low quality so that it is possible to detect them incorrectly. Therefore, in this study, automatic classification of breast cancer on mammographic images was carried out using the Convolutional Neural Network (CNN). This proposed system uses the VGG16 architecture with a transfer learning system. The proposed system is then optimized using Adam optimizers and RMSprop optimizers. The results of system testing for normal, benign, and malignant classifications obtained an accuracy value of 80% - 90% with the highest accuracy achieved using Adam's optimizers. With this proposed system, it is hoped that it can help in the clinical diagnosis of breast cancer.

Classification of ECG signal-based cardiac abnormalities using fluctuation-based dispersion entropy and first-order statistics Naufal Juhaidi Jafal; Yuli Sun Hariyani; Sugondo Hadiyoso
JURNAL INFOTEL Vol 14 No 2 (2022): May 2022
Publisher : LPPM INSTITUT TEKNOLOGI TELKOM PURWOKERTO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20895/infotel.v14i2.768

The heart is one of the most important organs in the human body. The presence of abnormalities in the heart can be fatal for a person. One way to detect heart abnormalities is an Electrocardiogram (EKG) signal examination. To facilitate the detection of ECG signal abnormalities, an automatic classification method is needed. Therefore, in this study, a method for classifying ECG signals using FdispEn (Fluctuation-based dispersion Entropy) and first-order statistics is proposed. FdispEn measures the uncertainty in the signal and is expected to be able to distinguish the physiological state of the ECG signal time series. In this study FdispEn and statistical computing were used as feature extraction of the ECG signal and combined with the Support Vector Machine (SVM) for the classification process of Normal ECG, AFIB (Atrial Fibrilation), and CHF (Congestive Heart Failure). The method proposed in this study generates an accuracy of 91.5%. The system proposed in this study is expected to assist in the clinical diagnosis of abnormalities in the heart.

Breast Cancer Detection in Mammography Image using Convolutional Neural Network Farrel Fahrozi; Sugondo Hadiyoso; Yuli Sun Hariyani
Jurnal Rekayasa Elektrika Vol 18, No 1 (2022)
Publisher : Universitas Syiah Kuala

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.17529/jre.v18i1.23255

Breast cancer is one of the non-contagious diseases that tends to increase every year. This disease occurs almost entirely in women, but can also occur in men. One way to detect this disease is by observing mammography images. However, mammography images often tend to be blurry with low quality so that it is possible to detect them incorrectly. Therefore, in this study, automatic classification of breast cancer on mammographic images was carried out using the Convolutional Neural Network (CNN). This proposed system uses the VGG16 architecture with a transfer learning system. The proposed system is then optimized using Adam optimizers and RMSprop optimizers. The results of system testing for normal, benign, and malignant classifications obtained an accuracy value of 80% - 90% with the highest accuracy achieved using Adam's optimizers. With this proposed system, it is hoped that it can help in the clinical diagnosis of breast cancer.

PEMANFAATAN TEKNOLOGI WEBSITE PADA PKBM WALIDAYNA KOTA MEDAN UNTUK MENDUKUNG OPERASIONAL PROGRAM KEJAR PAKET A, B DAN C BAGI ANAK PUTUS SEKOLAH Tulloh, Rohmat; Negara, Ridha Muldina; Nurmantris, Dwi Andi; Hariyani, Yuli Sun; Mayasari, Ratna; Vidyaningtyas, Hurianti
Prosiding Konferensi Nasional Pengabdian Kepada Masyarakat dan Corporate Social Responsibility (PKM-CSR) Vol 6 (2023): INOVASI PERGURUAN TINGGI & PERAN DUNIA INDUSTRI DALAM PENGUATAN EKOSISTEM DIGITAL & EK
Publisher : Asosiasi Sinergi Pengabdi dan Pemberdaya Indonesia (ASPPI)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37695/pkmcsr.v6i0.1923

PKBM atau Pusat Kegiatan Belajar Masyarakat merupakan lembaga pendidikan non-formal di Indonesia yang memberikan akses pendidikan dan pelatihan kepada masyarakat. PKBM berperan dalam memberdayakan masyarakat dengan meningkatkan kemandirian, partisipasi, kesadaran sosial, dan kesempatan kerja. PKBM Walidayna merupakan salah satu PKBM di Kota Medan yang menyediakan program kejar paket A, B, dan C bagi anak-anak putus sekolah. Meskipun PKBM Walidayna memiliki potensi pemberdayaan, pihak Walidayna menghadapi keterbatasan sumber daya, terutama dalam hal media informasi. Oleh karena itu, solusi yang ditawarkan adalah pembuatan website PKBM dan pelatihan bagi pengurus PKBM dalam mengoperasikan website. Metode yang diusulkan meliputi perencanaan kegiatan PKM, pelaksanaan pembuatan website dan pelatihan penggunaannya, serta observasi dan evaluasi untuk meningkatkan efektivitas kegiatan. Hasil Implementasi Website Media informasi bagi PKMB Walidayna dapat diakses pada laman https://yayasanwalidayna.id/. Dari umpan balik yang diperoleh dari peserta pelatihan yang merupakan pengelola PKBM Walidayna, disimpulkan bahwa website yang telah dikembangkan sesuai dengan kebutuhan PKBM Walidayna. Para pengelola merasa puas dengan tampilan yang menarik dan kemudahan penggunaannya.

Klasifikasi Jajanan Tradisional Indonesia berbasis Deep Learning dan Metode Transfer Learning FATURRAHMAN, RAIHAN; HARIYANI, YULI SUN; HADIYOSO, SUGONDO
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 11, No 4: Published October 2023
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v11i4.945

ABSTRAKMakanan jajanan tradisional Indonesia telah menjadi warisan budaya yang berharga dan penting. Namun di tengah kemajuan zaman, sebagian masyarakat menganggapnya ketinggalan dan beralih ke makanan modern. Sebagai bagian dari upaya untuk melestarikan dan membantu masyarakat terutama kaum muda untuk mengenali ragam jajanan tradisional Indonesia, maka penelitian ini bertujuan untuk mengklasifikasi jenis jajanan tradisional Indonesia secara otomatis berdasarkan citra dengan menggunakan arsitektur deep learning. Dalam penelitian ini, dilakukan penggunaan metode transfer learning untuk melatih ulang basenetwork, sehingga mampu mengenali citra jajanan tradisional Indonesia. Di antara tiga base network yang dilatih dan diuji, disimpulkan bahwa dengan menggunakan base-network mobilenetV2 menghasilkan akurasi uji sebesar 98%, tertinggi dibandingkan dengan menggunakan ResNet50 dan VGG16 yang menghasilkan akurasi uji 97.33% dan 93.33%.Kata kunci: jajanan tradisional indonesia, klasifikasi, deep learning, transfer learningÂ ABSTRACTTraditional Indonesian snacks have become valuable and important cultural heritage. However, amidst the progress of time, some people consider them outdated and switch to modern foods. As part of an effort to preserve and help the community, especially the younger generation, to recognize various traditional Indonesian snacks, this research aims to automatically classify types of traditional Indonesian snacks based on images using deep learning architecture. In this study, transfer learning method was employed to retrain the base-network, enabling it to recognize images of traditional Indonesian snacks. Among the three base networks trained and tested, it was concluded that using the MobileNetV2 base-network resulted in a test accuracy of 98%, the highest compared to using ResNet50 and VGG16, which achieved test accuracies of 97.33% and 93.33% respectively.Keywords: Indoensian traditional snack, classification, deep learning, transfer learning

Title

Found 27 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 27 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 27 Documents
Search