KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN.

KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN

SKRIPSI

Diajukan Untuk Memenuhi Sebagian Syarat Untuk Memperoleh gelar Sarjana Sains Prodi Fisika Departemen Pendidikan Fisika

Oleh Bagus Kumbara

1005397

PROGRAM STUDI FISIKA DEPARTEMEN PENDIDIKAN FISIKA

FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS PENDIDIKAN INDONESIA 2015

KLASIFIKASI DAN EKSTRAKSI SINYAL

EEG-P300 MENGGUNAKAN

SUPPORT

VECTOR MACHINE

UNTUK DETEKSI

KEBOHONGAN

Oleh Bagus Kumbara

Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Sains Departemen Pendidikan Fisika FPMIPA UPI

© Bagus Kumbara

Universitas Pendidikan Indonesia April 2015

Hak Cipta dilindungi undang-undang.

Skripsi ini tidak boleh diperbanyak seluruhya atau sebagian, dengan dicetak ulang, difotokopi, atau cara lainnya tanpa izin dari penulis.

Bagus Kumbara,2015

KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN

Nama : Bagus Kumbara NIM : 1005397

Pembimbing I : Arjon Turnip, Ph.D. Pembimbing II : Drs. Waslaluddin, M.T.

ABSTRAK

Electroencephalogram (EEG) merupakan aktifitas sinyal listrik yang berasal dari elektroda yang dipasangkan pada area otak. Komponen P300 merupakan sinyal yang dihasilkan dari sinyal EEG yang bersesuaian dengan mental proses. Pada tugas akhir ini, paradigma deteksi kebohongan berdasarkan EEG-P300 dibangun. Bandpass filter, Independent Component Analysis, Support Vector Machine (SVM) digunakan untuk filter, ekstraksi, dan klasifikasi rekaman sinyal EEG. Sinyal EEG yang bersih digunakan untuk mengetahui informasi yang disembunyikan oleh subjek, misalnya ketika sedang berbohong. Raw EEG yang awalnya memiliki amplitudo 80-2811 µV kemudian amplitudo berkurang 0-14 µV setelah remove offset dan bandpass filter mengurangi amplitudo sekitar 10-520 µV dan setelah dilakukan ICA, amplitudo sinyal berkurang 60-2240 µV. Sehingga sinyal EEG akhir setelah tahap ini memiliki nilai amplitudo 14-72 µV yang jauh berbeda dibandingkan sinyal awal. Klasifikasi yang dilakukan menghasilkan model SVM dengan akurasi 70,83% dan waktu komputasi 0.0283 detik, sehingga dapat menentukan data EEG untuk subjek berbohong atau tidak.

Bagus Kumbara,2015

KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

ABSTRACT

Electroencephalogram (EEG) is an activity of bio-electric signals that recorded from the electrodes on the scalp. P300 component is a wave that can be generated in the EEG signals correspond to mental process. In this final project, lie detection paradigm based EEG-P300 is proposed. Bandpass filter, Independent Component Analysis, Support Vector Machine (SVM) are respectively used to filter, extract, and classify the recorded EEG signal. Clean EEG signals are used to determine the hidden information by each subject such as lying or not. The raw EEG signals originally has amplitude 80-2811 μV then offset removal reduced its amplitude around 0-14 μV and bandpass filter reduced its amplitude around 10-520 μV and then after ICA process, its reduced amplitude around 60-2240 μV. So, EEG signal after the end of this stage has a amplitude 14-72 μV that much different than the initial signal. Classification was generating SVM models with 70,83% accuracy and computation time 0.0283 seconds, so svm can determine the EEG data for subjects lying or not.

Bagus Kumbara,2015

KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

DAFTAR ISI

LEMBAR HAK CIPTA LEMBAR PENGESAHAN

PERNYATAAN ... Error! Bookmark not defined. ABSTRAK ... Error! Bookmark not defined. ABSTRACT ... Error! Bookmark not defined. KATA PENGANTAR ... Error! Bookmark not defined. UCAPAN TERIMA KASIH ... Error! Bookmark not defined. DAFTAR ISI ... vii DAFTAR TABEL ... Error! Bookmark not defined. DAFTAR GAMBAR ... Error! Bookmark not defined. BAB I PENDAHULUAN ... Error! Bookmark not defined. 1.1 Latar Belakang ... Error! Bookmark not defined. 1.2 Rumusan Masalah ... Error! Bookmark not defined. 1.3 Batasan Masalah ... Error! Bookmark not defined. 1.4 Tujuan ... Error! Bookmark not defined. 1.5 Manfaat ... Error! Bookmark not defined. 1.6 Sistematika Penulisan ... Error! Bookmark not defined. BAB II TINJAUAN PUSTAKA ... Error! Bookmark not defined. 2.1 Electroencephalography (EEG) ... Error! Bookmark not defined. 2.2 ERP - P300 ... Error! Bookmark not defined. 2.3 Bandpass Filter ... Error! Bookmark not defined. 2.4 Independent Component Analysis (ICA) Error! Bookmark not defined. 2.5 Support Vector Machine (SVM) ... Error! Bookmark not defined. 2.6 Kebohongan ... Error! Bookmark not defined. 2.7 Alat perekam data ... Error! Bookmark not defined. BAB III METODOLOGI PENELITIAN... Error! Bookmark not defined. 3.1 Metode Penelitian ... Error! Bookmark not defined. 3.2 Skema Percobaan ... Error! Bookmark not defined. 3.2.1 Pembuatan Stimulus ... Error! Bookmark not defined.

Bagus Kumbara,2015

KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

3.2.2 Akuisisi Sinyal ... Error! Bookmark not defined. 3.2.2.1 Persiapan eksperimen ... Error! Bookmark not defined. 3.2.2.2 Perekaman data ... Error! Bookmark not defined. 3.2.3 Pengolahan Sinyal Digital ... Error! Bookmark not defined. 3.2.3.1 Pra-Proses ... Error! Bookmark not defined. 3.2.3.2 Ekstraksi Fitur ... Error! Bookmark not defined. 3.2.3.3 Klasifikasi ... Error! Bookmark not defined. 3.2.4 Pembuatan Aplikasi/Program... Error! Bookmark not defined. BAB IV HASIL PENELITIAN DAN PEMBAHASAN ... Error! Bookmark not defined.

4.1 Pengolahan Sinyal Digital ... Error! Bookmark not defined. 4.1.1 Pra-Proses ... Error! Bookmark not defined. 4.1.1.1. Raw Data... Error! Bookmark not defined. 4.1.1.2. Remove offset ... Error! Bookmark not defined. 4.1.1.3. Bandpass Filter ... Error! Bookmark not defined. 4.1.1.4. Independent Component Analysis (ICA) Error! Bookmark not defined.

4.1.1.5. Trial Data ... Error! Bookmark not defined. 4.1.2 Ekstraksi Fitur ... Error! Bookmark not defined. 4.1.3 Klasifikasi SVM ... Error! Bookmark not defined. 4.2 Brain Mapping ... Error! Bookmark not defined. 4.3 Sinyal P300 ... Error! Bookmark not defined. 4.4 Program SVM ... Error! Bookmark not defined. 4.4.1 Deskripsi umum program ... Error! Bookmark not defined. 4.4.2 Implementasi coding ... Error! Bookmark not defined. 4.4.4.1 Implementasi modul program... Error! Bookmark not defined. 4.4.4.2 Implementasi Antarmuka ... Error! Bookmark not defined. BAB V KESIMPULAN DAN SARAN ... Error! Bookmark not defined. 5.1 Kesimpulan ... Error! Bookmark not defined. 5.2 Saran ... Error! Bookmark not defined. DAFTAR PUSTAKA ... Error! Bookmark not defined. LAMPIRAN ... Error! Bookmark not defined.

Bagus Kumbara,2015

KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN

1

Bagus Kumbara,2015

KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

BAB I PENDAHULUAN 1.1 Latar Belakang

Otak merupakan organ yang sangat penting pada manusia, dimana otak memiliki kemampuan untuk mengendalikan setiap aktivitas yang dilakukan oleh manusia baik dalam keadaan sadar maupun tidak sadar. Aktifitas yang dilakukan seperti menggerakan tangan, kaki, mata maupun merasakan keadaan yang ada diluar sistem tubuh manusia. Aktivitas kerja otak merupakan aktivitas kelistrikan yang sifatnya terus menerus. Otak manusia menunjukkan pola aktivasi dalam kondisi normal maupun abnormal dalam melakukan setiap kegiatan. Kondisi normal merupakan kondisi yang mencakupi kondisi yang berhubungan dengan aktivitas fisik seperti, bekerja, berfikir, tidur, dan terjaga dan kondisi yang berhubungan dengan aktivitas mental seperti, ketenangan, kebahagiaan, dan kemarahan. Kondisi abnormal merupakan kondisi yang berhubungan dengan gangguan neurologis (fungsi kerja otak). Aktifitas otak manusia banyak digunakan dalam berbagai aplikasi seperti dalam bidang medis (Gourab & Schmit, 2010; Zandi, dkk. 2010), bidang keteknikan: pengendalian robot (Swords, dkk. 2013; Ranky & Adamovich, 2010; Hazrati & Erfanian, 2010), wheelchair atau kursi roda (Ahmed, 2011; Singla & Haseena, 2013), bidang komunikasi: sistem penulisan dan keyboard virtual (Shishkin, dkk. 2011; Akram, dkk. 2014). Untuk keperluan aplikasi tersebut maka dibutuhkan data digital dari aktifitas otak manusia yang harus melalui berbagai proses agar dapat digunakan dalam berbagai aplikasi, proses tersebut terdiri dari perekaman data, pengolahan data, dan pengaplikasian data.

Penelitian mengenai aktivitas otak dapat dihasilkan dari pengukuran sinyal otak menggunakan electroencephalogram (EEG), magentoencephalography (MEG), dan functional magnetic resonance imaging (fMRI) (Turnip, 2012). Pengukuran sinyal otak menggunakan sistem EEG merupakan salah satu teknik pengukuran sinyal bio-listrik non-invasif yang relatif lebih sering digunakan. Hal ini karena sistem EEG memiliki resolusi temporal lebih tinggi dan cepat dalam merespon setiap perubahan aktivitas otak, lebih mudah digunakan, lebih nyaman

2

terhadap subjek, serta cenderung lebih murah dibandingkan dengan peralatan lainnya. Beberapa jenis peralatan sistem EEG yang sering digunakan adalah EEG-SMT, Epoc Emotiv, dan MITSAR. Dalam kegiatan eksperimen tugas akhir ini, MITSAR EEG 202 adalah satu-satunya alat yang digunakan.

Sinyal EEG membawa informasi yang penting yang menjadi sumber informasi utama dalam penelitian mengenai fungsi otak dan gangguan neurologis (Halchenko, dkk. 2005). Sinyal EEG terdiri dari berbagai jenis sinyal, yaitu: Slow Cortical Potential (SCP) (Birbaumer, dkk. 1999), Event-Related Desynchronization (ERD) (Kalcher, dkk. 1996), Steady-State Visual Evoked Potential (SSVEP) (Middendorf, dkk. 2000; Hwang, dkk. 2012), dan Event-Related Potential (ERP) (Sellers, dkk. 2006; Shishkin, dkk. 2011). Dalam tugas akhir ini, penulis hanya fokus terhadap jenis sinyal ERP dimana salah satu komponennya adalah P300. ERP memiliki komponen seperti N100, P200, dan P300. N100 merupakan perubahan amplitudo negatif pada waktu 100 mili-detik setelah stimulasi, P200 merupakan perubahan amplitudo positif pada waktu 200 mili-detik setelah stimulasi, dan P300 merupakan perubahan amplitudo positif pada waktu 300 mili-detik setelah setimulasi.

Dalam proses perekaman sinyal EEG, cara perekaman yang baik dan benar perlu diperhatikan karena hal ini akan memberi kemudahan dalam proses pengolahan sinyal selanjutnya. Namun, pada kenyataannya gangguan yang berasal dari aktivitas biologis subjek seperti gerakan otot (EMG), gerakan mata (EOG), maupun detak jantung (ECG) cenderung tidak dapat dihindari. Sinyal yang timbul akibat gerakan tersebut disebut sebagai artefak. Sehingga untuk mendapatkan hasil yang baik dalam proses analisis, maka perlu dilakukan penghilangan artefak yang terekam dalam sinyal EEG. Sinyal EEG yang telah mengalami tahapan penghilangan artefak, maka harus diproses kembali untuk membedakan antara karakteristik sinyal satu dengan yang lainnya. Dalam proses ini sinyal EEG diekstraksi sesuai dengan karakter sinyalnya untuk memilah satu karakter dari karakter yang lain.

Kebohongan merupakan tindakan menutupi sesuatu informasi sehingga kebenaran dari pernyataan tersebut hanya diketahui oleh orang yang berhohong. Infromasi yang tersembunyi dari subjek berbohong akan menimbulkan respon

3

sinyal EEG-P300 dalam bentuk yang berbeda yaitu amplitudo yang cenderung lebih besar disekitar 300 mili-detik setelah stimulasi. Metode eksperimen yang digunakan untuk menghasilkan respon sinyal P300 adalah metode P300-GKT (P300 Guilty Knowledge Test) (Abootalebi, dkk. 2009) Pengolahan sinyal P300 dilakukan untuk mendapatkan informasi yang terdapat pada sinyal tersebut, pengolahan terdiri dari pengolahan sinyal digital, ekstraksi fitur dan klasifikasi. Ekstraksi fitur yang sering ditemukan dalam jurnal internasional adalah Frequency Features (Abootalebi, dkk. 2009), Wavelet Features (Hsu, 2010; Jahankhani, dkk. 2006), Independent Component Analysis (ICA) (Trunip, 2015), Principal Component Analysis (PCA) (Turnip & Siahaan, 2014; Trunip, dkk. 2014; Kusumandari, dkk. 2014), Nonlinear Adaptive Filter (Trunip & Kusumandari, 2014), Nonlinear Independent Component Analysis (Turnip & Kusumandari, 2014), Nonlinear Principal Component Analysis (Turnip, dkk. 2011) dan Robust Principal Component Analysis (Trunip, 2015; Turnip, 2014). Sedangkan klasifikasi yang sering ditemukan dalam jurnal adalah Neural Network (Turnip & Soetraprawata, 2013; Pardede, dkk. 2015; Soetraprawata & Turnip, 2013; Turnip, dkk. 2013; Turnip & Hong, 2012), Kalman Filter (Turnip, dkk. 2013), Linear Discriminant Analysis (LDA), Adaptive Neuro-Fuzzy Inference System (ANFIS). Dalam penelitian ini akan digunakan ekstraksi amplitude features dan metode klasifikasi menggunakan support vector machines (SVM) dengan sebuah dasar pemikiran bahwa SVM memiliki sistem klasifikasi yang baik dan proses komputasi yang cepat.

Berdasarkan latar belakang tersebut penulis bermaksud melakukan penelitian deteksi kebohongan menggunakan sinyal P300 dengan metode eksperimen P300-GKT yang akan diklasifikasikan menggunakan metode SVM. Maka diajukan judul penelitian “Klasifikasi Dan Ekstraksi Sinyal EEG-P300 Menggunakan Support Vector Machine Untuk Deteksi Kebohongan”.

1.2 Rumusan Masalah

Rumusan masalah yang timbul pada penelitian yaitu:

a. Bagaimana mendeteksi kebohongan dengan meninjau sinyal aktivitas otak manusia.

4

b. Bagaimana metode SVM yang diajukan dalam menghasilkan output deteksi kebohongan.

1.3 Batasan Masalah

Batasan masalah pada penelitian ini yaitu:

a. Sinyal EEG yang digunakan merupakan sinyal P300.

b. Metode SVM digunakan untuk klasifikasi sinyal untuk mendeteksi kebohongan.

c. Stimulus probe digunakan sebagai data yang diklasifikasi mengunakan SVM.

1.4 Tujuan

Tujuan dari penelitian yang dilakukan adalah: a. Merancang percobaan deteksi kebohongan.

b. Mengekstraksi fitur amplitudo dari sinyal P300 untuk deteksi kebohongan. c. Mengklasifikasi sinyal P300 deteksi kebohongan menggunakan SVM.

1.5 Manfaat

Dengan adanya penelitian ini diharapkan sebuah sistem yang mempunyai kemampuan mendeteksi kebohongan berbasis brain computer interface akan mampu dibangun.

1.6 Sistematika Penulisan

Sistematika penulisan pada penelitian ini adalah sebagai berikut : BAB I PENDAHULUAN

Bab pendahuluan berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat dan sistematika penulisan

BAB II TINJAUAN PUSTAKA

Bab tinjauan pustaka berisi mengenai referensi yang digunakan sebagai acuan pada penelitian ini, seperti Electroencephalography, ERP-P300, Bandpass Filter, ICA, Support Vector Machine, Kebohongan dan MITSAR 202.

BAB III METODOLOGI PENELITIAN

5

BAB IV HASIL DAN ANALISA

Bab hasil dan analisa, memaparkan hasil dan membahas analisa data dan keluaran proses sinyal EEG P300 deteksi kebohongan.

BAB V KESIMPULAN DAN SARAN

Bagus Kumbara,2015

KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

BAB III

METODOLOGI PENELITIAN 3.1 Metode Penelitian

Dalam metode penelitian ini dijelaskan bagaimana proses pendeteksian kebohongan menggunakan metode SVM untuk sinyal EEG. Metode penelitian dapat dilihat seperti pada Gambar 3.1. Tahapan pertama pada penelitian ini adalah studi literatur yang dilakukan peneliti dengan cara mencari dan membaca referensi mengenai hal-hal yang berada pada lingkup penelitian. Kemudian sebagai masukannya adalah data sinyal EEG yang didapatkan dari proses perekaman langsung dari subjek eksperimen. Data hasil perekaman disebut dengan raw data, yang pada tahap pengolahan data akan melalui proses remove baseline, bandpass filter, ICA, dan kemudian trial data untuk mendapatkan setiap stimulus yang diberikan pada proses perekaman data. Hasil trial data dapat disebut sebagai sampel data, sampel data ini akan menjadi data masukan dalam proses pelatihan dan proses pengujian metode SVM sehingga didapatkan model SVM untuk mendeteksi kebohongan. Pada tahapan terakhir didapatkan hasil penelitian dari setiap proses yang dilakukan seperti raw data, data hasil remove baseline, data hasil bandpass filter, data hasil ICA, data hasil trial, dan model SVM yang telah dibangun. Kemudian hasil penelitian ini akan dianalisis sesuai dengan data hasil yang ada.

20

21

3.2 Skema Percobaan

Skema percobaan yang dilakukan untuk pendeteksi kebohongan dapat dilihat pada Gambar 3.2.

Gambar 3.2 Skema percobaan.

Gambar 3.2 menunjukkan tahapan-tahapan yang dilakukan dalam penelitian, bila dijabarkan secara rinci, maka akan terbagi dalam beberapa tahapan, yaitu: Pembuatan Stimulus, Akuisisi Sinyal, Pengolahan Sinyal Digital, dan Pembuatan Aplikasi/Program, lebih detail dari tahapan percobaan pada Gambar 3.2 dapat dijelaskan pada paragraf berikut.

3.2.1 Pembuatan Stimulus

Stimulus yang digunakan dalam penelitian ini berupa stimulus visual, yaitu dengan menampilkan gambar-gambar yang berbeda sehingga akan menimbulkan respon sinyal EEG P300. Stimulus dibuat dengan menggunakan software Psytask. Psytask dapat mengatur pembuatan stimulus baik stimulus visual, audio, maupun audio visual. Adapun stimulus visual yang telah dibuat dapat dilihat pada Gambar 3.3.

Akuisisi Sinyal

Stimulus visual

S

in

yal E

E

G

Pra-Proses

Ekstraksi

Fitur Klasifikasi Pengolahan Sinyal Digital

Aplikasi/ Program

22

Gambar 3.3 Tampilan Stimulus pada monitor.

Stimulus visual yang ditampilkan terdiri dari 3 rangkaian stimulus yang berbeda, yaitu;

a. Probe (P)

Probe merupakan benda yang berhubungan dengan informasi yang hanya diketahui subjek berbohong dan juga peneliti. Sehingga bagi subjek berbohong akan mengetahui stimulus ini sedangkan subjek tidak berbohong tidak.

b. Target (T)

Target merupakan benda yang menyerupai kedua stimulus diatas, namun pada saat stimulus ini muncul subjek diberi perintah untuk melakukan aktifitas tertentu (dalam penelitian ini subjek diperintahkan untuk menghitung jumlah selama percobaan).

c. Irrelevant (I)

Irrelevant merupakan benda yang tidak termasuk kedalam stimulus Probe dan Target.

Fungsi dan kegunaan dari setiap perbedaan stimulus diatas adalah untuk menghasilkan respon dan menghasilkan sinyal tertentu sesuai dengan stimulus yang berbeda-beda. Stimulus I, T, dan P ditampilkan secara berulang untuk dengan urutan yang berbeda-beda, sehingga subjek tidak bisa mengetahui urutan stimulus yang diberikan. Setiap stimulus ditampilkan dalam waktu 1,1 detik dan

23

jeda/delay antar stimulus adalah 2 detik. Alur stimulus ditampilkan pada Gambar 3.4.

Instruksi awal delay (layar putih)

Stimulus

Gambar 3.4 Alur stimulus.

3.2.2 Akuisisi Sinyal

Akuisisi sinyal adalah langkah untuk mengambil data sinyal EEG dari otak subjek dengan tahapan persiapan dan perekaman. Semua eksperimen yang dilakukan harus memperhatikan aspek-aspek seperti, pemasangan dan kalibrasi alat serta penempatan dan pemilihan channel sinyal otak yang akan di ambil datanya.

3.2.2.1Persiapan eksperimen

a. Subjek dalam eksperimen ini berjumlah 11 orang dengan rentang umur 20-27 tahun, merupakan untrained personal, dan berjenis kelamin laki-laki. Keterangan subjek dapat dilihat pada Tabel 3.1.

24

Tabel 3.1 Keterangan subjek eksperimen.

No Subjek Umur (tahun) 1 Subjek ke-1 22 2 Subjek ke-2 23 3 Subjek ke-3 22 4 Subjek ke-4 22 5 Subjek ke-5 24 6 Subjek ke-6 24 7 Subjek ke-7 23 8 Subjek ke-8 22 9 Subjek ke-9 23 10 Subjek ke-10 27 11 Subjek ke-11 20

b. Channel yang digunakan dalam eksperimen ini adalah channel Fz,Cz,Pz,O1, dan O2. Channel-channel tersebut merupakan channel yang berhubungan dengan aktifitas mengenai pengelihatan. Penempatan channel elektroda pada kepala dengan pola internasional 10-20 ditunjukkan seperti pada Gambar 3.5.

Gambar 3.5 Pola Penempatan elektroda pada kepala.

c. Pemasangan ElectroCap dilakukan secara tepat pada kepala subjek dan dilakukan agar senyaman mungkin pada subjek. Setelah ElectroCap terpasang, maka setiap elektroda yang digunakan harus diberikan gel elektrolit. Pemasangan ElectroCap pada subjek dapat dilihat pada Gambar 3.6.

25

Gambar 3.6 Pemasangan ElectroCap pada subjek.

d. Kalibrasi setiap elektroda yang digunakan sehingga menghasilkan nilai impedansi kurang dari 5 Kohm. Kalibrasi ini dilakukan menggunakan software WinEEG, tampilan kalibrasi elektroda dapat dilihat pada Gambar 3.6. Jika nilai impedansi dari elektroda belum mendekati 5 Kohm, maka kita dapat menambahkan kembali gel elektrolit ke setiap elektroda.

Gambar 3.7 Tampilan impedansi setiap elektroda.

3.2.2.2Perekaman data

Perekaman sinyal menggunakan software WinEEG, dan dibantu dengan stimulus yang ditampilkan oleh sistem Psytask. WinEEG dan Psytask harus diaktifkan secara bersamaan, sehingga sinyal EEG yang diharapkan akan direspon oleh subjek dan sinyal EEG terekam dengan baik oleh WinEEG. Tampilan sinyal EEG yang terekam pada WinEEG dapat dilihat pada Gambar 3.7. Data sampel sinyal EEG yang terekam dengan perangkat lunak WinEEG disimpan dalam format file *.eeg yang nantinya akan diolah.

26

Gambar 3.8 Tampilan sinyal EEG pada WinEEG.

3.2.3 Pengolahan Sinyal Digital

Pengolahanan sinyal digital merupakan tahapan yang dilakukan terhadap data yang telah didapatkan pada proses eksperimen, sehingga kita dapatkan informasi yang tersimpan pada data tersebut. Adapun pemrosesan sinyal digital yang dilakukan dalam penelitian ini secara umum dapat dilihat pada Gambar 3.8.

Gambar 3.9 Tahapan pengolahan sinyal digital. Raw Data

Remove offset

Bandpass Filter (0.3-30 Hz)

Independent Component Analysis (ICA)

Trial Data

Ekstraksi Fitur

Klasifikasi

Pr a-Pr os

27

3.2.3.1Pra-Proses

Tahap pra-proses merupakan tahapan awal pengolahan sinyah digital yang terdiri dari rangkaian proses: Remove offset, Bandpass filter, ICA, dan Trial data.

a. Raw data merupakan data awal hasil perekaman yang belum mengalami proses pengolahan sinyal apapun dengan sampling rate 250 Hz.

b. Penghilangan offset bertujuan untuk menurunkan tegangan sinyal hasil dari amplifier.

c. Bandpass filter bertujuan untuk menghilangan noise dari sinyal EEG. d. ICA mengubah sinyal multidimensi yang acak menjadi sinyal yang memiliki

komponen yang independen.

e. Trial data bertujuan untuk memisahkan data stimulus yang diberikan, yaitu stimulus I, P, dan T.

3.2.3.2Ekstraksi Fitur

Sinyal EEG merupakan sinyal yang mempunyai domain waktu dan distribusi sinyal energinya tersebar sehingga fitur sinyal ini sangat merendam sinyal noise. Untuk mengekstrasi fitur, sinyal EEG harus dianalisis untuk menjelaskan sinyal energi sebagai fungsi waktu ataupun frekuensi.

Dalam penelitian ini sinyal energi sebagai fungsi waktu yang diguanakan kemudian ekstraksi fitur. Fitur yang diekstrak dari sinyal EEG, yaitu minimal amplitudo, maksimal amplitudo, mode amplitudo, median amplitudo dan mean amplitudo.

3.2.3.3Klasifikasi

Algoritma yang digunakan dalam proses klasifikasi pada penelitian ini adalah SVM. Klasifier SVM dibangun dalam 2 tahapan, yaitu proses pelatihan dan pengujian. Pada proses pelatihan dilakukan pengklasifikasian fitur ke dalam dua kelas, dan mecari pemisah terbaik antara kedua kelas. Proses pengujian dilakukan untuk mengevaluasi pemodelan SVM EEG yang dibangun pada proses pelatihan, sehingga didapatkan pemodelan SVM EEG yang terbaik untuk memisahkan fitur ke dalam dua kelas.

28

3.2.4 Pembuatan Aplikasi/Program

Program pendeteksi kebohongan dibuat untuk memudahkan proses pengklasifikasian sinyal deteksi kebohongan. Program ini dibuat dengan menggunakan GUIBuilder pada MATLAB. Tahapan dalam pembuatan program ini adalah:

a. Analisis

Dalam tahapan ini merupakan awalan dalam melakukan analisis kebutuhan sistem yang selanjutnya akan didefinisikan sebagai kebutuhan yang harus dipenuhi dalam sistem.

b. Desain

Dalam tahapan desain ditujukan untuk memudahkan pemahaman mengenai proses pengerjaan/alur dari sistem.

c. Coding

Menterjemahkan desain yang telah dibuat kedalam bahasa mesin yang dimengerti oleh perangkat komputer. Pada penelitian ini, coding dilakukan dengan menggunakan software MATLAB.

d. Testing

Pegujian program dilakukan untuk mengetahui kesalahan (error) yang terjadi pada program yang telah dibuat.

Bagus Kumbara,2015

KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan

Dari hasil penelitian deteksi kebohongan sinyal EEG P300 dapat disimpulkan : 1. Sinyal P300 menghasilkan respon sesuai dengan stimulus yang diberikan

kepada subjek. Dalam mendeteksi kebohongan stimulus Probe digunakan sebagai data karena dalam stimulus ini informasi mengenai kebohongan terbangun.

2. Ekstraksi fitur yang dilakukan terhadap sample data dari stimulus Probe memberikan ciri amplitudo terhadap sampel data sehingga dapat digunakan sebagai input data untuk proses klasifikasi.

3. Klasifikasi menggunakan support vector machine menghasilkan model svm dengan akurasi sebesar 70.83 % dengan waktu komputasi 0.0283 detik. Metode SVM dapat diterapkan untuk deteksi kebohogan sinyal EEG.

5.2 Saran

Berikut adalah saran yang ditujukan untuk penelitian lebih lanjut deteksi kebohongan:

1. Penelitian dengan metode eksperimen lain (contoh : Metode Concealed Information Test) dapat digunakan untuk melihat hasil dari sinyal EEG untuk deteksi kebohongan.

2. Dilakukan penelitian lebih lanjut mengenai ekstraksi fitur yang lain untuk melihat seberapa penting ekstraksi ciri untuk meningkatkan akurasi support vector machine.

3. Penelitian khusus mengenai support vector machine dapat dilakukan untuk menghasilkan klasifikasi yang lebih baik dalam deteksi kebohongan.

44

Bagus Kumbara,2015

KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

DAFTAR PUSTAKA

Aapo, Hyvarinen., Juha, Karhunen., Erkki, Oja. (2001). Independent Component Analysis, John Wiley & Sons, inc: New York.

Abootalebi, Vahid., Moradi, M Hassan., Khalilzadeh, M Ali. (2009). A new approach for EEG feature extraction in P300-based lie detection. Computer methods and programs in biomedicine, vol.94 hlm.48-57.

Ahmed, K. S. (2011). Wheelchair movement control via human eye blinks. American journal of biomedical engineering, vol.1 hlm.55-58.

Akhtar, M.T., Mitsuhashi, W., James, C.J. Employing spatially constrained ICA and wavelet denoising, for automatic removal of artifacts from multichannel EEG data. (2012). Signal Processing, vol.27 pp.401–416.

Akram, F., Han, H.-S., & Kim, T.-S. (2014). A P300-based brain computer interface system for words typing. Computers in Biology and Medicine, vol.45 hlm.118-125.

Amri, Moch. Choirul., Adil, Ratna. (t.t). Rancang Bangun Modul EEG Untuk Pengkalisifikasikan Keaadaan Stress dengan FIR. Departemen Teknik Elektronika, Politeknik Elektronika Negeri Surabaya.

Bi, Luzheng., Fan,Xin-An., Liu,Yili. (2013). EEG-Based Brain-Controlled Mobile Robots: A Survey. IEEE Transactions ON Human-Machine Systems, Vol. 43, No. 2, March 2013.

Birbaumer, N., Ghanayim, N., Hinterberger, T., Iversen, I., Kotchoubey, B., Kubler, A., Perelmouter, J., Taub, E., Flor, H. (1999). "A Spelling Device for the Paralysed". Nature, vol.398 hlm. 297-298.

Gourab, Krishnaj., Schmit, Brian D. (2010). Changes in movement-related b-band EEG signals in human spinal cord injury. Clinical Neurophysiology, vol.121 hlm.2017–2023.

Gunadi, Aris., Gede, I., Harjoko, Agus. (2012). Telaah Metode-Metode Pendeteksi Kebohongan. IJCCS, vol.6 hlm.35-46.

45

Bagus Kumbara,2015

KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

Halchenko, Yaroslav O., Hanson, Stephen J., Pearlmutter, Barak A. (2005). Multimodal Integration: fMRI, MRI, EEG, MEG. hlm223-265.

46

Hazrati, M. K., & Erfanian, A. (2010). An online EEG-based brain–computer interface for controlling hand grasp using an adaptive probabilistic neural network. Medical Engineering & Physics, vol.32 hlm.730-739. Hsu, Wei-Yen. (2010). EEG-based motor imagery classification using

neuro-fuzzy prediction and wavelet fractal features. Journal of Neuroscience Methods, vol.189 hlm.295-302.

Hwang, Han-Jeong., lim, Jeong-Hwan., Jung, Young-jin., Choi, Han., Lee, Sang Woo., Im, Chang-Hwan. (2012). Development of an SSVEP-based BCI spelling system adopting a QWERTY-style LED keyboard. Journal of Neuroscience Methods, vol.208 hlm.59–65.

Jahankhani, Pari., Kodogiannis, Vassilis., Revett, Kenneth. (2006). EEG signal classification using wavelet feature extraction and neural networks. IEEE John Vincent Atanasoff 2006 International Symposium on Modern Computing.

Kalcher, J., Flotzinger, D., Neuper, Ch., Golly, S., Pfurtscheller, G. (1996). Graz braincomputer interface II: towards communication between humans and computers based on online classification of three different EEG patterns. Medical and Biological Engineering and Computing, vol.34 hlm.382-388.

Karyawan, Moch A., Arifin, Agus Z., Saikhu, Ahmad. (2011). Klasisfikasi Sinyal EEG Menggunakan Koefisien Autoregresif, E-score dan Least Square Support Vector Machine. Institut Teknologi Sepuluh November. Surabaya.

Kusumandari, D. E., Fakhrurroja, H., Hutagalung, S., Kumbara, B., Simarmata, J., Turnip, A. (2014). Removal of EOG Artifacts: Comparison of ICA Algorithm from Recording EEG. International Conferences on Technology, Informatics, Management, Engineering & Environtment. Middendorf, Matthew., McMillan, G., Calhoun, G., Jones, Keith S. (2000).

Brain-computer interfaces based on the steady-state visual-evoked response, IEEE TRANSACTIONS ON REHABILITATION ENGINEERING, VOL.8.

47

Nugroho, A Satrio., Witarto, A Budi., Handoko, Dwi. (2003). Support Vector Mahcine-Teori dan Aplikasinya dalam Bioinformatika. IlmuKomputer.com.

Pardede, J., Turnip, M., Manalu, D. R., Turnip, A. (2015). Adaptive Recurrent Neural Network for Reduction og Noise and Estimation of Source from Recorded EEG Signals. ARPN Journal of Engineering and Applied Sciences, vol.10 hlm.993-997.

Proakis, John G., Manolakis, Dimitris G. (2007). Digital Signal Processing Fourth Edition. New Jersey:Pearson education.

Ranky, G. N., & Adamovich, S. (2010). Analysis of a Commercial EEG Device for the Control of a Robot Arm. IEEE.

Sanei, S., Chambers, J.A. (2007). EEG Signal Processing. John Wiley and Sons. Sellers, Eric W., Keusienski, Dean J., McFarland, Dennis J., Vaughan, Teresa M.,

Wolpaw, Jonathan R. (2006). A P300 event-related potential brain– computer interface (BCI): The effects of matrix size and inter stimulus interval on performance. Biological Psychology, vol.73 hlm.242-252. Shishkin, S. L., Ganin, I. P., & Kaplan, A. Y. (2011 ). Event-related potentials in a

moving matrix modification of the P300 brain–computer interface paradigm. Neuroscience Letters, vol.496 hlm.95-99.

Singla, Rajesh., B.a,Haseena. (2013). BCI Based Wheelchair Control Using Steady State Visual Evoked Potentials adn Support Vector Machine. International Journal of Soft Computing and Engineering (IJSCE), vol.3.

Soetraprawata, D., Turnip, A. (2013). Autoregressive Integrated Adaptive Neural Network Classifier for EEG-P300 Classification. Journal of Mechatronics, Electrical Power and Vehicular Technology, vol.4 hlm.1-8.

Sugiarto, Indar. (t.t). Sistem BCI Berbasis Low Density EEG. Fakultas Teknologi Industri, Universitas Kristen Petra.

Swords, D., Sandygulova, A., Abdalla, S., & O'Hare, G. M. (2013). Electroencephalograms for Ubiquitous Robotic Systems. Procedia Computer Science, vol.21 hlm.174-182.

48

Turnip, A. (2012). Feature Extraction and Classification of EEG-P300 Signals, and Its application to Online Brain Computer Interface. (Tesis). The Graduate School, Pusan National University, Korea.

Trunip, A., Kusumandari, D. E. (2014). Improvement of BCI performance throught nonlinear independent component analysis extraction. Journal of Computer, vol.9 hlm.688-695.

Turnip, A., Hutagalung, S. S., Pardede, J., Soetraprawata, D. (2013). P300 Detection using multilayer neural networks based adaptive feature extraction method. International Journal of Brain and Cognitive Science, vol.2 hlm.63-75.

Turnip, A., Hong, K.-S. (2012). Classifying mental activities from EEG-P300 signals using adaptive neural network. International Journal of Innovative Computing, Information and Control (IJICIC), vol.8.

Turnip, A., Hong, K.-S., Jeong, M.-Y. (2011). Real-time feature extraction of P300 component using adaptive nonlinear principal component analysis. Journal of BioMedical Engineering OnLine, vol.10, no.83. Turnip, A., & Soetraprawata, D. (2013). Performance of EEG-P300 Classification

Using Backpropagation Neural Networks. Journal of Mechatronics, Electrical Power and Vehicular Technology.

Turnip, A. (2015). Comparison of ICA-based JADE and SOBI Methods EOG Artifacts Removal. Journal of Medical and Bioengineering.

Turnip, A., Siahaan, M. (2014). Adaptive Principal Component Analysis based Recursive Least Square for Artifact Removal of EEG Signals. Advanced Science Letter, vol.20 hlm.2034-2037.

Turnip, A., Setiawan, I. R., Junaidi, E., Hoa, N. L. (2014). An Experiment of Ocular Artifacts Elimination from EEG Signals Using ICA and PCA Methods. Journal of Mechatronics, Electrical Power and Vehicular Technology, vol.5 hlm.129-138.

Turnip, A. (2015). Noise Reduction and Brain Mapping based Robust Principal Component Analysis. 12th IEEE International Conference on Networking, Sensing, and Control.

49

Turnip, A. (2014). Automatic Artifacts Removal of EEG Signals using Robust Principal Component Analysis. International Conferences on Technology, Informatics, Management, Engineering & Environtment. Turnip, A., Soetraprawata, D., Hariyadi., Kusumandari, D. E. (2013). Sequential

extended Kalman Filter on EEG extraction and classification. Teknologi Indonesia, vol.36.

Turnip, A., Kusumandari, D. E. (2014). Nonlinear Adaptive Filter for EEG-P300 Extraction based Four Inter-Stimulus Intervals. Journal of Information and Communication Technology.

Wang, Y.-K., Chen, S.-A., Lin, C.-T. (2014). An EEG-based brain– computer interface for dual task driving detection. Neurocomputing, vol.129 hlm.85-93.

Wikipedia. (2013). Kebohongan [Online] Tersedia di

http://id.wikipedia.org/wiki/Kebohongan [Diakses 12 Desember 2014] Zandi, A Shahidi., Javidan, Manouchehr., Dumont, Guy A., Tafreshi, Reza.

(2010). Automated Real-Time Epileptic Seizure Detection in Scalp EEG Recordings Using an Algorithm Based on Wavelet Packet Transform. IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, vol.57.

Bagus Kumbara,2015

KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

DAFTAR PUSTAKA

Aapo, Hyvarinen., Juha, Karhunen., Erkki, Oja. (2001). Independent Component Analysis, John Wiley & Sons, inc: New York.

Abootalebi, Vahid., Moradi, M Hassan., Khalilzadeh, M Ali. (2009). A new approach for EEG feature extraction in P300-based lie detection. Computer methods and programs in biomedicine, vol.94 hlm.48-57.

Ahmed, K. S. (2011). Wheelchair movement control via human eye blinks. American journal of biomedical engineering, vol.1 hlm.55-58.

Akhtar, M.T., Mitsuhashi, W., James, C.J. Employing spatially constrained ICA and wavelet denoising, for automatic removal of artifacts from multichannel EEG data. (2012). Signal Processing, vol.27 pp.401–416.

Akram, F., Han, H.-S., & Kim, T.-S. (2014). A P300-based brain computer interface system for words typing. Computers in Biology and Medicine, vol.45 hlm.118-125.

Amri, Moch. Choirul., Adil, Ratna. (t.t). Rancang Bangun Modul EEG Untuk Pengkalisifikasikan Keaadaan Stress dengan FIR. Departemen Teknik Elektronika, Politeknik Elektronika Negeri Surabaya.

Bi, Luzheng., Fan,Xin-An., Liu,Yili. (2013). EEG-Based Brain-Controlled Mobile Robots: A Survey. IEEE Transactions ON Human-Machine Systems, Vol. 43, No. 2, March 2013.

Birbaumer, N., Ghanayim, N., Hinterberger, T., Iversen, I., Kotchoubey, B., Kubler, A., Perelmouter, J., Taub, E., Flor, H. (1999). "A Spelling Device for the Paralysed". Nature, vol.398 hlm. 297-298.

Gourab, Krishnaj., Schmit, Brian D. (2010). Changes in movement-related b-band EEG signals in human spinal cord injury. Clinical Neurophysiology, vol.121 hlm.2017–2023.

Gunadi, Aris., Gede, I., Harjoko, Agus. (2012). Telaah Metode-Metode Pendeteksi Kebohongan. IJCCS, vol.6 hlm.35-46.

Bagus Kumbara,2015

KLASIFIKASI DAN EKSTRAKSI SINYAL EEG-P300 MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK DETEKSI KEBOHONGAN

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

Halchenko, Yaroslav O., Hanson, Stephen J., Pearlmutter, Barak A. (2005). Multimodal Integration: fMRI, MRI, EEG, MEG. hlm223-265.

Hazrati, M. K., & Erfanian, A. (2010). An online EEG-based brain–computer interface for controlling hand grasp using an adaptive probabilistic neural network. Medical Engineering & Physics, vol.32 hlm.730-739. Hsu, Wei-Yen. (2010). EEG-based motor imagery classification using

neuro-fuzzy prediction and wavelet fractal features. Journal of Neuroscience Methods, vol.189 hlm.295-302.

Hwang, Han-Jeong., lim, Jeong-Hwan., Jung, Young-jin., Choi, Han., Lee, Sang Woo., Im, Chang-Hwan. (2012). Development of an SSVEP-based BCI spelling system adopting a QWERTY-style LED keyboard. Journal of Neuroscience Methods, vol.208 hlm.59–65.

Jahankhani, Pari., Kodogiannis, Vassilis., Revett, Kenneth. (2006). EEG signal classification using wavelet feature extraction and neural networks. IEEE John Vincent Atanasoff 2006 International Symposium on Modern Computing.

Kalcher, J., Flotzinger, D., Neuper, Ch., Golly, S., Pfurtscheller, G. (1996). Graz braincomputer interface II: towards communication between humans and computers based on online classification of three different EEG patterns. Medical and Biological Engineering and Computing, vol.34 hlm.382-388.

Karyawan, Moch A., Arifin, Agus Z., Saikhu, Ahmad. (2011). Klasisfikasi Sinyal EEG Menggunakan Koefisien Autoregresif, E-score dan Least Square Support Vector Machine. Institut Teknologi Sepuluh November. Surabaya.

Kusumandari, D. E., Fakhrurroja, H., Hutagalung, S., Kumbara, B., Simarmata, J., Turnip, A. (2014). Removal of EOG Artifacts: Comparison of ICA Algorithm from Recording EEG. International Conferences on Technology, Informatics, Management, Engineering & Environtment. Middendorf, Matthew., McMillan, G., Calhoun, G., Jones, Keith S. (2000).

Brain-computer interfaces based on the steady-state visual-evoked response, IEEE TRANSACTIONS ON REHABILITATION ENGINEERING, VOL.8.

Nugroho, A Satrio., Witarto, A Budi., Handoko, Dwi. (2003). Support Vector Mahcine-Teori dan Aplikasinya dalam Bioinformatika. IlmuKomputer.com.

Pardede, J., Turnip, M., Manalu, D. R., Turnip, A. (2015). Adaptive Recurrent Neural Network for Reduction og Noise and Estimation of Source from Recorded EEG Signals. ARPN Journal of Engineering and Applied Sciences, vol.10 hlm.993-997.

Proakis, John G., Manolakis, Dimitris G. (2007). Digital Signal Processing Fourth Edition. New Jersey:Pearson education.

Ranky, G. N., & Adamovich, S. (2010). Analysis of a Commercial EEG Device for the Control of a Robot Arm. IEEE.

Sanei, S., Chambers, J.A. (2007). EEG Signal Processing. John Wiley and Sons. Sellers, Eric W., Keusienski, Dean J., McFarland, Dennis J., Vaughan, Teresa M.,

Wolpaw, Jonathan R. (2006). A P300 event-related potential brain– computer interface (BCI): The effects of matrix size and inter stimulus interval on performance. Biological Psychology, vol.73 hlm.242-252. Shishkin, S. L., Ganin, I. P., & Kaplan, A. Y. (2011 ). Event-related potentials in a

moving matrix modification of the P300 brain–computer interface paradigm. Neuroscience Letters, vol.496 hlm.95-99.

Singla, Rajesh., B.a,Haseena. (2013). BCI Based Wheelchair Control Using Steady State Visual Evoked Potentials adn Support Vector Machine. International Journal of Soft Computing and Engineering (IJSCE), vol.3.

Soetraprawata, D., Turnip, A. (2013). Autoregressive Integrated Adaptive Neural Network Classifier for EEG-P300 Classification. Journal of Mechatronics, Electrical Power and Vehicular Technology, vol.4 hlm.1-8.

Sugiarto, Indar. (t.t). Sistem BCI Berbasis Low Density EEG. Fakultas Teknologi Industri, Universitas Kristen Petra.

Swords, D., Sandygulova, A., Abdalla, S., & O'Hare, G. M. (2013). Electroencephalograms for Ubiquitous Robotic Systems. Procedia Computer Science, vol.21 hlm.174-182.

Turnip, A. (2012). Feature Extraction and Classification of EEG-P300 Signals, and Its application to Online Brain Computer Interface. (Tesis). The Graduate School, Pusan National University, Korea.

Trunip, A., Kusumandari, D. E. (2014). Improvement of BCI performance throught nonlinear independent component analysis extraction. Journal of Computer, vol.9 hlm.688-695.

Turnip, A., Hutagalung, S. S., Pardede, J., Soetraprawata, D. (2013). P300 Detection using multilayer neural networks based adaptive feature extraction method. International Journal of Brain and Cognitive Science, vol.2 hlm.63-75.

Turnip, A., Hong, K.-S. (2012). Classifying mental activities from EEG-P300 signals using adaptive neural network. International Journal of Innovative Computing, Information and Control (IJICIC), vol.8.

Turnip, A., Hong, K.-S., Jeong, M.-Y. (2011). Real-time feature extraction of P300 component using adaptive nonlinear principal component analysis. Journal of BioMedical Engineering OnLine, vol.10, no.83. Turnip, A., & Soetraprawata, D. (2013). Performance of EEG-P300 Classification

Using Backpropagation Neural Networks. Journal of Mechatronics, Electrical Power and Vehicular Technology.

Turnip, A. (2015). Comparison of ICA-based JADE and SOBI Methods EOG Artifacts Removal. Journal of Medical and Bioengineering.

Turnip, A., Siahaan, M. (2014). Adaptive Principal Component Analysis based Recursive Least Square for Artifact Removal of EEG Signals. Advanced Science Letter, vol.20 hlm.2034-2037.

Turnip, A., Setiawan, I. R., Junaidi, E., Hoa, N. L. (2014). An Experiment of Ocular Artifacts Elimination from EEG Signals Using ICA and PCA Methods. Journal of Mechatronics, Electrical Power and Vehicular Technology, vol.5 hlm.129-138.

Turnip, A. (2015). Noise Reduction and Brain Mapping based Robust Principal Component Analysis. 12th IEEE International Conference on Networking, Sensing, and Control.

Turnip, A. (2014). Automatic Artifacts Removal of EEG Signals using Robust Principal Component Analysis. International Conferences on Technology, Informatics, Management, Engineering & Environtment. Turnip, A., Soetraprawata, D., Hariyadi., Kusumandari, D. E. (2013). Sequential

extended Kalman Filter on EEG extraction and classification. Teknologi Indonesia, vol.36.

Turnip, A., Kusumandari, D. E. (2014). Nonlinear Adaptive Filter for EEG-P300 Extraction based Four Inter-Stimulus Intervals. Journal of Information and Communication Technology.

Wang, Y.-K., Chen, S.-A., Lin, C.-T. (2014). An EEG-based brain– computer interface for dual task driving detection. Neurocomputing, vol.129 hlm.85-93.

Wikipedia. (2013). Kebohongan [Online] Tersedia di

http://id.wikipedia.org/wiki/Kebohongan [Diakses 12 Desember 2014] Zandi, A Shahidi., Javidan, Manouchehr., Dumont, Guy A., Tafreshi, Reza.

(2010). Automated Real-Time Epileptic Seizure Detection in Scalp EEG Recordings Using an Algorithm Based on Wavelet Packet Transform. IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, vol.57.