Analisis Data Rekam EEG pada Beberapa Ko (1)
CITEE 2010
Teknis
ISSN: 2085-6350
Analisis Data EEG pada Beberapa Kondisi menggunakan Metode
Dekomposisi dan Korelasi berbasis Wavelet (Dekorlet)
Agfianto Eko Putra 1, Catur Atmaji2
Program Studi Elektronika & Instrumentasi, Jurusan Ilmu Komputer dan Elektronika, Fak. MIPA
Universitas Gadjah Mada, Yogyakarta, Indonesia
1
[email protected], 2 [email protected]
Abstrak Data rekam EEG (Electroencephalogram) yang berupa sinyal digital dapat dianalisis dengan
metode dekomposisi dan korelasi berbasis wavelet
(dekorlet) untuk mengekstraksi informasi frekuensi yang
terkandung di dalamnya. Dekomposisi berbasis wavelet
digunakan untuk membagi frekuensi yang terkandung
mendekati klasifikasi frekuensi ritme gelombang EEG,
yaitu delta, theta, alpha dan beta. Sedangkan proses
korelasi digunakan untuk memperoleh informasi dominasi
frekuensi gelombang EEG pada data rekam EEG yang
bersangkutan.
Data EEG yang dianalisis berupa data dari 3
mahasiswa yang berusia 20 sampai 30 tahun (selanjutnya
dinamai subjek 3, 4 dan 5). Setiap subjek melakukan lima
aktivitas yaitu baseline, multiplication, letter-composing,
rotation dan counting. Data dianalisis dengan metode
dekorlet dengan wavelet induk Daubechies 3 dan Coiflet 3.
Hasil analisis menunjukkan bahwa subjek 3 lebih dominan
dalam aktivitas otak kanannya, sedangkan subjek 4 dan
subjek 5 lebih dominan otak kirinya. Kemunculan
gelombang beta pada occipital lobe subjek 5 menunjukkan
kemungkinan kelainan pada occipital atau temporal lobe.
Pengguna dengan dominasi aktivitas otak kanan lebih
mengaktifkan peran parietal lobe, sedangkan pada subjek
dengan dominasi otak kiri lebih mengaktifkan peran
occipital lobe. Metode Dekorlet mampu mengekstraksi
informasi dominasi frekuensi gelombang otak, dengan
perbedaan hasil dari wavelet induk Daubechies 3 dan
Coiflet 3 kurang dari 3% (0,03).
Keywords
EEG, Wavelet, Dekorlet
I.
mempengaruhi grafik EEG. Hal-hal semacam itu
seringkali disebut sebagai abnormal EEG.
Dalam beberapa dekade terakhir, penelitian
mengenai hasil pembacaan EEG tidak hanya dijamah
oleh para ahli syaraf. Beberapa ahli pemrosesan sinyal
digital juga meneliti fenomena abnormal EEG.
Penelitian-penelitian tersebut memantau grafik EEG
untuk kemudian melakukan interpretasi terhadap EEG
yang dibaca. Harapan yang disematkan adalah untuk
membantu para ahli syaraf dalam melakukan
pembacaan dengan lebih mudah, mengingat saat ini
para ahli syaraf masih harus melakukan pembacaan
terhadap grafik EEG pada kertas yang cukup panjang.
Ketelitian manusia yang dimiliki para ahli adalah
terbatas, dan akurasi yang dimilikinya pun tidak
selamanya baik.
Penelitian ini bertujuan untuk mengetahui gambaran
aktivitas kelistrikan pada beberapa kondisi pada saat
perekaman EEG, dengan memetakan komposisi ritme
gelombang EEG pada setiap kanal perekaman
menggunakan dekomposisi dan korelasi berbasis
wavelet. Selanjutnya diharapkan bahwa dari penelitian
ini, dengan melihat hasil ekstraksi informasi dari data
rekam EEG pada subjek, dapat disusun langkahlangkah terapis untuk menanggulangi kelainan-kelainan
yang dideteksi, bagi ahli terapi dan medis.
PENDAHULUAN
II.
Electroencephalogram (EEG)
adalah suatu
rekaman dari aktivitas elektrik otak. Perekaman EEG
berdasar pada prinsip bahwa suatu aktivitas neuron
yang menyalurkan informasi dari satu sel ke sel yang
lain, akan membawa elektron dari satu sel ke sel lain
melalui jaringan saraf manusia [1].
Grafik rekam EEG dipengaruhi oleh kondisi pada
saat perekaman dan diklasifikasikan berdasar daerah
frekuensinya. Selain itu, ternyata grafik EEG juga
dipengaruhi oleh kelainan-kelainan pada kondisi
pengambilan datanya. Para ahli syaraf telah
menunjukkan bahwa penyakit syaraf semisal epilepsi
menyebabkan grafik EEG yang berbeda. Berdasar hal
tersebut, saat ini para ahli syaraf menjadikan grafik
EEG sebagai salah satu acuan pokok dalam
menganalisis aktivitas epileptik pada pasien. Namun,
selain karena penyakit kejiwaan, aktivitas tubuh,
semacam kedipan mata dan gerakan otot, juga
Universitas Gadjah Mada
TINJAUAN PUSTAKA
Penelitian-penelitian mengenai EEG telah banyak
dilakukan sebelum penelitian ini. Penelitian mengenai
analisis data rekam EEG dengan data serupa pernah
dilakukan sebelumnya. Dalam penelitian tersebut,
ditunjukkan bahwa Transformasi Fourier mampu
mengekstraksi informasi frekuensi utama yang
mendominasi hasil rekam EEG yang dianalisis.
Dengan analisis tersebut, juga mampu dipetakan,
daerah-daerah otak yang memiliki aktivitas dominan
pada suatu aktivitas tertentu [2].
Penelitian mengenai gelombang EEG pada
penderita epilepsi pernah dilakukan dengan melakukan
ekstraksi informasi frekuensi yang terkandung dengan
menggunakan Transformasi Paket Wavelet. Data yang
berupa gelombang EEG didekomposisi penuh 4
tingkat. Hasil yang berupa pita frekuensi kemudian
dianalisis menggunakan approximate entropy (ApEn),
Yogyakarta, 20 Juli 2010
163
ISSN: 2085-6350
Teknis
untuk kemudian dilatihkan ke dalam sebuah algoritma
genetika. Hasil yang diperoleh adalah metode tersebut
mampu mengklasifikasikan data rekam EEG normal
sebesar 94,3%, dan data EEG pada penderita epilepsi
sebesar 98% [3].
CITEE 2010
Daubechies 3 (db3) dan Coiflet 3 (coif3). Untuk
mendapatkan hasil dekomposisi mendekati daerah
jangkauan frekuensi sebagaimana pada klasifikasi
gelombang EEG, digunakan 5 level dekomposisi pada
dekomposisi setengah.
EEG
dalam
penelitian-penelitian
tersebut
merupakan sinyal digital sehingga dapat dikenai
operasi Transformasi Fourier ataupun Wavelet. Untuk
melakukan analisis terhadap sinyal digital, dalam
penelitian lain, telah dikembangkan metode-metode
analisis sinyal digital. Metode dekorlet yang
merupakan penggabungan dari dekomposisi berbasis
wavelet dan kros korelasi berhasil menunjukkan
kesamaan sinyal pada frekuensi-frekuensi tertentu.
Hasil analisis dari data rekam seismik Gunung Merapi
yang dianalisis dalam penelitian tersebut memberikan
analisis kualitatif yang dilengkapi dengan jangkauan
frekuensi, saat terjadinya suatu event dan berapa lama
event tersebut berlangsung [4].
III.
METODE PENELITIAN
Tabel 1. Tugas atau macam-macam aktivitas yang dilakukan
ketika perekaman EEG
Baseline ta sk
Multiplication task
Letter-composing
task
Rotation task
Counting task
Keterangan
Subjek tidak berpikir apapun dan rileks
senyaman-nyamannya
Subjek diberikan pertanyaan yang tidak
mudah dimengerti seperti 49 x 78 dan
menyelesaikan tanpa ucapan dan pergerakan
fisik.
Subjek diminta untuk menulis surat kepada
relasi maupun teman tanpa mengeluarkan
suara.
Subjek diberikan waktu selama 30 detik untuk
mempelajari gambar kotak kompleks tiga
dimensi, kemudian gambar disingkirkan,
subjek kemudian diminta untuk
memvisualisasikan objek tadi seperti
dirotasikan pada suatu sumbu.
Subjek diminta melakukan perhitungan
Metode yang dilakukan adalah metode dekomposisi
dan korelasi berbasis wavelet, dengan bahasa
pemrograman skrip Matlab. Gambar 1 menunjukkan
diagram
alir
algoritma
pemrograman
yang
dikembangkan.
Dalam
digunakan
164
Baca input
data eegdata.mat
mother wavelet;
level dekomposisi;
Mulai dari
kanal pertama
ya
Apakah sudah
kanal terakhir?
tidak
urutkan dominasi ritme
gelombang
lihat fitur korelasi gelombang per
ritme gelombang otak
Sumber data rekaman EEG yang akan dianalisis
adalah data yang berasal dari Purdue University. Data
yang dianalisis berupa 3 subjek, yang masing-masing
merupakan mahasiswa universitas yang bersangkuta
dengan rentang umur antara 20 hingga 30 tahun.
Masing-masing subjek melakukan lima aktivitas, yaitu
baseline, multiplication, letter-composing, rotation,
dan counting, sebagaimana penjelasan masing-masing
tugas ditunjukkan pada Tabel 1. Analisis dilakukan
pada enam kanal perekaman yaitu kanal c3, c4, p3, p4,
o1, dan o2.
Tugas
mulai
melakukan
dekomposisi
frekuensi,
dua macam wavelet induk, yaitu
catat hasil korelasi
tampilkan fitur korelasi
per paket;
tampilkan fitur korelasi
per ritme gelombang;
Kanal berikutnya
selesai
Gambar 1. Diagram alir dekomposisi dan korelasi untuk gelombang
EEG
Frekuensi yang digunakan untuk merekam
gelombang EEG adalah 250 Hz, sehingga frekuensi
maksimum yang terkandung sesuai dengan kriteria
Nyquist adalah 125 Hz. Dengan level dekomposisi
setengah level 5, diperoleh empat pita frekuensi
terendah masing-masing mempunyai lebar pita 3,91
Hz, 3,91 Hz, 7,81 Hz, dan 15,63 Hz, dekomposisi
tersebut cukup mendekati dengan klasifikasi
gelombang EEG. Sebagaimana telah diketahui bahwa
gelombang EEG diklasifikasikan paling tidak dalam
empat daerah frekuensi, yaitu 0,5
4 Hz untuk
gelombang delta, 4 8 Hz untuk gelombang theta, 8
13 Hz untuk gelombang alpha, serta 13 30 Hz untuk
gelombang beta. Dengan pendekatan, maka empat pita
frekuensi pertama pada penelitian ini dianggap sebagai
dekomposisi untuk gelombang delta, theta, alpha, dan
beta.
Pada kros korelasi terhadap hasil dekomposisi
setengah, ditunjukkan korelasi setiap jenis gelombang
EEG yang diwakili oleh empat pita frekuensi pertama,
terhadap gelombang EEG asal. Dari sini, akan tampak
dominasi ritme gelombang otak yang merupakan
informasi yang dikandung oleh gelombang EEG
tersebut. Gambar 2 menunjukkan diagram alir untuk
kros korelasi hasil dekomposisi setengah terhadap
gelombang EEG asalnya.
Yogyakarta, 20 Juli 2010
Universitas Gadjah Mada
CITEE 2010
Teknis
ISSN: 2085-6350
Hasil yang diperoleh dari dekomposisi dan korelasi
adalah nilai korelasi masing-masing ritme gelombang
dengan gelombang EEG asal. Keperluan analisis
membutuhkan urutan dominasi ritme gelombang EEG.
Gambar 3 menunjukkan algoritma program yang
dikembangkan untuk menentukan urutan dominasi
ritme gelombang pada setiap kanal perekaman.
mulai
Baca input:
nilai korelasi ritme
gelombang
0 3,91 Hz: gelombang delta (0,5 4 Hz)
3,91 7,81 Hz: gelombang theta (4 8 Hz)
7,81 15,63 Hz: gelombang alpha (8 13 Hz)
15,63 31,25 Hz: gelombang beta (13 30 Hz)
Urutkan ritme
gelombang
mulai
Tampilkan dominasi
pada masing-masing
kanal
Baca input:
gelombang;
mother wavelet;
level dekomposisi;
frekuensi cuplik;
selesai
mulai dari level
pertama
apakah sudah
level terakhir?
Gambar 3. Diagram alir untuk menampilkan dominasi ritme
gelombang EEG pada setiap kanal
ya
IV.
tidak
Lakukan dekomposisi penuh
pada level ini
selesai
rekonstruksi dari dekomposisi
setengah penuh
Kros korelasi paket frekuensi
dengan gelombang asal
lihat jangkauan
tiap ritme gelombang;
level berikutnya
Gambar 2. Diagram alir untuk fitur korelasi dari dekomposisi
setengah
Hasilnya akan ditampilkan dalam dua tampilan
yang berbeda, yaitu berupa diagram batang dan tabel
yang berisikan nilai-nilai korelasi ritme gelombang
pada tiap kanal. Gambar 4 menunjukkan contoh hasil
ekstraksi informasi frekuensi yang menampilkan nilainilai korelasi dalam bentuk diagram batang. Sedangkan
Tabel 2 menunjukkan contoh nilai-nilai korelasi yang
muncul pada tiap kanal beserta urutan dominasi
gelombang dalam bentuk huruf abjad.
Universitas Gadjah Mada
HASIL DAN PEMBAHASAN
Hasil analisis difokuskan pada dominasi frekuensi
urutan pertama dan kedua pada setiap kanal
perekaman. Hasil pengujian menunjukkan bahwa dari
dua macam wavelet induk yang digunakan, yaitu db3
dan coif3 pada tiga subjek dengan masing-masing lima
kondisi pada saat perekaman, hanya terdapat tiga
kondisi dominan yang memiliki hasil berbeda. Wavelet
induk daubechies 3 dan coiflet 3 dipilih berdasarkan
sifat-sifatnya yang cocok untuk analisis sinyal yang
tidak simetris, mampu melakukan penapisan FIR, dan
cocok untuk Transformasi Wavelet Diskrit [5].
Perbedaan hasil pada penggunaan kedua wavelet induk
hanya terdapat pada subjek 3 kondisi counting, subjek
4 kondisi letter-composing, subjek 5 kondisi baseline,
dan subjek 5 kondisi counting. Tabel 3 menunjukkan
perbedaan hasil tersebut.
Dari Tabel 3, terlihat bahwa perbedaan nilai korelasi
pada setiap kanal yang berbeda antara analisis
menggunakan wavelet induk db3 dan coif3 tidak
mencapai 0,03. Sesuai dengan algoritma kros korelasi
yang digunakan, yaitu dengan hasil dinormalisasi pada
nilai 1, nilai 0,03 berarti bahwa perbedaan antara dua
nilai tersebut tidak lebih dari 3 %. Artinya, perbedaan
dominasi kanal pada beberapa kondisi tersebut tidak
memiliki perbedaan yang mencapai 3 %.
Hal ini mengindikasikan bahwa Metode Dekorlet
mampu melakukan ekstraksi informasi pada
gelombang EEG, sedangkan penggunaan wavelet
induk db3 dan coif3 tidak memiliki perbedaan yang
signifikan, kecuali perbedaan pada dominasi kanal
yang kurang dari 3%.
Yogyakarta, 20 Juli 2010
165
ISSN: 2085-6350
Teknis
Hasil ekstraksi informasi pada subjek 5
menunjukkan bahwa gelombang beta muncul cukup
dominan pada setiap kondisi perekaman. Gelombang
beta tersebut muncul sangat dominan pada daerah
occipital, sedangkan pada daerah yang lainnya, yaitu
pada daerah central dan parietal perbedaan nilai
korelasi antar ritme gelombang seperti pada subjek 3
dan subjek 4. Kemungkinan yang muncul ketika terjadi
pola abnormal, yaitu aktivitas ictal pada gelombang
alpha atau beta, adalah disebabkan oleh kerusakan
lokal atau menyebar pada cerebral pada saat kelahiran,
atau terjadi iritasi pada temporal lobe. Contoh penyakit
akibat dari gangguan tersebut adalah status epilepticus
[6].
Hasil dan pembahasan pada tiap subjek dan kondisi
menyimpulkan salah satu hal di antaranya adalah
dominasi kanal perekaman dan belahan otak. Kanal
perekaman yang terdiri dari tiga bagian, yaitu central,
parietal, dan occipital mewakili cerebral cortex yang
memiliki empat bagian, yaitu frontal lobe, parietal
lobe, occipital lobe, serta temporal lobe. Aktivitas
kelistrikan pada frontal dan temporal lobe tidak
direkam. Belahan otak terdiri yang dari dua bagian,
yaitu otak kiri dan otak kanan mewakili cerebral
hemisphere.
Pada subjek 3, tiga dari lima kondisi perekaman
menampakkan dominasi pada daerah parietal, dan pada
empat dari lima kondisi perekaman, otak kanan lebih
aktif daripada otak kiri subjek. Pada subjek 4, empat
dari lima kondisi perekaman menampakkan dominasi
pada daerah occipital, dan pada tiga dari lima
perekaman, otak kiri lebih aktif daripada otak kanan
subjek. Pada subjek 5, seluruh kondisi perekaman
menampakkan dominasi pada daerah occipital, dan
pada empat dari lima perekaman, otak kiri lebih aktif
daripada otak kanan subjek.
Tabel 4 menunjukkan bahwa terdapat enam
pasangan parietal dan otak kanan serta dua belas
pasangan occipital dan otak kiri. Parietal yang
berfungsi dalam pengolahan rangsangan indera dan
fungsi bahasa lebih dominan pada subjek dengan
belahan otak kanan yang lebih dominan. Begitu pula
untuk occipital yang berfungsi dalam penglihatan lebih
dominan pada subjek dengan belahan otak kiri lebih
dominan. Atau jika dikaitkan dengan fungsi-fungsinya,
fungsi bahasa pada parietal bersesuaian dengan fungsi
holistik pada otak kanan, sedangkan fungsi penglihatan
166
CITEE 2010
pada occipital bersesuaian dengan fungsi logika pada
otak kiri.
V.
KESIMPULAN
Hasil analisis menunjukkan bahwa subjek 3 lebih
dominan dalam aktivitas otak kanannya, sedangkan
subjek 4 dan subjek 5 lebih dominan otak kirinya.
Kemunculan gelombang beta pada occipital lobe subjek
5 menunjukkan kemungkinan kelainan pada occipital
atau temporal lobe subjek 5. Selain itu juga
menunjukkan bahwa pengguna dominan otak kanan
lebih mengaktifkan peran parietal lobe, sedangkan pada
subjek dengan otak kiri lebih dominan lebih
mengaktifkan peran occipital lobe. Metode Dekorlet
mampu mengekstraksi informasi dominasi gelombang
otak, dengan perbedaan hasil dari wavelet induk
daubechies 3 dan coiflet 3 kurang dari 3% (0,03).
Wavelet induk Daubechies dan Coiflet memiliki sifatsifat yang cocok untuk melakukan analisis pada data
rekam EEG.
UCAPAN TERIMAKASIH
Penelitian dapat terselenggara atas bantuan pihak
Program Studi S1 Elektronika dan Instrumentasi atas
Dana Penelitian Tahun Anggaran 2010 serta mahasiswa
Tugas Akhir S1 Elektronika dan Instrumentasi, Jurusan
Ilmu Komputer dan Elektronika, Fak. MIPA,
Universitas Gadjah Mada, Yogyakarta.
DAFTAR PUSTAKA
[1]
[2]
[3]
[4]
[5]
[6]
Sanei, S. dan Chambers, J. A., 2007, EEG Signal Processing ,
UK John Willey & Son Ltd., Wet Sussex.
Hadikesuma, F., 2009, Studi Pengaruh Beberapa Aktivitas
Harian terhadap Aktivitas Kelistrikan Otak pada Hasil Rekam
EEG menggunakan FFT, Skripsi, Jurusan Fisika FMIPA UGM,
Yogyakarta.
Ocak, H., 2008, Optima l Classification of Epileptic Seizures in
EEG using Wavelet Analysis and Genetic Algorithm, Elsevier,
Kocaeli, Turkey.
Putra, A. E., 2006, Transformasi Paket Wavelet, Dekomposisi
Wavelet dan Korelasi pada Data Seismik Gunung Merapi, Jawa
- Indonesia, Prosiding Seminar Nasional Teknologi Indonesia
2006 , Univeritas Tarumanagara, Jakarta.
Putra, A. E., 2009, Studi Perbandingan Metode-metode
Analisis Sinyal Sederhana berbasis Wavelet, Proceedings of
Conference on Information Technology and Electrical
Engineering (CITEE) 2009 , Jurusan Teknik Elektro, Fakultas
Teknik, UGM, Yogyakarta.
Spehlmann, R., 1981, EEG Primer , Elsevier/North-Holland
Biomediacal Press, Amsterdam.
Yogyakarta, 20 Juli 2010
Universitas Gadjah Mada
CITEE 2010
Teknis
ISSN: 2085-6350
Gambar 4: Hasil korelasi pada gelombang EEG yang didekomposisi setengah
Tabel 2. Nilai korelasi dan dominasi otak
Kanal
c3 dan c4
p3 dan p4
o1 dan o2
Nilai korelasi
0. 7258; 0. 4011; dan 0. 7268; 0. 4233;
0. 7070; 0. 4185; dan 0. 7102; 0. 4175;
0. 6660; 0. 3925; dan 0. 7452; 0. 3887;
Dominasi otak
d c D C : kanan
d A D c : ki r i
d A D a : ki r i
Tabel 3. Perbedaan dominasi kanal dilihat dari nilai korelasinya
Subjek dan
kondisi
Subjek 3,
counting
Subjek 4, lettercomposing
Subjek 5, baseline
Subjek 5,
counting
Nilai korelasi
Daubechies 3
Coiflet 3
0,4367
0,4550
0,4134
0,4388
0,4167
0,4412
0,4198
0,4180
0,4081
0,4190
0,4104
0,4050
0,4497
0,4613
Kanal
perekaman
C3
P3
C3
C4
C4
O1
O1
0, 4509
O2
0, 4587
Selisih
0,0183
0,0254
0,0245
0,0018
0,0109
0,0054
0,0122
0, 0078
Tabel 4: Hubungan dominasi daerah perekaman dan dominasi belahan otak
Kondisi
Subjek 3
Baseline
Multiplication
Letter-composing
Rotation
Counting
Parietal
Parietal
Parietal
Parietal
Parietal
Baseline
Multiplication
Letter-composing
Rotation
Counting
Parietal
Parietal
Parietal
Parietal
Central
Universitas Gadjah Mada
Subjek 4
Daubechies 3
kiri
Central kiri
kanan
Occipital kiri
kanan
Central kanan
kanan
Occipital kiri
kiri
Occipital kiri
Coiflet 3
kiri
Central kiri
kanan
Occipital kiri
kanan
Central kiri
kanan
Occipital kiri
kiri
Occipital kiri
Yogyakarta, 20 Juli 2010
Subjek 5
Occipital kiri
Occipital kiri
Occipital kiri
Occipital kanan
Occipital kanan
Central kanan
Occipital kiri
Occipital kiri
Occipital kanan
Occipital kiri
167
Teknis
ISSN: 2085-6350
Analisis Data EEG pada Beberapa Kondisi menggunakan Metode
Dekomposisi dan Korelasi berbasis Wavelet (Dekorlet)
Agfianto Eko Putra 1, Catur Atmaji2
Program Studi Elektronika & Instrumentasi, Jurusan Ilmu Komputer dan Elektronika, Fak. MIPA
Universitas Gadjah Mada, Yogyakarta, Indonesia
1
[email protected], 2 [email protected]
Abstrak Data rekam EEG (Electroencephalogram) yang berupa sinyal digital dapat dianalisis dengan
metode dekomposisi dan korelasi berbasis wavelet
(dekorlet) untuk mengekstraksi informasi frekuensi yang
terkandung di dalamnya. Dekomposisi berbasis wavelet
digunakan untuk membagi frekuensi yang terkandung
mendekati klasifikasi frekuensi ritme gelombang EEG,
yaitu delta, theta, alpha dan beta. Sedangkan proses
korelasi digunakan untuk memperoleh informasi dominasi
frekuensi gelombang EEG pada data rekam EEG yang
bersangkutan.
Data EEG yang dianalisis berupa data dari 3
mahasiswa yang berusia 20 sampai 30 tahun (selanjutnya
dinamai subjek 3, 4 dan 5). Setiap subjek melakukan lima
aktivitas yaitu baseline, multiplication, letter-composing,
rotation dan counting. Data dianalisis dengan metode
dekorlet dengan wavelet induk Daubechies 3 dan Coiflet 3.
Hasil analisis menunjukkan bahwa subjek 3 lebih dominan
dalam aktivitas otak kanannya, sedangkan subjek 4 dan
subjek 5 lebih dominan otak kirinya. Kemunculan
gelombang beta pada occipital lobe subjek 5 menunjukkan
kemungkinan kelainan pada occipital atau temporal lobe.
Pengguna dengan dominasi aktivitas otak kanan lebih
mengaktifkan peran parietal lobe, sedangkan pada subjek
dengan dominasi otak kiri lebih mengaktifkan peran
occipital lobe. Metode Dekorlet mampu mengekstraksi
informasi dominasi frekuensi gelombang otak, dengan
perbedaan hasil dari wavelet induk Daubechies 3 dan
Coiflet 3 kurang dari 3% (0,03).
Keywords
EEG, Wavelet, Dekorlet
I.
mempengaruhi grafik EEG. Hal-hal semacam itu
seringkali disebut sebagai abnormal EEG.
Dalam beberapa dekade terakhir, penelitian
mengenai hasil pembacaan EEG tidak hanya dijamah
oleh para ahli syaraf. Beberapa ahli pemrosesan sinyal
digital juga meneliti fenomena abnormal EEG.
Penelitian-penelitian tersebut memantau grafik EEG
untuk kemudian melakukan interpretasi terhadap EEG
yang dibaca. Harapan yang disematkan adalah untuk
membantu para ahli syaraf dalam melakukan
pembacaan dengan lebih mudah, mengingat saat ini
para ahli syaraf masih harus melakukan pembacaan
terhadap grafik EEG pada kertas yang cukup panjang.
Ketelitian manusia yang dimiliki para ahli adalah
terbatas, dan akurasi yang dimilikinya pun tidak
selamanya baik.
Penelitian ini bertujuan untuk mengetahui gambaran
aktivitas kelistrikan pada beberapa kondisi pada saat
perekaman EEG, dengan memetakan komposisi ritme
gelombang EEG pada setiap kanal perekaman
menggunakan dekomposisi dan korelasi berbasis
wavelet. Selanjutnya diharapkan bahwa dari penelitian
ini, dengan melihat hasil ekstraksi informasi dari data
rekam EEG pada subjek, dapat disusun langkahlangkah terapis untuk menanggulangi kelainan-kelainan
yang dideteksi, bagi ahli terapi dan medis.
PENDAHULUAN
II.
Electroencephalogram (EEG)
adalah suatu
rekaman dari aktivitas elektrik otak. Perekaman EEG
berdasar pada prinsip bahwa suatu aktivitas neuron
yang menyalurkan informasi dari satu sel ke sel yang
lain, akan membawa elektron dari satu sel ke sel lain
melalui jaringan saraf manusia [1].
Grafik rekam EEG dipengaruhi oleh kondisi pada
saat perekaman dan diklasifikasikan berdasar daerah
frekuensinya. Selain itu, ternyata grafik EEG juga
dipengaruhi oleh kelainan-kelainan pada kondisi
pengambilan datanya. Para ahli syaraf telah
menunjukkan bahwa penyakit syaraf semisal epilepsi
menyebabkan grafik EEG yang berbeda. Berdasar hal
tersebut, saat ini para ahli syaraf menjadikan grafik
EEG sebagai salah satu acuan pokok dalam
menganalisis aktivitas epileptik pada pasien. Namun,
selain karena penyakit kejiwaan, aktivitas tubuh,
semacam kedipan mata dan gerakan otot, juga
Universitas Gadjah Mada
TINJAUAN PUSTAKA
Penelitian-penelitian mengenai EEG telah banyak
dilakukan sebelum penelitian ini. Penelitian mengenai
analisis data rekam EEG dengan data serupa pernah
dilakukan sebelumnya. Dalam penelitian tersebut,
ditunjukkan bahwa Transformasi Fourier mampu
mengekstraksi informasi frekuensi utama yang
mendominasi hasil rekam EEG yang dianalisis.
Dengan analisis tersebut, juga mampu dipetakan,
daerah-daerah otak yang memiliki aktivitas dominan
pada suatu aktivitas tertentu [2].
Penelitian mengenai gelombang EEG pada
penderita epilepsi pernah dilakukan dengan melakukan
ekstraksi informasi frekuensi yang terkandung dengan
menggunakan Transformasi Paket Wavelet. Data yang
berupa gelombang EEG didekomposisi penuh 4
tingkat. Hasil yang berupa pita frekuensi kemudian
dianalisis menggunakan approximate entropy (ApEn),
Yogyakarta, 20 Juli 2010
163
ISSN: 2085-6350
Teknis
untuk kemudian dilatihkan ke dalam sebuah algoritma
genetika. Hasil yang diperoleh adalah metode tersebut
mampu mengklasifikasikan data rekam EEG normal
sebesar 94,3%, dan data EEG pada penderita epilepsi
sebesar 98% [3].
CITEE 2010
Daubechies 3 (db3) dan Coiflet 3 (coif3). Untuk
mendapatkan hasil dekomposisi mendekati daerah
jangkauan frekuensi sebagaimana pada klasifikasi
gelombang EEG, digunakan 5 level dekomposisi pada
dekomposisi setengah.
EEG
dalam
penelitian-penelitian
tersebut
merupakan sinyal digital sehingga dapat dikenai
operasi Transformasi Fourier ataupun Wavelet. Untuk
melakukan analisis terhadap sinyal digital, dalam
penelitian lain, telah dikembangkan metode-metode
analisis sinyal digital. Metode dekorlet yang
merupakan penggabungan dari dekomposisi berbasis
wavelet dan kros korelasi berhasil menunjukkan
kesamaan sinyal pada frekuensi-frekuensi tertentu.
Hasil analisis dari data rekam seismik Gunung Merapi
yang dianalisis dalam penelitian tersebut memberikan
analisis kualitatif yang dilengkapi dengan jangkauan
frekuensi, saat terjadinya suatu event dan berapa lama
event tersebut berlangsung [4].
III.
METODE PENELITIAN
Tabel 1. Tugas atau macam-macam aktivitas yang dilakukan
ketika perekaman EEG
Baseline ta sk
Multiplication task
Letter-composing
task
Rotation task
Counting task
Keterangan
Subjek tidak berpikir apapun dan rileks
senyaman-nyamannya
Subjek diberikan pertanyaan yang tidak
mudah dimengerti seperti 49 x 78 dan
menyelesaikan tanpa ucapan dan pergerakan
fisik.
Subjek diminta untuk menulis surat kepada
relasi maupun teman tanpa mengeluarkan
suara.
Subjek diberikan waktu selama 30 detik untuk
mempelajari gambar kotak kompleks tiga
dimensi, kemudian gambar disingkirkan,
subjek kemudian diminta untuk
memvisualisasikan objek tadi seperti
dirotasikan pada suatu sumbu.
Subjek diminta melakukan perhitungan
Metode yang dilakukan adalah metode dekomposisi
dan korelasi berbasis wavelet, dengan bahasa
pemrograman skrip Matlab. Gambar 1 menunjukkan
diagram
alir
algoritma
pemrograman
yang
dikembangkan.
Dalam
digunakan
164
Baca input
data eegdata.mat
mother wavelet;
level dekomposisi;
Mulai dari
kanal pertama
ya
Apakah sudah
kanal terakhir?
tidak
urutkan dominasi ritme
gelombang
lihat fitur korelasi gelombang per
ritme gelombang otak
Sumber data rekaman EEG yang akan dianalisis
adalah data yang berasal dari Purdue University. Data
yang dianalisis berupa 3 subjek, yang masing-masing
merupakan mahasiswa universitas yang bersangkuta
dengan rentang umur antara 20 hingga 30 tahun.
Masing-masing subjek melakukan lima aktivitas, yaitu
baseline, multiplication, letter-composing, rotation,
dan counting, sebagaimana penjelasan masing-masing
tugas ditunjukkan pada Tabel 1. Analisis dilakukan
pada enam kanal perekaman yaitu kanal c3, c4, p3, p4,
o1, dan o2.
Tugas
mulai
melakukan
dekomposisi
frekuensi,
dua macam wavelet induk, yaitu
catat hasil korelasi
tampilkan fitur korelasi
per paket;
tampilkan fitur korelasi
per ritme gelombang;
Kanal berikutnya
selesai
Gambar 1. Diagram alir dekomposisi dan korelasi untuk gelombang
EEG
Frekuensi yang digunakan untuk merekam
gelombang EEG adalah 250 Hz, sehingga frekuensi
maksimum yang terkandung sesuai dengan kriteria
Nyquist adalah 125 Hz. Dengan level dekomposisi
setengah level 5, diperoleh empat pita frekuensi
terendah masing-masing mempunyai lebar pita 3,91
Hz, 3,91 Hz, 7,81 Hz, dan 15,63 Hz, dekomposisi
tersebut cukup mendekati dengan klasifikasi
gelombang EEG. Sebagaimana telah diketahui bahwa
gelombang EEG diklasifikasikan paling tidak dalam
empat daerah frekuensi, yaitu 0,5
4 Hz untuk
gelombang delta, 4 8 Hz untuk gelombang theta, 8
13 Hz untuk gelombang alpha, serta 13 30 Hz untuk
gelombang beta. Dengan pendekatan, maka empat pita
frekuensi pertama pada penelitian ini dianggap sebagai
dekomposisi untuk gelombang delta, theta, alpha, dan
beta.
Pada kros korelasi terhadap hasil dekomposisi
setengah, ditunjukkan korelasi setiap jenis gelombang
EEG yang diwakili oleh empat pita frekuensi pertama,
terhadap gelombang EEG asal. Dari sini, akan tampak
dominasi ritme gelombang otak yang merupakan
informasi yang dikandung oleh gelombang EEG
tersebut. Gambar 2 menunjukkan diagram alir untuk
kros korelasi hasil dekomposisi setengah terhadap
gelombang EEG asalnya.
Yogyakarta, 20 Juli 2010
Universitas Gadjah Mada
CITEE 2010
Teknis
ISSN: 2085-6350
Hasil yang diperoleh dari dekomposisi dan korelasi
adalah nilai korelasi masing-masing ritme gelombang
dengan gelombang EEG asal. Keperluan analisis
membutuhkan urutan dominasi ritme gelombang EEG.
Gambar 3 menunjukkan algoritma program yang
dikembangkan untuk menentukan urutan dominasi
ritme gelombang pada setiap kanal perekaman.
mulai
Baca input:
nilai korelasi ritme
gelombang
0 3,91 Hz: gelombang delta (0,5 4 Hz)
3,91 7,81 Hz: gelombang theta (4 8 Hz)
7,81 15,63 Hz: gelombang alpha (8 13 Hz)
15,63 31,25 Hz: gelombang beta (13 30 Hz)
Urutkan ritme
gelombang
mulai
Tampilkan dominasi
pada masing-masing
kanal
Baca input:
gelombang;
mother wavelet;
level dekomposisi;
frekuensi cuplik;
selesai
mulai dari level
pertama
apakah sudah
level terakhir?
Gambar 3. Diagram alir untuk menampilkan dominasi ritme
gelombang EEG pada setiap kanal
ya
IV.
tidak
Lakukan dekomposisi penuh
pada level ini
selesai
rekonstruksi dari dekomposisi
setengah penuh
Kros korelasi paket frekuensi
dengan gelombang asal
lihat jangkauan
tiap ritme gelombang;
level berikutnya
Gambar 2. Diagram alir untuk fitur korelasi dari dekomposisi
setengah
Hasilnya akan ditampilkan dalam dua tampilan
yang berbeda, yaitu berupa diagram batang dan tabel
yang berisikan nilai-nilai korelasi ritme gelombang
pada tiap kanal. Gambar 4 menunjukkan contoh hasil
ekstraksi informasi frekuensi yang menampilkan nilainilai korelasi dalam bentuk diagram batang. Sedangkan
Tabel 2 menunjukkan contoh nilai-nilai korelasi yang
muncul pada tiap kanal beserta urutan dominasi
gelombang dalam bentuk huruf abjad.
Universitas Gadjah Mada
HASIL DAN PEMBAHASAN
Hasil analisis difokuskan pada dominasi frekuensi
urutan pertama dan kedua pada setiap kanal
perekaman. Hasil pengujian menunjukkan bahwa dari
dua macam wavelet induk yang digunakan, yaitu db3
dan coif3 pada tiga subjek dengan masing-masing lima
kondisi pada saat perekaman, hanya terdapat tiga
kondisi dominan yang memiliki hasil berbeda. Wavelet
induk daubechies 3 dan coiflet 3 dipilih berdasarkan
sifat-sifatnya yang cocok untuk analisis sinyal yang
tidak simetris, mampu melakukan penapisan FIR, dan
cocok untuk Transformasi Wavelet Diskrit [5].
Perbedaan hasil pada penggunaan kedua wavelet induk
hanya terdapat pada subjek 3 kondisi counting, subjek
4 kondisi letter-composing, subjek 5 kondisi baseline,
dan subjek 5 kondisi counting. Tabel 3 menunjukkan
perbedaan hasil tersebut.
Dari Tabel 3, terlihat bahwa perbedaan nilai korelasi
pada setiap kanal yang berbeda antara analisis
menggunakan wavelet induk db3 dan coif3 tidak
mencapai 0,03. Sesuai dengan algoritma kros korelasi
yang digunakan, yaitu dengan hasil dinormalisasi pada
nilai 1, nilai 0,03 berarti bahwa perbedaan antara dua
nilai tersebut tidak lebih dari 3 %. Artinya, perbedaan
dominasi kanal pada beberapa kondisi tersebut tidak
memiliki perbedaan yang mencapai 3 %.
Hal ini mengindikasikan bahwa Metode Dekorlet
mampu melakukan ekstraksi informasi pada
gelombang EEG, sedangkan penggunaan wavelet
induk db3 dan coif3 tidak memiliki perbedaan yang
signifikan, kecuali perbedaan pada dominasi kanal
yang kurang dari 3%.
Yogyakarta, 20 Juli 2010
165
ISSN: 2085-6350
Teknis
Hasil ekstraksi informasi pada subjek 5
menunjukkan bahwa gelombang beta muncul cukup
dominan pada setiap kondisi perekaman. Gelombang
beta tersebut muncul sangat dominan pada daerah
occipital, sedangkan pada daerah yang lainnya, yaitu
pada daerah central dan parietal perbedaan nilai
korelasi antar ritme gelombang seperti pada subjek 3
dan subjek 4. Kemungkinan yang muncul ketika terjadi
pola abnormal, yaitu aktivitas ictal pada gelombang
alpha atau beta, adalah disebabkan oleh kerusakan
lokal atau menyebar pada cerebral pada saat kelahiran,
atau terjadi iritasi pada temporal lobe. Contoh penyakit
akibat dari gangguan tersebut adalah status epilepticus
[6].
Hasil dan pembahasan pada tiap subjek dan kondisi
menyimpulkan salah satu hal di antaranya adalah
dominasi kanal perekaman dan belahan otak. Kanal
perekaman yang terdiri dari tiga bagian, yaitu central,
parietal, dan occipital mewakili cerebral cortex yang
memiliki empat bagian, yaitu frontal lobe, parietal
lobe, occipital lobe, serta temporal lobe. Aktivitas
kelistrikan pada frontal dan temporal lobe tidak
direkam. Belahan otak terdiri yang dari dua bagian,
yaitu otak kiri dan otak kanan mewakili cerebral
hemisphere.
Pada subjek 3, tiga dari lima kondisi perekaman
menampakkan dominasi pada daerah parietal, dan pada
empat dari lima kondisi perekaman, otak kanan lebih
aktif daripada otak kiri subjek. Pada subjek 4, empat
dari lima kondisi perekaman menampakkan dominasi
pada daerah occipital, dan pada tiga dari lima
perekaman, otak kiri lebih aktif daripada otak kanan
subjek. Pada subjek 5, seluruh kondisi perekaman
menampakkan dominasi pada daerah occipital, dan
pada empat dari lima perekaman, otak kiri lebih aktif
daripada otak kanan subjek.
Tabel 4 menunjukkan bahwa terdapat enam
pasangan parietal dan otak kanan serta dua belas
pasangan occipital dan otak kiri. Parietal yang
berfungsi dalam pengolahan rangsangan indera dan
fungsi bahasa lebih dominan pada subjek dengan
belahan otak kanan yang lebih dominan. Begitu pula
untuk occipital yang berfungsi dalam penglihatan lebih
dominan pada subjek dengan belahan otak kiri lebih
dominan. Atau jika dikaitkan dengan fungsi-fungsinya,
fungsi bahasa pada parietal bersesuaian dengan fungsi
holistik pada otak kanan, sedangkan fungsi penglihatan
166
CITEE 2010
pada occipital bersesuaian dengan fungsi logika pada
otak kiri.
V.
KESIMPULAN
Hasil analisis menunjukkan bahwa subjek 3 lebih
dominan dalam aktivitas otak kanannya, sedangkan
subjek 4 dan subjek 5 lebih dominan otak kirinya.
Kemunculan gelombang beta pada occipital lobe subjek
5 menunjukkan kemungkinan kelainan pada occipital
atau temporal lobe subjek 5. Selain itu juga
menunjukkan bahwa pengguna dominan otak kanan
lebih mengaktifkan peran parietal lobe, sedangkan pada
subjek dengan otak kiri lebih dominan lebih
mengaktifkan peran occipital lobe. Metode Dekorlet
mampu mengekstraksi informasi dominasi gelombang
otak, dengan perbedaan hasil dari wavelet induk
daubechies 3 dan coiflet 3 kurang dari 3% (0,03).
Wavelet induk Daubechies dan Coiflet memiliki sifatsifat yang cocok untuk melakukan analisis pada data
rekam EEG.
UCAPAN TERIMAKASIH
Penelitian dapat terselenggara atas bantuan pihak
Program Studi S1 Elektronika dan Instrumentasi atas
Dana Penelitian Tahun Anggaran 2010 serta mahasiswa
Tugas Akhir S1 Elektronika dan Instrumentasi, Jurusan
Ilmu Komputer dan Elektronika, Fak. MIPA,
Universitas Gadjah Mada, Yogyakarta.
DAFTAR PUSTAKA
[1]
[2]
[3]
[4]
[5]
[6]
Sanei, S. dan Chambers, J. A., 2007, EEG Signal Processing ,
UK John Willey & Son Ltd., Wet Sussex.
Hadikesuma, F., 2009, Studi Pengaruh Beberapa Aktivitas
Harian terhadap Aktivitas Kelistrikan Otak pada Hasil Rekam
EEG menggunakan FFT, Skripsi, Jurusan Fisika FMIPA UGM,
Yogyakarta.
Ocak, H., 2008, Optima l Classification of Epileptic Seizures in
EEG using Wavelet Analysis and Genetic Algorithm, Elsevier,
Kocaeli, Turkey.
Putra, A. E., 2006, Transformasi Paket Wavelet, Dekomposisi
Wavelet dan Korelasi pada Data Seismik Gunung Merapi, Jawa
- Indonesia, Prosiding Seminar Nasional Teknologi Indonesia
2006 , Univeritas Tarumanagara, Jakarta.
Putra, A. E., 2009, Studi Perbandingan Metode-metode
Analisis Sinyal Sederhana berbasis Wavelet, Proceedings of
Conference on Information Technology and Electrical
Engineering (CITEE) 2009 , Jurusan Teknik Elektro, Fakultas
Teknik, UGM, Yogyakarta.
Spehlmann, R., 1981, EEG Primer , Elsevier/North-Holland
Biomediacal Press, Amsterdam.
Yogyakarta, 20 Juli 2010
Universitas Gadjah Mada
CITEE 2010
Teknis
ISSN: 2085-6350
Gambar 4: Hasil korelasi pada gelombang EEG yang didekomposisi setengah
Tabel 2. Nilai korelasi dan dominasi otak
Kanal
c3 dan c4
p3 dan p4
o1 dan o2
Nilai korelasi
0. 7258; 0. 4011; dan 0. 7268; 0. 4233;
0. 7070; 0. 4185; dan 0. 7102; 0. 4175;
0. 6660; 0. 3925; dan 0. 7452; 0. 3887;
Dominasi otak
d c D C : kanan
d A D c : ki r i
d A D a : ki r i
Tabel 3. Perbedaan dominasi kanal dilihat dari nilai korelasinya
Subjek dan
kondisi
Subjek 3,
counting
Subjek 4, lettercomposing
Subjek 5, baseline
Subjek 5,
counting
Nilai korelasi
Daubechies 3
Coiflet 3
0,4367
0,4550
0,4134
0,4388
0,4167
0,4412
0,4198
0,4180
0,4081
0,4190
0,4104
0,4050
0,4497
0,4613
Kanal
perekaman
C3
P3
C3
C4
C4
O1
O1
0, 4509
O2
0, 4587
Selisih
0,0183
0,0254
0,0245
0,0018
0,0109
0,0054
0,0122
0, 0078
Tabel 4: Hubungan dominasi daerah perekaman dan dominasi belahan otak
Kondisi
Subjek 3
Baseline
Multiplication
Letter-composing
Rotation
Counting
Parietal
Parietal
Parietal
Parietal
Parietal
Baseline
Multiplication
Letter-composing
Rotation
Counting
Parietal
Parietal
Parietal
Parietal
Central
Universitas Gadjah Mada
Subjek 4
Daubechies 3
kiri
Central kiri
kanan
Occipital kiri
kanan
Central kanan
kanan
Occipital kiri
kiri
Occipital kiri
Coiflet 3
kiri
Central kiri
kanan
Occipital kiri
kanan
Central kiri
kanan
Occipital kiri
kiri
Occipital kiri
Yogyakarta, 20 Juli 2010
Subjek 5
Occipital kiri
Occipital kiri
Occipital kiri
Occipital kanan
Occipital kanan
Central kanan
Occipital kiri
Occipital kiri
Occipital kanan
Occipital kiri
167