KLASIFIKASI GELOMBANG OTAK UNTUK KEAMANA
Seminar Nasional Teknologi Informasi dan Multimedia 2015
ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
KLASIFIKASI GELOMBANG OTAK UNTUK KEAMANAN
MENGGUNAKAN METODE VOTING FEATURES INTERVAL 5
DAN DUA-TAHAP OTENTIKASI BIOMETRIK
Nur Rakhmad Setiawan1), Noor Akhmad Setiawan2), Hanung Adi Nugroho3)
1), 2),3)
Jurusan Teknik Elektro dan Teknologi Informasi
Fakultas Teknik Universitas Gadjah Mada
Jl. Grafika No.2, Kampus UGM, Yogyakarta 55281
Email : rakhmad_s2te12@mail.ugm.ac.id 1), nooras@te.ugm.ac.id 2), hanung@te.ugm.ac.id 3)
Abstrak
melindungi sesuatu yang berharga di mana akses
terbatas hanya satu atau lebih individu atau
kelompok. Konsep otentikasi secara umum seperti
ditunjukkan pada gambar 1 berikut.
EEG merupakan suatu alat yang digunakan untuk
melihat aktivitas kelistrikan pada otak manusia.
Bentuk keluaran yang diterima EEG dikenal dengan
gelombang
otak.
Pada
perkembangannya
gelombang otak tidak hanya dapat digunakan untuk
hal medis saja namun dapat digunakan untuk hal
lain seperti pendidikan, hiburan dan keamanan.
Berbagai macam studi dan penelitian telah
dilakukan untuk pengenalan pola gelombang otak
yang ditujukan untuk keamanan atau otentikasi
individu. Kekurangan yang didapatkan pada
pengenalan pola sinyal EEG untuk otentikasi adalah
masih perlu banyak penelitian mengenai pengenalan
karakter pengganti password dan implementasi
otentikasi pada aplikasi keamanan.
Gambar 1. Konsep umum dalam otentikasi
Kemajuan dalam teknologi bio-sensor EEG (elektroencephalography) telah membuka peluang penelitian
gelombang otak dan pengembangan aplikasi pada
tingkat belum pernah terjadi sebelumnya dalam
beberapa tahun terakhir. Secara tradisional,
pengambilan data pada EEG telah dilakukan dalam
hal medis menggunakan invasive probes bawah
tengkorak atau gel elektroda tersusun diatas kulit
kepala[1], [2]. Sekarang, data yang sama dapat
dikumpulkan dengan menggunakan sensor noninvasive yang dipasangkan ke headset audio dan
perangkat elektronik lainnya[3] seperti yang
ditunjukkan pada gambar 2 berikut.
Pada penelitian ini diusulkan suatu metode
klasifikasi algoritme Voting Feature Interval 5
(VFI5) dan Otentikasi Dua-Tahap Biometrik dengan
terlebih dahulu melalui proses ekstraksi ciri
menggunakan metode Transformasi Wavelet.
Menurut penemunya metode VFI5 mempunyai
kemampuan komputasi lebih cepat daripada metode
Bayes dan akurasinya lebih baik daripada metode
K-Nearest Neighbor.
Kata kunci : EEG, biometrik, otentikasi, keamanan,
klasifikasi, VFI 5.
1. Pendahuluan
Otentikasi telah menjadi bagian penting dari
kehidupan kita sehari-hari melalui sistem seperti
password, kode pin, card reader, scanner sidik jari,
dan retina. Semua dirancang dengan satu tujuan ,
untuk mengkonfirmasi identitas seseorang.
Gambar 2. Headset EEG model non-invasive probe:
Neurosky MindSet
Hal ini membuka kemungkinan besar untuk
menggunakan sinyal gelombang pada domain
aplikasi. Yang awalnya terbatas pada penelitian
Otentikasi mempunyai beberapa perbedaan dalam
implementasinya, tetapi tujuan utama adalah untuk
1
Seminar Nasional Teknologi Informasi dan Multimedia 2015
ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
neuroscience[4] dan pengobatan klinis penyakit [5]–
[7], teknologi EEG sekarang sedang digunakan untuk
pendidikan[8], pelatihan[9], hiburan[10], [11],
aplikasi komputer[12] dan lain-lain [13]–[17].
mendekomposisikan sinyal EEG mirip sama dengan
metode pengenalan pola menggunakan MLPNN,
perbedaannya adalah sebelum diklasifikasikan
menggunakan MLPNN sinyal input dari DWT
dikelompokkan dahulu menggunakan metode KMeans,
kemudian
hasil
pengelompokan
menggunakan K-Means digunakan sebagai input
untuk model klasifikasi MLPNN, metode ini
menghasilkan akurasi pengenalan pola yang lebih
akurat daripada metode Logistic Regression (LR)
[33].
Individuan sinyal gelombang otak untuk otentikasi
menjadi salah satu peluang yang sangat bagus.
Thorpe et al. memotivasi dan telah memulai desain
dari sebuah “pass-thought system”[18]. Dengan
pemikiran pass-thought lebih aman daripada harus
mengetik password. Metode otentikasi keamanan
tersebut menjanjikan banyak keuntungan termasuk
ketahanan terhadap serangan dari hacker[19].
b. Ekstraksi ciri dengan Fast Fourier Transform
(FFT) dan klasifikasi dengan Decission Tree (DT)
Jika pada metode lain ekstraksi ciri pada sinyal EEG
dilakukan menggunakan metode Discrete Wavelet
Transform (DWT), maka penelitian yang dilakukan
oleh Polat, K. menggunakan metode FFT, sedangkan
untuk mengenali pola sinyal EEG menggunakan
metode klasifikasi DT. Ekstraksi ciri dengan metode
FFT membuat proses komputasi pengenalan pola
lebih cepat daripada menggunakan metode DWT
dengan akurasi mencapai 98,7% [34].
2. Pembahasan
Beberapa peneliti secara terpisah telah menemukan
kemungkinan dari individuan sinyal EEG untuk
meng-klasifikasikan
dan/atau
meng-otentikasi
individu. Dengan fokus pada akurasi menerapkan
berbagai pola pengenalan baik secara statistik, signal
processing, dan machine learning techniques pada
berbagai macam sinyal EEG[25]–[29]. Berikut
beberapa diantaranya antara lain :
a. Klasifikasi
dengan
metode
Levenberg
-Marquardt, Backporpagation dan Logistic
Regression.
A. Subasi, et. al melakukan penelitian pada tahun
2005 dalam hal mekanisme menyebabkan gangguan
epilepsi. Pada dasarnya Multi Layer Perceptron
Neural Network (MLPNN) menggunakan metode
Levenberg-Marquardt (L-M) atau Backpropagation
(BP) memerlukan keputusan akan jumlah dari
lapisan tersembunyi, jumlah iterasi pelatihan, pilihan
fungsi aktivasi, learning-rate dan momentum
sebagai
parameter untuk mencapai
solusi
kekonvergenan. Dibandingkan dengan Logistic
Regression (LR), MLPNN lebih mudah untuk
diaplikasikan, dilihat dari kompleksitas kombinasi
fungsi regresi yang harus digunakan untuk
mendapatkan hasil klasifikasi yang optimal, tanpa
basis pengetahuan. Tingkat akurasi hasil klasifikasi
menggunakan metode MLPNN tersebut mencapai
angka 92,5% dibanding dengan LR yang hanya
mencapai 90%[30],[31].
c. Clustering-Technique Least Square Support
Vector Machine (CT-LS-SVM)
Suatu pendekatan baru dilakukan oleh Siuly pada
tahun 2011 dalam klasifikasi sinyal EEG.
Pengambilan keputusan dilakukan dua tahap. Pada
tahap pertama, teknik pengelompokan ( CT ) telah
digunakan untuk mengekstraksi fitur statistik dari
data sinyal EEG . Pada tahap kedua , LS - SVM
diterapkan untuk mengklasifikasikan sinyal EEG.
Percobaan dari peneliti membuktikan bahwa metode
ini efektif untuk mengenali dua buah pola sekaligus
dengan prosentase akurasi mencapai 94,6 % [35].
Blok diagram proses CT-LS-SVM ditunjukkan pada
gambar 3 berikut.
Gambar 3. Blok diagram metode CT-LS-SVM [35].
d. Otentikasi Individu menggunakan gelombang
otak dari sinyal EEG
Jika pada penelitian-penelitian tersebut diatas
berbasis pada penelitian di bidang medis dan
neuroscience, maka penelitian tentang otentikasi
individu menggunakan gelombang otak yang berasal
dari Low-Cost EEG atau Headset MindSet EEG
belum banyak dilakukan.
Penelitian lain dilakukan oleh M.K. Kiymik et al.
meneliti tentang pengenalan pola pada tingkat
kewaspadaan
/
kesadaran.
Sinyal
EEG
didekomposisi menjadi sub-sinyal menggunakan
discrete wavelete transform (DWT). Hasil statistik
dari
DWT
dijadikan
input
ke
metode
Backpropagation menjadi tiga jenis output wavelet
yakni : alert, drowsy dan sleep. Tingkat akurasi dari
metode tersebut mencapai 96% [32].
Otentikasi individu dengan EEG pertama kali
diusulkan oleh Marcel [28] pada tahun 2007
menggunakan Power Spectral Density (PSD) sebagai
fiturnya dan menggunakan campuran metode
Gaussian Model (GMM) dan Maximum A Posteriori
Perbaikan akurasi hasil klasifikasi dilakukan dalam
penelitian yang dilakukan oleh Orhan,Umut et. al.
pada tahun 2011. Metode yang digunakan untuk
2
Seminar Nasional Teknologi Informasi dan Multimedia 2015
ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
Model (MAP) pada bentuk gelombang sinyal EEG
pada tes otentikasi suara dan bentuk wajah. Hasil
penelitian mengunkapkan bahwa sinyal EEG efektif
untuk digunakan dalam otentikasi individu , namun
penurunan kinerja terjadi dengan banyaknya
ketidaksesuaian pola untuk data yang direkam pada
hari kedua dan seterusnya. Sehingga model
GMM/MAP hanya cocok digunakan untuk pengujian
1 hari.
berumur antara 18-40 tahun atau dalam kategori
dewasa. Gender atau jenis kelamin dipilih secara
acak laki-laki atau perempuan, jumlah subjek
yang diteliti ditentukan sejumlah 10-20 orang.
b) Ruangan tempat melakukan penelitian haruslah
bebas gangguan, baik itu suara maupun gambar
yang mencolok.
c) Penelitian dilakukan pada dua spektral
gelombang yakni alpha (8 – 12 Hz). Gelombang
ini dihasilkan ketika seseorang sedang melakukan
relaksasi atau berupa peralihan antara keadaan
sadar dan tidak sadar. Gelombang yang kedua
adalah beta (13 – 19 Hz). Gelombang ini
dihasilkan ketika seseorang sedang berada dalam
kondisi berpikir atau sedang melakukan aktivitas
sehari - hari.
d) Tugas yang dimaksud adalah kegiatan yang
dilakukan subjek, pada saat gelombang otaknya
direkam oleh EEG. Tugas-tugas tersebut antara
lain:
1) Bernafas, subjek menutup mata dan fokus ke
pernapasan selama 10 detik.
2) Olahraga, subjek membayangkan dalam
pikiran, suatu pergerakan olahraga yang sedang
dipilih, selama 10 detik.
3) Suara, subjek membayangkan selama 10 detik
lagu atau suara dengan lirik, seolah-olah
bernyanyi, tanpa sedikitpun mengeluarkan suara.
4) Wajah atau rupa, subjek membayangkan
selam 10 detik wajah atau muka seseorang secara
detail, tanpa mengeluarkan suara.
5) Pass-thoughts, subjek membayangkan suatu
kata atau kalimat dan dapat pula berupa angka
selama 10 detik.
6) Perhitungan matematika, subjek diberikan
soal perhitungan perkalian dua bilangan yang
sederhana, dan menyelesaikan soal tersebut tanpa
pergerakan tubuh dan bersuara. Misal: 26 x 14.
waktu yang diberikan sama yakni 10 detik.
Penelitian tentang identifikasi orang berdasarkan
informasi spektral yang diambil dari sinyal EEG,
dilakukan oleh M. Poulos, et al, .klasifikasi
menggunakan Neural Network metode Learning
Vector Quantizer (LVQ) dilakukan pada sinyal EEG
dari orang dalam keadaan sehat, sedangkan ekstraksi
ciri dari sinyal EEG menggunakan metode Fast
Fourier Transform (FFT). Hasil akurasi yang
mencapai 80%-100% menunjukkan bukti bahwa
sinyal EEG membawa informasi genetik dan dapat
digunakan untuk keperluan identifikasi orang [36].
Sebuah penelitian tentang metode dua-tahap
otentikasi biometrik diusulkan oleh R. Palaniappan
[20]. Metodologi yang digunakan dalam penelitian
tersebut ekstraksi fitur mencakup langkah-langkah
linier dan nonlinier untuk memberikan peningkatan
akurasi. Hasilnya menunjukkan bahwa kombinasi
otentikasi dua-tahap sinyal EEG memiliki potensi
yang baik sebagai biometrik karena sangat tahan
terhadap serangan keamanan. Principal Component
Analysis ( PCA ) digunakan untuk mengurangi
dimensi dari fitur agar proses komputasi tidak
berat[37].
Penelitian yang akan dikembangkan pada penelitian
ini adalah optimalisasi klasifikasi objek yang
direkam dalam EEG untuk keperluan otentikasi
keamanan. Peneliti mencoba menggunakan metode
VFI5 yang dalam penelitian Demiroz dan Guvenir,
menghasilkan akurasi klasifikasi yang lebih baik
daripada metode K-NN dan Naive Bayes. Penelitian
sebelumnya juga belum menyatukan identifikasi
individu dan otentikasi password. Sehingga
diharapkan tingkat keamanan menggunakan metode
gelombang otak lebih kuat karena individu akan
diverifikasi terlebih dahulu sebelum masuk ke tahap
otentikasi password atau kunci itu sendiri.
Ide dan Tantangan Pengembangan
Untuk meningkatkan kualitas akurasi klasifikasi
gelombang otak dan tingkat keamanan otentikasi
individu, beberapa ide dan langkah pengembangan
yang akan dilakukan antara lain:
a. Koleksi Data Gelombang Otak dari EEG
Sebelum melakukan koleksi data, sebelumnya
ditentukan terlebih dahulu subjek penelitian, yakni:
a) Orang/personal/individu dalam keadaan sehat,
Tugas-tugas tersebut diulangi sebanyak 3-5 kali pada
setiap subjek. Kegiatan selama perekaman tugas
dicatat dan jika terjadi kesalahan, maka kesalahan
tersebut juga dicatat. Jika semua kegiatan tugas
terlaksana dengan baik maka peneliti akan
mendapatkan data sebanyak 20 orang x 6 tugas x 5
perulangan x 2 spektral gelombang = 1200 data.
b. Ekstraksi Ciri : Transformasi Wavelet
Wavelet merupakan fungsi matematis yang
memisahkan data menjadi beberapa komponen
frekuensi yang berbeda dan mempelajari tiap-tiap
komponen sesuai dengan resolusi yang tepat dengan
skalanya masing-masing. Transformasi wavelet
memiliki
kelebihan
dibandingkan
dengan
transformasi Fourier dalam menganalisis keadaan
fisik yang memiliki sinyal tak kontinu dan memiliki
variasi yang tajam. Wavelet dikembangkan secara
bebas dalam bidang matematika, fisika kuantum,
teknik elektro, dan geologi seismik.
3
Seminar Nasional Teknologi Informasi dan Multimedia 2015
ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
nilai pada point interval, maka fitur f memberikan
vote untuk tiap kelas c sebesar nilai vote kelas pada
interval pelatihan. Namun jika i merupakan range
interval dan nilai ef sama dengan nilai batas bawah
dari interval tersebut, maka vote yang diberikan oleh
fitur f adalah rata-rata vote pelatihan dari interval
ke-i dan ke-(i-1).
Transformasi wavelet bekerja dengan mengambil
rata-rata dari nilai masukan dan mempertahankan
informasi yang diperlukan untuk mengembalikan ke
nilai semula. Secara umum, jika a dan b adalah dua
bilangan, dapat dihitung rata-rata s dan selisih d
melalui persamaan[22]:
s = (a + b) / 2 ,
d=a–s ,
selanjutnya, nilai a dan b dapat diperoleh kembali
melalui:
a=s+d ,
b=s–d .
Versi selanjutnya dari algoritme VFI1 adalah
VFI2. Pada tahap pelatihan dalam algoritme VFI2,
nilai end points digeser ke jarak tengah antara kedua
end points pada algoritme VFI1. Artinya, jika pada
algoritme VFI1 nilai end points-nya adalah 2, 4, 5
dan 8, maka pada algoritme VFI2 nilai end pointsnya adalah 3, 4.5 dan 6.5. Adapun tahapan
klasifikasi pada algoritme VFI2 sama dengan
tahapan klasifikasi pada algoritme VFI1.
c. Klasifikasi menggunakan Algoritme Klasifikasi
VFI5 (Voting Features Interval 5)
VFI5 merupakan algoritme klasifikasi yang
memberikan deskripsi melalui sekumpulan interval
fitur. Klasifikasi dari sebuah instance baru
didasarkan pada vote di antara klasifikasi yang
dibuat oleh nilai dari tiap fitur secara terpisah. VFI5
merupakan algoritme supervised learning yang
bersifat non-incremental, sehingga, seluruh contoh
dalam data training diproses sekali dalam satu
waktu. Tiap-tiap contoh training direpresentasikan
sebagai nilai- nilai fitur vektor nominal (diskret)
atau linear (kontinu), disertai dengan label yang
menunjukkan kelas contoh.
Algoritme VFI3 tidak berkaitan dengan algoritme
VFI2 dan dikembangkan dari algoritme VFI1. Ada
penambahan beberapa kondisi untuk pembentukan
interval
dan
klasifikasi.
Kondisi
ini
mempertimbang- kan apakah nilai instance terletak
pada titik tertinggi, titik terendah, atau titik lain pada
end points.
Algoritme VFI4 dikembangkan dari algoritme VFI3.
Pada algoritme VFI4, jika fitur merupakan fitur
linear dan ada kelas yang memiliki nilai titik
tertinggi sama dengan nilai titik terendah, maka
selain dibentuk range interval, juga dibentuk point
interval pada fitur nominal. Hal ini dilakukan untuk
menghindari kesalahan pemberian vote pada kelas
yang memiliki nilai titik tertinggi sama dengan nilai
terendah. Pada tahap klasifikasi, jika nilai fitur pada
instance pengujian terletak pada point interval,
maka nilai vote yang diambil hanya dari nilai
vote pada point interval hasil pelatihan.
Dari data training, algoritme VFI5 membentuk
interval untuk tiap fitur. Suatu interval bisa berupa
interval titik atau selang (range). Interval selang
didefinisikan sebagai sekumpulan nilai yang
berurutan dari fitur yang diberikan, sedangkan
interval titik didefinisikan sebagai fitur bernilai
tunggal. Untuk interval titik, hanya sebuah nilai
yang digunakan untuk mendefinisikan sebuah
interval.
Untuk tiap interval, diambil sebuah nilai tunggal
yang merupakan vote dari tiap-tiap kelas dalam
interval tersebut. Oleh karena itu, sebuah interval
dapat merepresentasikan beberapa kelas dengan
menyimpan vote dari tiap-tiap kelas[21].
VFI5 merupakan versi terakhir yang dikembangkan
dari algoritme VFI1. Pada tahap pelatihan dalam
algoritme VFI1, jika fitur bersifat linear (kontinu),
maka hanya dibentuk range interval. Dalam
perhitungan count instance sebagai vote dari data
latih, jika nilai fitur terletak tepat di dalam satu
interval i, maka nilai count interval i ditambah 1,
namun jika nilai fitur terletak pada batas bawah
interval, nilai count untuk interval ke-i dan ke-(i-1)
ditambah 0.5.
Proses klasifikasi pada algoritme VFI1 dilakukan
dengan melihat letak nilai fitur dari instance
pengujian ef dalam interval pelatihan. Jika i
merupakan point interval dan nilai ef sama dengan
Versi selanjutnya dari algoritme VFI4 adalah
VFI5. Pada algoritme VFI5, dilakukan generalisasi
pembentukan point interval pada fitur linear, tanpa
memperhatikan apakah ada kelas dalam suatu fitur
yang memiliki nilai titik tertinggi sama dengan nilai
titik terendah. Kelebihan algoritme VFI5 adalah
prediksi yang akurat, pelatihan dan waktu yang
dibutuhkan untuk melakukan klasifikasi cukup
singkat, bersifat robust terhadap training dengan
data yang memiliki noise dan nilai fitur yang hilang,
dapat menggunakan bobot fitur, serta dapat
memberikan model yang mudah dipahami
manusia[21].
a. Pelatihan
Hal pertama yang harus dilakukan dalam tahap
pelatihan adalah menemukan titik-titik akhir (end
points) dari tiap kelas c pada tiap fitur f. Titik
akhir dari kelas c yang diberikan merupakan nilai
yang terkecil dan terbesar pada dimensi fitur linear
(kontinu) f untuk beberapa instance pelatihan dari
kelas c yang sedang diamati. Namun demikian, titik
4
Seminar Nasional Teknologi Informasi dan Multimedia 2015
ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
akhir dari dimensi fitur
nominal (diskret) f,
merupakan nilai-nilai yang berbeda satu sama lain,
untuk beberapa instance pelatihan dari kelas c yang
sedang diamati. Titik akhir dari fitur f kemudian
disimpan dalam array EndPoints[f].
Batas bawah pada interval selang adalah -∞, sedangkan
batas atas interval selang adalah +∞. List dari titik
akhir pada tiap dimensi fitur linear diurutkan. Jika
fitur tersebut merupakan fitur linear, terdapat dua
jenis interval, interval titik dan interval selang. Jika
fitur tersebut merupakan fitur nominal, hanya ada
satu jenis interval, yaitu interval titik.
Selanjutnya, banyak instance pelatihan setiap kelas c
dengan fitur f untuk setiap interval i dihitung dan
direpresentasikan sebagai interval_class_count
[f,i,c]. Pada setiap instance pelatihan, dicari interval
i, yang merupakan interval nilai fitur f dari instance
pelatihan e (ef) tersebut berada. Apabila interval
i adalah interval titik dan ef sama dengan batas
bawah interval tersebut (yang sama dengan batas
atas untuk interval titik), jumlah kelas instance
tersebut (ef) pada interval i ditambah 1. Apabila
interval i merupakan interval selang dan ef berada
pada interval tersebut maka jumlah kelas instance ef
pada interval i ditambah 1. Proses inilah yang
menjadi vote pelatihan untuk kelas c pada interval i.
Agar tidak mengalami efek perbedaan distribusi setiap
kelas, vote kelas c untuk fitur f pada interval i harus
dinormalisasi dengan membagi vote tersebut
dengan hasil penjumlahan tiap-tiap instance kelas c
yang direpresentasikan dengan class_count [c].
Hasil normalisasi ini
dinotasikan sebagai
interval_class _vote [f,i,c]. Selanjutnya, nilai- nilai
interval_class_ vote [f,i,c] dinormalisasi sehingga
hasil penjumlahan vote beberapa kelas di setiap
fitur sama dengan 1. Tujuan normalisasi ini adalah
agar setiap fitur mempunyai kekuatan voting yang
sepadan pada proses klasifikasi dan tidak
dipengaruhi oleh ukuran fitur tersebut.
pengujian e adalah kelas yang memiliki jumlah vote
terbesar.
Data dibagi ke dalam dua bagian, yaitu data latih dan
data uji. Data latih digunakan untuk memberikan
supervised learning pada algoritme VFI5, sedangkan
data uji digunakan untuk menguji ketepatan hasil
klasifikasi yang dilakukan oleh algoritme VFI5.
Perbandingan antara data latih dan data uji yang
digunakan dalam percobaan ini adalah 3:2.
d. Otentikasi Metode Dua-tahap Biometrik (FAE &
FRE).
Pada tahap ini dihitung nilai FRE sebagai prosentase
rata-rata proses tes kecocokan pola yang ditolak,
menggunakan semua pola yang ada di data
pengujian. Untuk menghitung FAE, peneliti harus
fokus pada banyak subjek dalam satu waktu.
Memang hanya akan ada satu subjek yang asli, namun
tidak memungkinkan adanya penipuan otentikasi,
akan lebih banyak terdapat kemungkinan kesalahan
dalam penerimaan (false acceptance error/FAE)
daripada kesalahan penolakan (false rejection
error/FRE).
Melihat jenis data pada penelitian ini, maka akan
diambil secara acak, pasangan gelombang yang
seharusnya tidak sama. Nilai FAE diambil dari
prosentase rata-rata kesalahan penerimaan.
3. Kesimpulan
Sistem otentikasi atau pengenalan individu dapat
ditingkatkan
kualitas
kemanannya
dengan
menggunakan sinyal gelombang otak dari noninvasive low cost EEG. Proses yang dilakukan harus
mempertimbangkan metode pengambilan data dan
ekstraksi ciri yang cepat dan dapat menunjukkan
identitas individu.
Proses selanjutnya adalah klasifikasi mengunakan
metode VFI5dan validasi otentikasi menggunakan
dua tahap otentikasi biometrik (FAE dan FRE).
Diharapkan
penelitian
selanjutnya
dapat
mengimplementasikan ide dan pengembangan pada
aplikasi nyata.
b. Klasifikasi
Tahap klasifikasi dimulai dengan inisialisasi vote
dengan nilai nol pada tiap-tiap kelas. Pada tiap-tiap
fitur f, dicari interval i yang sesuai dengan nilai ef,
dimana ef merupakan nilai fitur f dari instance
pengujian e. Jika ef hilang atau tidak diketahui, fitur
tersebut tidak diikutsertakan dalam voting dengan
memberikan vote nol pada setiap kelas yang hilang.
Tiap-tiap fitur f mengumpulkan vote-nya dalam
sebuah vektor 〈feature_vote[f,C1], ..., feature_vote
[f,Cj] ,..,feature_vote [f,Ck]〉, dimana feature_vote
[f,Cj] adalah vote fitur f untuk kelas Cj dan k
adalah banyak kelas. Sebanyak d vektor feature vote
dijumlahkan sesuai dengan fitur dan kelasnya
masing-masing untuk memperoleh total vektor vote
〈vote[C1], ..., vote[Ck]〉. Kelas dari instance
Daftar Pustaka
[1] “Brainwave EEG Signal” NeuroSky, Inc., 2009.
[2] N. Kannathal, U. R. Acharya, C. M. Lim, and P. K. Sadasivan,
“Characterization of EEG—A comparative study,” Comput.
Methods Programs Biomed., vol. 80, no. 1, pp. 17–23, Oct.
2005.
[3]
L. Gerdes and L. Sung, “Brainwave Optimization (Highresolution, Relational, Resonance-based
Electroencephalic Mirroring): A Non-invasive Technology
for Neuro-oscillatory Calibration.”Brain State Technologies
, 2010.
[4]
F. Wendling, K. Ansari-Asl, F. Bartolomei, and L. Senhadji,
“From EEG signals to brain connectivity: A model-based
evaluation of interdependence measures,” J. Neurosci.
Methods, vol. 183, no. 1, pp. 9–18, Sep. 2009.
[5]
M. R. Arab, A. A. Suratgar, and A. R. Ashtiani,
5
Seminar Nasional Teknologi Informasi dan Multimedia 2015
ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
[19]
[20]
[21]
[22]
[23]
[24]
[25]
[26]
[27]
“Electroencephalogram signals processing for topographic
brain mapping and epilepsies classification,” Comput. Biol.
Med., vol. 40, no. 9, pp. 733–739, Sep. 2010.
L. M. Patnaik and O. K. Manyam, “Epileptic EEG detection
using neural networks and post-classification,” Comput.
Methods Programs Biomed., vol. 91, no. 2, pp. 100–109,
Aug. 2008.
M. Genisa, Y. Zulhamidah, and E. Syam, “Karakterisasi dan
Digitalisasi Frekuensi Signal EEG Penderita Epilepsi,”
Maj. Kesehat. Pharmamedika, vol. 2, no. 1, 2012.
K. suk Jung and Y. suk Choi, “Brain Wave and User Profile
based Learning Content Type Recom-mendation in
Interactive e-Learning Environment.”
J. Mostow, K. Chang, and J. Nelson, “Toward exploiting
EEG input in a reading tutor,” in Artificial Intelligence in
Education, 2011, pp. 230–237.
Y. Yasui, “A Brainwave Signal Measurement and Data
Processing Technique for Daily Life Applications,” 2009.
E. C. Djamal and H. A. Tjokronegoro, “Identifikasi dan
Klasifikasi Sinyal EEG terhadap Rangsangan Suara dengan
Ekstraksi Wavelet dan Spektral Daya,” ITB J. Sci. 37 1 6992, 2005.
K. Mohanchandra, L. GM, P. Kambli, and V.
Krishnamurthy, “Using Brain Waves as New Biometric
Feature for Authenticating a Computer User in Real-Time,”
Int. J. Biom. Bioinforma. IJBB, vol. 7, no. 1, p. 49, 2013.
T. L. Huang and C. Charyton, “A COMPREHENSIVE
REVIEW OF THE PSYCHOLOGICAL EFFECTS OF
BRAINWAVE ENTRAINMENT,” Altern. Ther. Health
Med., vol. 14, no. 5, p. 38, Sep. 2008.
W. Barker and S. Burgwin, “Brain wave patterns
accompanying changes in sleep and wakefulness during
hypnosis,” Psychosom. Med., vol. 10, no. 6, pp. 317–326,
1948.
A. H. Gani, F. P. U. I. N. Syarif, and H. Jakarta, “Efek
Hypnotherapy dari Ibadah.” , 2007.
K. Crowley, A. Sliney, I. Pitt, and D. Murphy, “Evaluating a
Brain-Computer Interface to Categorise Human Emotional
Response,” 2010, pp. 276–278.
W. Xu, F. Gong, L. He, and M. Sarrafzadeh, Wearable
Assistive System Design for Fall Prevention. 2011.
J. Thorpe, P. C. Oorschot, and A. Somayaji, “Pass-thoughts:
Authenticating With Our Minds,” Apr. 2005.
J. Chuang, C. W. Hamilton Nguyen, and B. Johnson, “I
think, therefore i am: Usability and security of
authentication using brainwaves,” in Proceedings of the
Workshop on Usable Security, USEC, 2013, vol. 13.
R.
Palaniappan,
“TWO-STAGE
BIOMETRIC
AUTHENTICATION METHOD USING THOUGHT
ACTIVITY BRAIN WAVES,” vol. 18, no. 1, pp. 59–66,
2008.
H. A. Guvenir, G. Demiroz, and N. Ilter, “Learning
differential diagnosis of erythemato-squamous diseases
using voting feature intervals,” Artif. Intell. Med., vol. 13,
pp. 147–165, 1998.
Gonzalez. R., Woods. R.E. , Digital Image Processing 2nd
Edition., Prentice Hall ., 2002
J. Han and M. Kamber, Data mining concepts and
techniques. Amsterdam; Boston; San Francisco, CA:
Elsevier ; Morgan Kaufmann, 2006.
H. A. Guvenir, S. Acar, G. Demiroz, and A. Cekin, “A
supervised machine learning algorithm for arrhythmia
analysis,” in Computers in Cardiology 1997, 1997, pp.
433–436.
C. Ashby, A. Bhatia, F. Tenore, and J. Vogelstein, “Lowcost electroencephalogram (EEG) based authentication,” in
Neural Engineering (NER), 2011 5th International
IEEE/EMBS Conference on, 2011, pp. 442–445.
C. R. Hema, M. P. Paulraj, and H. Kaur, “Brain signatures:
A modality for biometric authentication,” in International
Conference on Electronic Design, 2008. ICED 2008, 2008,
pp. 1–4.
J. Klonovs, C. K. Petersen, H. Olesen, and A. Hammershøj,
“Development of a Mobile EEG-based Biometric
Authentication System,” in WWRF Meeting.
[28]
[29]
[30]
[31]
[32]
[33]
[34]
[35]
[36]
[37]
[38]
S. Marcel and J. R. Millan, “Person Authentication Using
Brainwaves (EEG) and Maximum A Posteriori Model
Adaptation,” IEEE Trans. Pattern Anal. Mach. Intell., vol.
29, no. 4, pp. 743–752, Apr. 2007.
C. He, “Person authentication using EEG brainwave
signals,” 2009.
A. Alkan, E. Koklukaya, and A. Subasi, “Automatic seizure
detection in EEG using logistic regression and artificial
neural network,” J. Neurosci. Methods, vol. 148, no. 2, pp.
167–176, Oct. 2005.
A. Subasi and E. Erçelebi, “Classification of EEG signals
using neural network and logistic regression,” Comput.
Methods Programs Biomed., vol. 78, no. 2, pp. 87–99, May
2005.
M. K. Kiymik, M. Akin, and A. Subasi, “Automatic
recognition of alertness level by using wavelet transform
and artificial neural network,” J. Neurosci. Methods, vol.
139, no. 2, pp. 231–240, Oct. 2004.
U. Orhan, M. Hekim, and M. Ozer, “EEG signals
classification using the K-means clustering and a multilayer
perceptron neural network model,” Expert Syst. Appl., vol.
38, no. 10, pp. 13475–13481, Sep. 2011.
K. Polat and S. Güneş, “Classification of epileptiform EEG
using a hybrid system based on decision tree classifier and
fast Fourier transform,” Appl. Math. Comput., vol. 187, no.
2, pp. 1017–1026, Apr. 2007.
Siuly, Y. Li, and P. (Paul) Wen, “Clustering technique-based
least square support vector machine for EEG signal
classification,” Comput. Methods Programs Biomed., vol.
104, no. 3, pp. 358–372, Dec. 2011.
M. Poulos, M. RANGOUSSI, N. ALEXANDRIS, and A.
EVANGELOU, “On the use of EEG features towards
person identification via neural networks,” 2001.
“Principal
Component
Analysis.”,
http://www.fon.hum.uva.nl/praat/manual/Principal_compon
ent_analysis.html., accesed December 30, 2013.
J. F. D. Saa and M. S. Gutierrez, EEG Signal Classification
Using Power Spectral Features and linear Discriminant
Analysis: A Brain Computer Interface Application.
LACCEI, 2010.
Biodata Penulis
Nur Rakhmad Setiawan, S.Kom, ECIH,
memperoleh gelar Sarjana Komputer (S.Kom),
Jurusan Teknik Informatika STMIK AKAKOM
Yogyakarta, lulus tahun 2012. Memperoleh gelar non
akademik bidang keamanan sistem informasi dari
EC-Council (ECIH), pada tahun 2013. Saat ini
sedang menempuh pendidikan Program Pasca
Sarjana Magister Teknologi Informasi Universitas
Gajah Mada Yogyakarta.
Noor Akhmad Setiawan, S.T., M.T., Ph.D.,beliau
memperoleh gelar Sarjana Teknik (S.T.), Jurusan
Teknik Elektro Universitas Gadjah
Mada
Yogyakarta, lulus tahun 1998. Memperoleh gelar
Magister Teknik (M.T.) dari Universitas Gajah Mada
Yogyakarta, pada tahun 2003. Memperoleh gelar
Doctor of Philosophy (Ph.D) dari Universiti
Teknologi PETRONAS Malaysia, pada tahun 2009.
Saat ini menjadi Asisten Professor dan pengajar di
Jurusan Teknik Elektro dan Teknologi Informasi,
Universitas Gadjah Mada Yogyakarta.
Hanung Adi Nugroho, S.T., M. E., Ph.D., beliau
memperoleh gelar Sarjana Teknik (S.T.), Jurusan
Teknik Elektro Universitas Gadjah
Mada
Yogyakarta, lulus tahun 2001. Memperoleh gelar
6
Seminar Nasional Teknologi Informasi dan Multimedia 2015
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
Master of Engineering (M.E.) dari The University of
Queensland Australia, pada tahun 2005. Memperoleh
gelar Doctor of Philosophy (Ph.D) Universiti
Teknologi PETRONAS Malaysia, pada tahun 2012.
Saat ini menjadi Asisten Professor dan pengajar di
Jurusan Teknik Elektro dan Teknologi Informasi,
Universitas Gadjah Mada Yogyakarta.
7
ISSN : 2302-3805
ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
KLASIFIKASI GELOMBANG OTAK UNTUK KEAMANAN
MENGGUNAKAN METODE VOTING FEATURES INTERVAL 5
DAN DUA-TAHAP OTENTIKASI BIOMETRIK
Nur Rakhmad Setiawan1), Noor Akhmad Setiawan2), Hanung Adi Nugroho3)
1), 2),3)
Jurusan Teknik Elektro dan Teknologi Informasi
Fakultas Teknik Universitas Gadjah Mada
Jl. Grafika No.2, Kampus UGM, Yogyakarta 55281
Email : rakhmad_s2te12@mail.ugm.ac.id 1), nooras@te.ugm.ac.id 2), hanung@te.ugm.ac.id 3)
Abstrak
melindungi sesuatu yang berharga di mana akses
terbatas hanya satu atau lebih individu atau
kelompok. Konsep otentikasi secara umum seperti
ditunjukkan pada gambar 1 berikut.
EEG merupakan suatu alat yang digunakan untuk
melihat aktivitas kelistrikan pada otak manusia.
Bentuk keluaran yang diterima EEG dikenal dengan
gelombang
otak.
Pada
perkembangannya
gelombang otak tidak hanya dapat digunakan untuk
hal medis saja namun dapat digunakan untuk hal
lain seperti pendidikan, hiburan dan keamanan.
Berbagai macam studi dan penelitian telah
dilakukan untuk pengenalan pola gelombang otak
yang ditujukan untuk keamanan atau otentikasi
individu. Kekurangan yang didapatkan pada
pengenalan pola sinyal EEG untuk otentikasi adalah
masih perlu banyak penelitian mengenai pengenalan
karakter pengganti password dan implementasi
otentikasi pada aplikasi keamanan.
Gambar 1. Konsep umum dalam otentikasi
Kemajuan dalam teknologi bio-sensor EEG (elektroencephalography) telah membuka peluang penelitian
gelombang otak dan pengembangan aplikasi pada
tingkat belum pernah terjadi sebelumnya dalam
beberapa tahun terakhir. Secara tradisional,
pengambilan data pada EEG telah dilakukan dalam
hal medis menggunakan invasive probes bawah
tengkorak atau gel elektroda tersusun diatas kulit
kepala[1], [2]. Sekarang, data yang sama dapat
dikumpulkan dengan menggunakan sensor noninvasive yang dipasangkan ke headset audio dan
perangkat elektronik lainnya[3] seperti yang
ditunjukkan pada gambar 2 berikut.
Pada penelitian ini diusulkan suatu metode
klasifikasi algoritme Voting Feature Interval 5
(VFI5) dan Otentikasi Dua-Tahap Biometrik dengan
terlebih dahulu melalui proses ekstraksi ciri
menggunakan metode Transformasi Wavelet.
Menurut penemunya metode VFI5 mempunyai
kemampuan komputasi lebih cepat daripada metode
Bayes dan akurasinya lebih baik daripada metode
K-Nearest Neighbor.
Kata kunci : EEG, biometrik, otentikasi, keamanan,
klasifikasi, VFI 5.
1. Pendahuluan
Otentikasi telah menjadi bagian penting dari
kehidupan kita sehari-hari melalui sistem seperti
password, kode pin, card reader, scanner sidik jari,
dan retina. Semua dirancang dengan satu tujuan ,
untuk mengkonfirmasi identitas seseorang.
Gambar 2. Headset EEG model non-invasive probe:
Neurosky MindSet
Hal ini membuka kemungkinan besar untuk
menggunakan sinyal gelombang pada domain
aplikasi. Yang awalnya terbatas pada penelitian
Otentikasi mempunyai beberapa perbedaan dalam
implementasinya, tetapi tujuan utama adalah untuk
1
Seminar Nasional Teknologi Informasi dan Multimedia 2015
ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
neuroscience[4] dan pengobatan klinis penyakit [5]–
[7], teknologi EEG sekarang sedang digunakan untuk
pendidikan[8], pelatihan[9], hiburan[10], [11],
aplikasi komputer[12] dan lain-lain [13]–[17].
mendekomposisikan sinyal EEG mirip sama dengan
metode pengenalan pola menggunakan MLPNN,
perbedaannya adalah sebelum diklasifikasikan
menggunakan MLPNN sinyal input dari DWT
dikelompokkan dahulu menggunakan metode KMeans,
kemudian
hasil
pengelompokan
menggunakan K-Means digunakan sebagai input
untuk model klasifikasi MLPNN, metode ini
menghasilkan akurasi pengenalan pola yang lebih
akurat daripada metode Logistic Regression (LR)
[33].
Individuan sinyal gelombang otak untuk otentikasi
menjadi salah satu peluang yang sangat bagus.
Thorpe et al. memotivasi dan telah memulai desain
dari sebuah “pass-thought system”[18]. Dengan
pemikiran pass-thought lebih aman daripada harus
mengetik password. Metode otentikasi keamanan
tersebut menjanjikan banyak keuntungan termasuk
ketahanan terhadap serangan dari hacker[19].
b. Ekstraksi ciri dengan Fast Fourier Transform
(FFT) dan klasifikasi dengan Decission Tree (DT)
Jika pada metode lain ekstraksi ciri pada sinyal EEG
dilakukan menggunakan metode Discrete Wavelet
Transform (DWT), maka penelitian yang dilakukan
oleh Polat, K. menggunakan metode FFT, sedangkan
untuk mengenali pola sinyal EEG menggunakan
metode klasifikasi DT. Ekstraksi ciri dengan metode
FFT membuat proses komputasi pengenalan pola
lebih cepat daripada menggunakan metode DWT
dengan akurasi mencapai 98,7% [34].
2. Pembahasan
Beberapa peneliti secara terpisah telah menemukan
kemungkinan dari individuan sinyal EEG untuk
meng-klasifikasikan
dan/atau
meng-otentikasi
individu. Dengan fokus pada akurasi menerapkan
berbagai pola pengenalan baik secara statistik, signal
processing, dan machine learning techniques pada
berbagai macam sinyal EEG[25]–[29]. Berikut
beberapa diantaranya antara lain :
a. Klasifikasi
dengan
metode
Levenberg
-Marquardt, Backporpagation dan Logistic
Regression.
A. Subasi, et. al melakukan penelitian pada tahun
2005 dalam hal mekanisme menyebabkan gangguan
epilepsi. Pada dasarnya Multi Layer Perceptron
Neural Network (MLPNN) menggunakan metode
Levenberg-Marquardt (L-M) atau Backpropagation
(BP) memerlukan keputusan akan jumlah dari
lapisan tersembunyi, jumlah iterasi pelatihan, pilihan
fungsi aktivasi, learning-rate dan momentum
sebagai
parameter untuk mencapai
solusi
kekonvergenan. Dibandingkan dengan Logistic
Regression (LR), MLPNN lebih mudah untuk
diaplikasikan, dilihat dari kompleksitas kombinasi
fungsi regresi yang harus digunakan untuk
mendapatkan hasil klasifikasi yang optimal, tanpa
basis pengetahuan. Tingkat akurasi hasil klasifikasi
menggunakan metode MLPNN tersebut mencapai
angka 92,5% dibanding dengan LR yang hanya
mencapai 90%[30],[31].
c. Clustering-Technique Least Square Support
Vector Machine (CT-LS-SVM)
Suatu pendekatan baru dilakukan oleh Siuly pada
tahun 2011 dalam klasifikasi sinyal EEG.
Pengambilan keputusan dilakukan dua tahap. Pada
tahap pertama, teknik pengelompokan ( CT ) telah
digunakan untuk mengekstraksi fitur statistik dari
data sinyal EEG . Pada tahap kedua , LS - SVM
diterapkan untuk mengklasifikasikan sinyal EEG.
Percobaan dari peneliti membuktikan bahwa metode
ini efektif untuk mengenali dua buah pola sekaligus
dengan prosentase akurasi mencapai 94,6 % [35].
Blok diagram proses CT-LS-SVM ditunjukkan pada
gambar 3 berikut.
Gambar 3. Blok diagram metode CT-LS-SVM [35].
d. Otentikasi Individu menggunakan gelombang
otak dari sinyal EEG
Jika pada penelitian-penelitian tersebut diatas
berbasis pada penelitian di bidang medis dan
neuroscience, maka penelitian tentang otentikasi
individu menggunakan gelombang otak yang berasal
dari Low-Cost EEG atau Headset MindSet EEG
belum banyak dilakukan.
Penelitian lain dilakukan oleh M.K. Kiymik et al.
meneliti tentang pengenalan pola pada tingkat
kewaspadaan
/
kesadaran.
Sinyal
EEG
didekomposisi menjadi sub-sinyal menggunakan
discrete wavelete transform (DWT). Hasil statistik
dari
DWT
dijadikan
input
ke
metode
Backpropagation menjadi tiga jenis output wavelet
yakni : alert, drowsy dan sleep. Tingkat akurasi dari
metode tersebut mencapai 96% [32].
Otentikasi individu dengan EEG pertama kali
diusulkan oleh Marcel [28] pada tahun 2007
menggunakan Power Spectral Density (PSD) sebagai
fiturnya dan menggunakan campuran metode
Gaussian Model (GMM) dan Maximum A Posteriori
Perbaikan akurasi hasil klasifikasi dilakukan dalam
penelitian yang dilakukan oleh Orhan,Umut et. al.
pada tahun 2011. Metode yang digunakan untuk
2
Seminar Nasional Teknologi Informasi dan Multimedia 2015
ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
Model (MAP) pada bentuk gelombang sinyal EEG
pada tes otentikasi suara dan bentuk wajah. Hasil
penelitian mengunkapkan bahwa sinyal EEG efektif
untuk digunakan dalam otentikasi individu , namun
penurunan kinerja terjadi dengan banyaknya
ketidaksesuaian pola untuk data yang direkam pada
hari kedua dan seterusnya. Sehingga model
GMM/MAP hanya cocok digunakan untuk pengujian
1 hari.
berumur antara 18-40 tahun atau dalam kategori
dewasa. Gender atau jenis kelamin dipilih secara
acak laki-laki atau perempuan, jumlah subjek
yang diteliti ditentukan sejumlah 10-20 orang.
b) Ruangan tempat melakukan penelitian haruslah
bebas gangguan, baik itu suara maupun gambar
yang mencolok.
c) Penelitian dilakukan pada dua spektral
gelombang yakni alpha (8 – 12 Hz). Gelombang
ini dihasilkan ketika seseorang sedang melakukan
relaksasi atau berupa peralihan antara keadaan
sadar dan tidak sadar. Gelombang yang kedua
adalah beta (13 – 19 Hz). Gelombang ini
dihasilkan ketika seseorang sedang berada dalam
kondisi berpikir atau sedang melakukan aktivitas
sehari - hari.
d) Tugas yang dimaksud adalah kegiatan yang
dilakukan subjek, pada saat gelombang otaknya
direkam oleh EEG. Tugas-tugas tersebut antara
lain:
1) Bernafas, subjek menutup mata dan fokus ke
pernapasan selama 10 detik.
2) Olahraga, subjek membayangkan dalam
pikiran, suatu pergerakan olahraga yang sedang
dipilih, selama 10 detik.
3) Suara, subjek membayangkan selama 10 detik
lagu atau suara dengan lirik, seolah-olah
bernyanyi, tanpa sedikitpun mengeluarkan suara.
4) Wajah atau rupa, subjek membayangkan
selam 10 detik wajah atau muka seseorang secara
detail, tanpa mengeluarkan suara.
5) Pass-thoughts, subjek membayangkan suatu
kata atau kalimat dan dapat pula berupa angka
selama 10 detik.
6) Perhitungan matematika, subjek diberikan
soal perhitungan perkalian dua bilangan yang
sederhana, dan menyelesaikan soal tersebut tanpa
pergerakan tubuh dan bersuara. Misal: 26 x 14.
waktu yang diberikan sama yakni 10 detik.
Penelitian tentang identifikasi orang berdasarkan
informasi spektral yang diambil dari sinyal EEG,
dilakukan oleh M. Poulos, et al, .klasifikasi
menggunakan Neural Network metode Learning
Vector Quantizer (LVQ) dilakukan pada sinyal EEG
dari orang dalam keadaan sehat, sedangkan ekstraksi
ciri dari sinyal EEG menggunakan metode Fast
Fourier Transform (FFT). Hasil akurasi yang
mencapai 80%-100% menunjukkan bukti bahwa
sinyal EEG membawa informasi genetik dan dapat
digunakan untuk keperluan identifikasi orang [36].
Sebuah penelitian tentang metode dua-tahap
otentikasi biometrik diusulkan oleh R. Palaniappan
[20]. Metodologi yang digunakan dalam penelitian
tersebut ekstraksi fitur mencakup langkah-langkah
linier dan nonlinier untuk memberikan peningkatan
akurasi. Hasilnya menunjukkan bahwa kombinasi
otentikasi dua-tahap sinyal EEG memiliki potensi
yang baik sebagai biometrik karena sangat tahan
terhadap serangan keamanan. Principal Component
Analysis ( PCA ) digunakan untuk mengurangi
dimensi dari fitur agar proses komputasi tidak
berat[37].
Penelitian yang akan dikembangkan pada penelitian
ini adalah optimalisasi klasifikasi objek yang
direkam dalam EEG untuk keperluan otentikasi
keamanan. Peneliti mencoba menggunakan metode
VFI5 yang dalam penelitian Demiroz dan Guvenir,
menghasilkan akurasi klasifikasi yang lebih baik
daripada metode K-NN dan Naive Bayes. Penelitian
sebelumnya juga belum menyatukan identifikasi
individu dan otentikasi password. Sehingga
diharapkan tingkat keamanan menggunakan metode
gelombang otak lebih kuat karena individu akan
diverifikasi terlebih dahulu sebelum masuk ke tahap
otentikasi password atau kunci itu sendiri.
Ide dan Tantangan Pengembangan
Untuk meningkatkan kualitas akurasi klasifikasi
gelombang otak dan tingkat keamanan otentikasi
individu, beberapa ide dan langkah pengembangan
yang akan dilakukan antara lain:
a. Koleksi Data Gelombang Otak dari EEG
Sebelum melakukan koleksi data, sebelumnya
ditentukan terlebih dahulu subjek penelitian, yakni:
a) Orang/personal/individu dalam keadaan sehat,
Tugas-tugas tersebut diulangi sebanyak 3-5 kali pada
setiap subjek. Kegiatan selama perekaman tugas
dicatat dan jika terjadi kesalahan, maka kesalahan
tersebut juga dicatat. Jika semua kegiatan tugas
terlaksana dengan baik maka peneliti akan
mendapatkan data sebanyak 20 orang x 6 tugas x 5
perulangan x 2 spektral gelombang = 1200 data.
b. Ekstraksi Ciri : Transformasi Wavelet
Wavelet merupakan fungsi matematis yang
memisahkan data menjadi beberapa komponen
frekuensi yang berbeda dan mempelajari tiap-tiap
komponen sesuai dengan resolusi yang tepat dengan
skalanya masing-masing. Transformasi wavelet
memiliki
kelebihan
dibandingkan
dengan
transformasi Fourier dalam menganalisis keadaan
fisik yang memiliki sinyal tak kontinu dan memiliki
variasi yang tajam. Wavelet dikembangkan secara
bebas dalam bidang matematika, fisika kuantum,
teknik elektro, dan geologi seismik.
3
Seminar Nasional Teknologi Informasi dan Multimedia 2015
ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
nilai pada point interval, maka fitur f memberikan
vote untuk tiap kelas c sebesar nilai vote kelas pada
interval pelatihan. Namun jika i merupakan range
interval dan nilai ef sama dengan nilai batas bawah
dari interval tersebut, maka vote yang diberikan oleh
fitur f adalah rata-rata vote pelatihan dari interval
ke-i dan ke-(i-1).
Transformasi wavelet bekerja dengan mengambil
rata-rata dari nilai masukan dan mempertahankan
informasi yang diperlukan untuk mengembalikan ke
nilai semula. Secara umum, jika a dan b adalah dua
bilangan, dapat dihitung rata-rata s dan selisih d
melalui persamaan[22]:
s = (a + b) / 2 ,
d=a–s ,
selanjutnya, nilai a dan b dapat diperoleh kembali
melalui:
a=s+d ,
b=s–d .
Versi selanjutnya dari algoritme VFI1 adalah
VFI2. Pada tahap pelatihan dalam algoritme VFI2,
nilai end points digeser ke jarak tengah antara kedua
end points pada algoritme VFI1. Artinya, jika pada
algoritme VFI1 nilai end points-nya adalah 2, 4, 5
dan 8, maka pada algoritme VFI2 nilai end pointsnya adalah 3, 4.5 dan 6.5. Adapun tahapan
klasifikasi pada algoritme VFI2 sama dengan
tahapan klasifikasi pada algoritme VFI1.
c. Klasifikasi menggunakan Algoritme Klasifikasi
VFI5 (Voting Features Interval 5)
VFI5 merupakan algoritme klasifikasi yang
memberikan deskripsi melalui sekumpulan interval
fitur. Klasifikasi dari sebuah instance baru
didasarkan pada vote di antara klasifikasi yang
dibuat oleh nilai dari tiap fitur secara terpisah. VFI5
merupakan algoritme supervised learning yang
bersifat non-incremental, sehingga, seluruh contoh
dalam data training diproses sekali dalam satu
waktu. Tiap-tiap contoh training direpresentasikan
sebagai nilai- nilai fitur vektor nominal (diskret)
atau linear (kontinu), disertai dengan label yang
menunjukkan kelas contoh.
Algoritme VFI3 tidak berkaitan dengan algoritme
VFI2 dan dikembangkan dari algoritme VFI1. Ada
penambahan beberapa kondisi untuk pembentukan
interval
dan
klasifikasi.
Kondisi
ini
mempertimbang- kan apakah nilai instance terletak
pada titik tertinggi, titik terendah, atau titik lain pada
end points.
Algoritme VFI4 dikembangkan dari algoritme VFI3.
Pada algoritme VFI4, jika fitur merupakan fitur
linear dan ada kelas yang memiliki nilai titik
tertinggi sama dengan nilai titik terendah, maka
selain dibentuk range interval, juga dibentuk point
interval pada fitur nominal. Hal ini dilakukan untuk
menghindari kesalahan pemberian vote pada kelas
yang memiliki nilai titik tertinggi sama dengan nilai
terendah. Pada tahap klasifikasi, jika nilai fitur pada
instance pengujian terletak pada point interval,
maka nilai vote yang diambil hanya dari nilai
vote pada point interval hasil pelatihan.
Dari data training, algoritme VFI5 membentuk
interval untuk tiap fitur. Suatu interval bisa berupa
interval titik atau selang (range). Interval selang
didefinisikan sebagai sekumpulan nilai yang
berurutan dari fitur yang diberikan, sedangkan
interval titik didefinisikan sebagai fitur bernilai
tunggal. Untuk interval titik, hanya sebuah nilai
yang digunakan untuk mendefinisikan sebuah
interval.
Untuk tiap interval, diambil sebuah nilai tunggal
yang merupakan vote dari tiap-tiap kelas dalam
interval tersebut. Oleh karena itu, sebuah interval
dapat merepresentasikan beberapa kelas dengan
menyimpan vote dari tiap-tiap kelas[21].
VFI5 merupakan versi terakhir yang dikembangkan
dari algoritme VFI1. Pada tahap pelatihan dalam
algoritme VFI1, jika fitur bersifat linear (kontinu),
maka hanya dibentuk range interval. Dalam
perhitungan count instance sebagai vote dari data
latih, jika nilai fitur terletak tepat di dalam satu
interval i, maka nilai count interval i ditambah 1,
namun jika nilai fitur terletak pada batas bawah
interval, nilai count untuk interval ke-i dan ke-(i-1)
ditambah 0.5.
Proses klasifikasi pada algoritme VFI1 dilakukan
dengan melihat letak nilai fitur dari instance
pengujian ef dalam interval pelatihan. Jika i
merupakan point interval dan nilai ef sama dengan
Versi selanjutnya dari algoritme VFI4 adalah
VFI5. Pada algoritme VFI5, dilakukan generalisasi
pembentukan point interval pada fitur linear, tanpa
memperhatikan apakah ada kelas dalam suatu fitur
yang memiliki nilai titik tertinggi sama dengan nilai
titik terendah. Kelebihan algoritme VFI5 adalah
prediksi yang akurat, pelatihan dan waktu yang
dibutuhkan untuk melakukan klasifikasi cukup
singkat, bersifat robust terhadap training dengan
data yang memiliki noise dan nilai fitur yang hilang,
dapat menggunakan bobot fitur, serta dapat
memberikan model yang mudah dipahami
manusia[21].
a. Pelatihan
Hal pertama yang harus dilakukan dalam tahap
pelatihan adalah menemukan titik-titik akhir (end
points) dari tiap kelas c pada tiap fitur f. Titik
akhir dari kelas c yang diberikan merupakan nilai
yang terkecil dan terbesar pada dimensi fitur linear
(kontinu) f untuk beberapa instance pelatihan dari
kelas c yang sedang diamati. Namun demikian, titik
4
Seminar Nasional Teknologi Informasi dan Multimedia 2015
ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
akhir dari dimensi fitur
nominal (diskret) f,
merupakan nilai-nilai yang berbeda satu sama lain,
untuk beberapa instance pelatihan dari kelas c yang
sedang diamati. Titik akhir dari fitur f kemudian
disimpan dalam array EndPoints[f].
Batas bawah pada interval selang adalah -∞, sedangkan
batas atas interval selang adalah +∞. List dari titik
akhir pada tiap dimensi fitur linear diurutkan. Jika
fitur tersebut merupakan fitur linear, terdapat dua
jenis interval, interval titik dan interval selang. Jika
fitur tersebut merupakan fitur nominal, hanya ada
satu jenis interval, yaitu interval titik.
Selanjutnya, banyak instance pelatihan setiap kelas c
dengan fitur f untuk setiap interval i dihitung dan
direpresentasikan sebagai interval_class_count
[f,i,c]. Pada setiap instance pelatihan, dicari interval
i, yang merupakan interval nilai fitur f dari instance
pelatihan e (ef) tersebut berada. Apabila interval
i adalah interval titik dan ef sama dengan batas
bawah interval tersebut (yang sama dengan batas
atas untuk interval titik), jumlah kelas instance
tersebut (ef) pada interval i ditambah 1. Apabila
interval i merupakan interval selang dan ef berada
pada interval tersebut maka jumlah kelas instance ef
pada interval i ditambah 1. Proses inilah yang
menjadi vote pelatihan untuk kelas c pada interval i.
Agar tidak mengalami efek perbedaan distribusi setiap
kelas, vote kelas c untuk fitur f pada interval i harus
dinormalisasi dengan membagi vote tersebut
dengan hasil penjumlahan tiap-tiap instance kelas c
yang direpresentasikan dengan class_count [c].
Hasil normalisasi ini
dinotasikan sebagai
interval_class _vote [f,i,c]. Selanjutnya, nilai- nilai
interval_class_ vote [f,i,c] dinormalisasi sehingga
hasil penjumlahan vote beberapa kelas di setiap
fitur sama dengan 1. Tujuan normalisasi ini adalah
agar setiap fitur mempunyai kekuatan voting yang
sepadan pada proses klasifikasi dan tidak
dipengaruhi oleh ukuran fitur tersebut.
pengujian e adalah kelas yang memiliki jumlah vote
terbesar.
Data dibagi ke dalam dua bagian, yaitu data latih dan
data uji. Data latih digunakan untuk memberikan
supervised learning pada algoritme VFI5, sedangkan
data uji digunakan untuk menguji ketepatan hasil
klasifikasi yang dilakukan oleh algoritme VFI5.
Perbandingan antara data latih dan data uji yang
digunakan dalam percobaan ini adalah 3:2.
d. Otentikasi Metode Dua-tahap Biometrik (FAE &
FRE).
Pada tahap ini dihitung nilai FRE sebagai prosentase
rata-rata proses tes kecocokan pola yang ditolak,
menggunakan semua pola yang ada di data
pengujian. Untuk menghitung FAE, peneliti harus
fokus pada banyak subjek dalam satu waktu.
Memang hanya akan ada satu subjek yang asli, namun
tidak memungkinkan adanya penipuan otentikasi,
akan lebih banyak terdapat kemungkinan kesalahan
dalam penerimaan (false acceptance error/FAE)
daripada kesalahan penolakan (false rejection
error/FRE).
Melihat jenis data pada penelitian ini, maka akan
diambil secara acak, pasangan gelombang yang
seharusnya tidak sama. Nilai FAE diambil dari
prosentase rata-rata kesalahan penerimaan.
3. Kesimpulan
Sistem otentikasi atau pengenalan individu dapat
ditingkatkan
kualitas
kemanannya
dengan
menggunakan sinyal gelombang otak dari noninvasive low cost EEG. Proses yang dilakukan harus
mempertimbangkan metode pengambilan data dan
ekstraksi ciri yang cepat dan dapat menunjukkan
identitas individu.
Proses selanjutnya adalah klasifikasi mengunakan
metode VFI5dan validasi otentikasi menggunakan
dua tahap otentikasi biometrik (FAE dan FRE).
Diharapkan
penelitian
selanjutnya
dapat
mengimplementasikan ide dan pengembangan pada
aplikasi nyata.
b. Klasifikasi
Tahap klasifikasi dimulai dengan inisialisasi vote
dengan nilai nol pada tiap-tiap kelas. Pada tiap-tiap
fitur f, dicari interval i yang sesuai dengan nilai ef,
dimana ef merupakan nilai fitur f dari instance
pengujian e. Jika ef hilang atau tidak diketahui, fitur
tersebut tidak diikutsertakan dalam voting dengan
memberikan vote nol pada setiap kelas yang hilang.
Tiap-tiap fitur f mengumpulkan vote-nya dalam
sebuah vektor 〈feature_vote[f,C1], ..., feature_vote
[f,Cj] ,..,feature_vote [f,Ck]〉, dimana feature_vote
[f,Cj] adalah vote fitur f untuk kelas Cj dan k
adalah banyak kelas. Sebanyak d vektor feature vote
dijumlahkan sesuai dengan fitur dan kelasnya
masing-masing untuk memperoleh total vektor vote
〈vote[C1], ..., vote[Ck]〉. Kelas dari instance
Daftar Pustaka
[1] “Brainwave EEG Signal” NeuroSky, Inc., 2009.
[2] N. Kannathal, U. R. Acharya, C. M. Lim, and P. K. Sadasivan,
“Characterization of EEG—A comparative study,” Comput.
Methods Programs Biomed., vol. 80, no. 1, pp. 17–23, Oct.
2005.
[3]
L. Gerdes and L. Sung, “Brainwave Optimization (Highresolution, Relational, Resonance-based
Electroencephalic Mirroring): A Non-invasive Technology
for Neuro-oscillatory Calibration.”Brain State Technologies
, 2010.
[4]
F. Wendling, K. Ansari-Asl, F. Bartolomei, and L. Senhadji,
“From EEG signals to brain connectivity: A model-based
evaluation of interdependence measures,” J. Neurosci.
Methods, vol. 183, no. 1, pp. 9–18, Sep. 2009.
[5]
M. R. Arab, A. A. Suratgar, and A. R. Ashtiani,
5
Seminar Nasional Teknologi Informasi dan Multimedia 2015
ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
[19]
[20]
[21]
[22]
[23]
[24]
[25]
[26]
[27]
“Electroencephalogram signals processing for topographic
brain mapping and epilepsies classification,” Comput. Biol.
Med., vol. 40, no. 9, pp. 733–739, Sep. 2010.
L. M. Patnaik and O. K. Manyam, “Epileptic EEG detection
using neural networks and post-classification,” Comput.
Methods Programs Biomed., vol. 91, no. 2, pp. 100–109,
Aug. 2008.
M. Genisa, Y. Zulhamidah, and E. Syam, “Karakterisasi dan
Digitalisasi Frekuensi Signal EEG Penderita Epilepsi,”
Maj. Kesehat. Pharmamedika, vol. 2, no. 1, 2012.
K. suk Jung and Y. suk Choi, “Brain Wave and User Profile
based Learning Content Type Recom-mendation in
Interactive e-Learning Environment.”
J. Mostow, K. Chang, and J. Nelson, “Toward exploiting
EEG input in a reading tutor,” in Artificial Intelligence in
Education, 2011, pp. 230–237.
Y. Yasui, “A Brainwave Signal Measurement and Data
Processing Technique for Daily Life Applications,” 2009.
E. C. Djamal and H. A. Tjokronegoro, “Identifikasi dan
Klasifikasi Sinyal EEG terhadap Rangsangan Suara dengan
Ekstraksi Wavelet dan Spektral Daya,” ITB J. Sci. 37 1 6992, 2005.
K. Mohanchandra, L. GM, P. Kambli, and V.
Krishnamurthy, “Using Brain Waves as New Biometric
Feature for Authenticating a Computer User in Real-Time,”
Int. J. Biom. Bioinforma. IJBB, vol. 7, no. 1, p. 49, 2013.
T. L. Huang and C. Charyton, “A COMPREHENSIVE
REVIEW OF THE PSYCHOLOGICAL EFFECTS OF
BRAINWAVE ENTRAINMENT,” Altern. Ther. Health
Med., vol. 14, no. 5, p. 38, Sep. 2008.
W. Barker and S. Burgwin, “Brain wave patterns
accompanying changes in sleep and wakefulness during
hypnosis,” Psychosom. Med., vol. 10, no. 6, pp. 317–326,
1948.
A. H. Gani, F. P. U. I. N. Syarif, and H. Jakarta, “Efek
Hypnotherapy dari Ibadah.” , 2007.
K. Crowley, A. Sliney, I. Pitt, and D. Murphy, “Evaluating a
Brain-Computer Interface to Categorise Human Emotional
Response,” 2010, pp. 276–278.
W. Xu, F. Gong, L. He, and M. Sarrafzadeh, Wearable
Assistive System Design for Fall Prevention. 2011.
J. Thorpe, P. C. Oorschot, and A. Somayaji, “Pass-thoughts:
Authenticating With Our Minds,” Apr. 2005.
J. Chuang, C. W. Hamilton Nguyen, and B. Johnson, “I
think, therefore i am: Usability and security of
authentication using brainwaves,” in Proceedings of the
Workshop on Usable Security, USEC, 2013, vol. 13.
R.
Palaniappan,
“TWO-STAGE
BIOMETRIC
AUTHENTICATION METHOD USING THOUGHT
ACTIVITY BRAIN WAVES,” vol. 18, no. 1, pp. 59–66,
2008.
H. A. Guvenir, G. Demiroz, and N. Ilter, “Learning
differential diagnosis of erythemato-squamous diseases
using voting feature intervals,” Artif. Intell. Med., vol. 13,
pp. 147–165, 1998.
Gonzalez. R., Woods. R.E. , Digital Image Processing 2nd
Edition., Prentice Hall ., 2002
J. Han and M. Kamber, Data mining concepts and
techniques. Amsterdam; Boston; San Francisco, CA:
Elsevier ; Morgan Kaufmann, 2006.
H. A. Guvenir, S. Acar, G. Demiroz, and A. Cekin, “A
supervised machine learning algorithm for arrhythmia
analysis,” in Computers in Cardiology 1997, 1997, pp.
433–436.
C. Ashby, A. Bhatia, F. Tenore, and J. Vogelstein, “Lowcost electroencephalogram (EEG) based authentication,” in
Neural Engineering (NER), 2011 5th International
IEEE/EMBS Conference on, 2011, pp. 442–445.
C. R. Hema, M. P. Paulraj, and H. Kaur, “Brain signatures:
A modality for biometric authentication,” in International
Conference on Electronic Design, 2008. ICED 2008, 2008,
pp. 1–4.
J. Klonovs, C. K. Petersen, H. Olesen, and A. Hammershøj,
“Development of a Mobile EEG-based Biometric
Authentication System,” in WWRF Meeting.
[28]
[29]
[30]
[31]
[32]
[33]
[34]
[35]
[36]
[37]
[38]
S. Marcel and J. R. Millan, “Person Authentication Using
Brainwaves (EEG) and Maximum A Posteriori Model
Adaptation,” IEEE Trans. Pattern Anal. Mach. Intell., vol.
29, no. 4, pp. 743–752, Apr. 2007.
C. He, “Person authentication using EEG brainwave
signals,” 2009.
A. Alkan, E. Koklukaya, and A. Subasi, “Automatic seizure
detection in EEG using logistic regression and artificial
neural network,” J. Neurosci. Methods, vol. 148, no. 2, pp.
167–176, Oct. 2005.
A. Subasi and E. Erçelebi, “Classification of EEG signals
using neural network and logistic regression,” Comput.
Methods Programs Biomed., vol. 78, no. 2, pp. 87–99, May
2005.
M. K. Kiymik, M. Akin, and A. Subasi, “Automatic
recognition of alertness level by using wavelet transform
and artificial neural network,” J. Neurosci. Methods, vol.
139, no. 2, pp. 231–240, Oct. 2004.
U. Orhan, M. Hekim, and M. Ozer, “EEG signals
classification using the K-means clustering and a multilayer
perceptron neural network model,” Expert Syst. Appl., vol.
38, no. 10, pp. 13475–13481, Sep. 2011.
K. Polat and S. Güneş, “Classification of epileptiform EEG
using a hybrid system based on decision tree classifier and
fast Fourier transform,” Appl. Math. Comput., vol. 187, no.
2, pp. 1017–1026, Apr. 2007.
Siuly, Y. Li, and P. (Paul) Wen, “Clustering technique-based
least square support vector machine for EEG signal
classification,” Comput. Methods Programs Biomed., vol.
104, no. 3, pp. 358–372, Dec. 2011.
M. Poulos, M. RANGOUSSI, N. ALEXANDRIS, and A.
EVANGELOU, “On the use of EEG features towards
person identification via neural networks,” 2001.
“Principal
Component
Analysis.”,
http://www.fon.hum.uva.nl/praat/manual/Principal_compon
ent_analysis.html., accesed December 30, 2013.
J. F. D. Saa and M. S. Gutierrez, EEG Signal Classification
Using Power Spectral Features and linear Discriminant
Analysis: A Brain Computer Interface Application.
LACCEI, 2010.
Biodata Penulis
Nur Rakhmad Setiawan, S.Kom, ECIH,
memperoleh gelar Sarjana Komputer (S.Kom),
Jurusan Teknik Informatika STMIK AKAKOM
Yogyakarta, lulus tahun 2012. Memperoleh gelar non
akademik bidang keamanan sistem informasi dari
EC-Council (ECIH), pada tahun 2013. Saat ini
sedang menempuh pendidikan Program Pasca
Sarjana Magister Teknologi Informasi Universitas
Gajah Mada Yogyakarta.
Noor Akhmad Setiawan, S.T., M.T., Ph.D.,beliau
memperoleh gelar Sarjana Teknik (S.T.), Jurusan
Teknik Elektro Universitas Gadjah
Mada
Yogyakarta, lulus tahun 1998. Memperoleh gelar
Magister Teknik (M.T.) dari Universitas Gajah Mada
Yogyakarta, pada tahun 2003. Memperoleh gelar
Doctor of Philosophy (Ph.D) dari Universiti
Teknologi PETRONAS Malaysia, pada tahun 2009.
Saat ini menjadi Asisten Professor dan pengajar di
Jurusan Teknik Elektro dan Teknologi Informasi,
Universitas Gadjah Mada Yogyakarta.
Hanung Adi Nugroho, S.T., M. E., Ph.D., beliau
memperoleh gelar Sarjana Teknik (S.T.), Jurusan
Teknik Elektro Universitas Gadjah
Mada
Yogyakarta, lulus tahun 2001. Memperoleh gelar
6
Seminar Nasional Teknologi Informasi dan Multimedia 2015
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
Master of Engineering (M.E.) dari The University of
Queensland Australia, pada tahun 2005. Memperoleh
gelar Doctor of Philosophy (Ph.D) Universiti
Teknologi PETRONAS Malaysia, pada tahun 2012.
Saat ini menjadi Asisten Professor dan pengajar di
Jurusan Teknik Elektro dan Teknologi Informasi,
Universitas Gadjah Mada Yogyakarta.
7
ISSN : 2302-3805